CN113705615A - 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及*** - Google Patents

Abstract

本发明公开了一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及***，所述方法包括以下步骤，获取统计历史故障数据；分析历史故障数据，运用故障树分析法，构建电动汽车充电过程多级设备故障树；根据故障树，获取故障征兆集、故障原因集；运用模糊数学诊断法，分析故障征兆集、故障原因集模糊相关性；构建电动汽车充电过程神经网络故障诊断模型；将实际故障数据输入神经网络故障诊断模型，获得故障诊断结果。本发明可提高电动汽车充电过程中故障诊断的精度，确保电动车充电安全。

Description

一种基于神经网络的电动汽车充电过程多级设备故障诊断方 法及***

技术领域

本发明涉及电动汽车技术领域，具体涉及一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及***。

背景技术

电动汽车作为新能源汽车的主要发展方向之一，越来越受到人们的重视，随着电动汽车保有量不断增加，电动汽车安全事故逐年增加，尤其是充电过程中产生的安全问题严重制约新能源汽车行业的蓬勃发展。目前，电动汽车充放电故障诊断及安全运维服务体系尚不完善，故障定位及预警等级评价精度欠缺，充放电过程故障智能诊断及安全预警技术研究深度不够。

当前业界的很多工作都聚焦于电池本身的安全研究，尚未见到在动力电池、充电设备充电安全方面进行开展研究，也没有形成有效的充电安全预警体系。

发明内容

发明目的：本发明的目的是提供一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及***，提高故障定位精准度，形成动力电池、充电设备充电安全预警，保障电动汽车充电安全。

为解决上述技术问题，本发明了提供一种基于神经网络的电动汽车充电过程多级设备故障诊断方法，包括以下步骤：

获取统计历史故障数据；分析历史故障数据，运用故障树分析法，构建电动汽车充电过程多级设备故障树；根据故障树，获取故障征兆集、故障原因集；运用模糊数学诊断法，分析故障征兆集、故障原因集模糊相关性；构建电动汽车充电过程神经网络故障诊断模型；将实际故障数据输入神经网络故障诊断模型，获得故障诊断结果。

可选的，所述电动汽车充电过程多级设备故障树的构建包括以下步骤：

确定电动汽车充电过程多级设备故障树的顶事件；

从顶事件开始，向下逐层分解确定相应次级事件，直至底事件全部被确定，其中所述次级事件是通过分析顶事件的原因进行寻找获得的；

根据故障分类以及发生顶事件的原因，分析得出顶事件与底事件之间的关系。

可选的，所述故障征兆集表示为：

M＝{m₁,m₂,m₃,...,m_n} (1)

其中m_i(i＝1,2,3…,n)表示故障发生征兆；

所述故障原因集表示为：

X＝{x₁,x₂,x₃,...,x_k} (2)

其中x_i(i＝1,2,3…,k)表示故障发生原因。

可选的，所述故障模糊相关性分析过程为：通过隶属度函数和模糊矩阵理论，对所述故障征兆集和故障原因集中一个故障征兆对应多种故障原因的情况，进行处理，寻找故障原因。

可选的，所述电动汽车充电过程神经网络故障诊断模型的构建包括以下步骤：

获取bp神经网络模型；

将模糊相关性分析后得到的数据划分成训练集、测试集；

利用训练集对bp神经网络模型进行训练；

将测试集数据输入训练后的bp神经网络中进行测试，直至模型训练符合要求。

可选的，所述bp神经网络模型的输入层神经元个数为23个、隐藏层神经元个数为138个、输出层神经元个数为23个。

可选的，所述bp神经网络模型的训练，权值初始值设定为[-1,1]之间的随机数，初始阈值设定为0，学习速率设定为0.8。

一种基于神经网络的电动汽车充电过程多级设备故障诊断***，包括信息采集模块、信息处理模块和客户终端，所述信息处理模块信息处理采用上述任一项所述的方法。

与现有技术相比，本发明所达到的有益效果：本发明针对电动汽车充电过程中的安全问题，防止因充电故障所导致的损害，通过构建故障树模型提取故障特征，利用模糊相关性分析对提取的故障特征进行优化，然后建立基于bp神经网络的电动汽车充电过程神经网络故障诊断模型，再利用优化后的故障特征对神经网络进行训练，提高了故障诊断定位的精度，保障电动汽车充电过程中的安全。

附图说明

图1为根据本发明实施例的基于神经网络的电动汽车充电过程多级设备故障诊断流程图；

图2为根据本发明实施例的电动汽车充电过程多级设备故障诊断故障树；

图3为根据本发明实施例的模糊数学相关性分析模型构建流程图；

图4为根据本发明实施例的单个人工神经元模型；

图5为根据本发明实施例的BP神经网络结构模型；

图6为根据本发明实施例的BP神经网络训练过程图；

图7为根据本发明实施例的BP诊断结果与实际故障结果的对比图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例1

