论文部分内容阅读
电动汽车锂电池故障阻碍着电动汽车行业的蓬勃发展。基于锂电池电化学机理模型的锂电池故障诊断方法,难以适用于复杂不确定交通环境下电动汽车的故障工况,导致故障诊断模型通用性不足,诊断精度不高。本文以携带锂电池故障信息的电池充放电期间电压、电流、温度和容量数据为基础,以小波包分解、深度神经网络理论为方法,面向锂电池过充电、过放电和老化故障开展故障诊断应用研究。具体如下:(1)针对锂电池故障数据采集过程中非平稳噪声干扰问题,提出基于小波包分解的锂电池故障数据特征提取方法。通过小波包逐层分解,以香浓熵为代价函数选择最优小波树,重构最优小波树节点信号,去除数据噪声,完成特征提取。(2)针对锂电池故障数据的时序依赖性,提出一种基于长短期记忆神经网络的锂电池故障诊断方法。通过记忆单元和门控函数保持锂电池故障数据的长时间依赖关系,在目标损失函数的约束下,长短期记忆神经网络学习故障数据与故障种类的映射关系,并利用注意力机制在所有时间步中选择相关的网络隐藏状态,实现锂电池故障数据准确分类。实验结果证明,以小波包分解的数据特征为输入,基于长短期记忆神经网络的锂电池故障诊断方法对三种故障分类的平均准确率为94.13%。(3)针对锂电池故障数据的空间非线性分布特点,提出一种基于卷积神经网络的锂电池故障诊断方法。使用具有权值共享和稀疏交互的连续卷积层,使故障数据在多个卷积层中逐层传递,完成故障数据低级特征向高级特征的转化,利用全局平均池化实现数据特征从高维到低维的结构化输出,在监督学习机制下,实现输入参数到故障种类的映射。实验结果证明,以小波包分解的数据特征为输入,基于卷积神经网络的锂电池故障诊断方法对三种故障分类的平均准确率为97.09%。(4)针对锂电池故障数据在时空约束下的多分类问题,提出一种基于长短期记忆-卷积神经网络的锂电池故障诊断方法。通过将长短期记忆神经网络和卷积神经网络并行整合,利用两种网络结构对输入数据进行充分解析,组合两种网络的输出向量,在两种神经网络共同作用下完成锂电池故障的分类。实验结果证明,以小波包分解的数据特征为输入,基于长短期记忆-卷积神经网络的锂电池故障诊断方法对三种故障分类的平均准确率为99.40%。