如图1所示，在一个实施例中，实现了一种基于神经网络的电动汽车充电过程多级设备故障诊断方法，主要步骤包括：获取统计历史故障数据；分析历史故障数据，运用故障树分析法，构建电动汽车充电过程多级设备故障树；根据故障树，获取故障征兆集、故障原因集；运用模糊数学诊断法，分析故障征兆集、故障原因集模糊相关性；构建电动汽车充电过程神经网络故障诊断模型；将实际故障数据输入神经网络故障诊断模型，获得故障诊断结果。

所述电动汽车充电过程多级设备故障树构建用于以故障树的分析方法对电动汽车动力电池和充电设施进行研究，理解电动汽车充电过程中故障现象与故障原因之间的逻辑关系，并为故障诊断奠定基础；

电动汽车充电过程多级设备故障树构建：

故障树主要由顶事件、中间事件、基本事件和未探明事件等部分组成，它们之间通过逻辑门以及转移符号进行相连，建立故障树的步骤主要分为七步，以下对这七步进行简要说明：

(1)熟悉***：将电动汽车充电过程中电动汽车、充电设备组成的多级设备看做一个***，时刻掌握多级设备在充电过程中各个设备状态的参数变化情况；

(2)调查事故：统计电动汽车充电历史中多级设备发生的故障事件，对多级设备产生故障的因果关系进行研究，概括总结***可能发生的故障；

(3)确定顶上事件：确立电动汽车充电过程中多级设备中所有发生故障的源头，也就是所有多级设备故障的父类事件；

(4)确定目标值：通过分析电动汽车充电过程中多级设备故障事件，通过统计学分析得到多级设备故障的发生概率值，并将其当做目标值；

(5)调查原因事件：调查分析造成电动汽车充电过程中多级设备出现事故的具体原因；

(6)画出故障树：以顶上事件为源头，把所有电动汽车充电过程中多级设备中故障事件以树状形式同时结合逻辑关系一步一步进行排列，最后排到需要分析的故障事件；

(7)分析：合并电动汽车充电过程中多级设备故障树中的相同类别的故障，使其组成一个根故障的子类，然后对多级设备故障树进行简化结构，最后还要确定每一个基本故障事件的重要程度；

建立电动汽车充电过程动力电池和充电设备的故障树，主要是为了分析故障诊断专家***中故障现象和故障原因之间的因果关系，由此构建出以电动汽车充电过程故障类为顶事件，各类具体故障原因为底事件的故障树，为实现故障智能诊断奠定基础。

通过对动力电池和充电设备的分析总结，结合故障树的分析方法，建立电动汽车充电过程多级设备故障诊断故障树，含有动力电池、充电设施两个一级故障源，每个一级故障源又含有二级甚至三级故障源和具体故障类型，且多级设备故障下面包括具体的故障类型，如过压、过流及过温等。基于此种研究方法，通过利用基本符号和故障树二叉树结构将各类多级设备故障表示出来，以更加直观的方式分析现象与原因之间的逻辑关系。电动汽车充电过程多级设备故障诊断故障树如图2所示，电动汽车充电过程多级设备故障诊断故障树事件及定义如表1所示。

表1多级设备故障诊断故障树事件及定义

所述电动汽车充电过程故障模糊相关性分析针对存在多种故障表征和故障原因交错的对应方式，借助模糊数学相关性分析方法进行模糊处理，通过隶属度函数和模糊矩阵等理论寻找故障原因，以此进一步增加诊断***的准确性；

电动汽车充电过程故障模糊相关性分析：

根据上文中的故障树可知，存在故障表征和多种故障原因交错的对应方式，针对这种情况，运用传统故障树的直接对应规则已经不能精确对故障进行诊断，需要借助模糊数学相关性分析方法进行模糊处理，通过隶属度函数和模糊矩阵等理论寻找故障原因，以此进一步增加诊断的准确性。

以上文建立的电动汽车充电过程中多级设备故障树为基础，首先建立动力电池与充电设备组成的故障征兆集，以及他们组成的故障原因集，其次通过集合之间的模糊运算建立故障特征模糊矩阵，选择合适的隶属度函数，然后进行知识模糊处理，其基本步骤可以表示为图3所示。

(1)动力电池与充电设备组成的一级故障征兆集

M＝{m₁,m₂,m₃,...,m_n} (1)

其中m_i(i＝1,2,3…,n)表示故障发生征兆。

(2)动力电池与充电设备组成的二级故障原因集

X＝{x₁,x₂,x₃,...,x_k} (2)

其中x_i(i＝1,2,3…,k)表示故障发生原因。

(3)权重系数分配

设V＝{v₁,v₂,v₃,...,v_n}表示模糊量化集，它对每一层、每一元素的量化都能进行表示。故障集中各元素相对V的权重系数集用A₁＝(a_i1,a_i2,...,a_im)来表示，且满足a_i1+a_i2+...+a_im＝1，a_im通过故障集中各元素的重要程度分配。那么，本文对于一级故障征兆元素集，根据专家建议对故障集中各元素的重要程度分配，将影响因素的模糊值在[0,1]量化为6级，分别为：黑(0～0.17)、红(0.17～0.34)、橙(0.34～0.51)、黄(0.51～0.68)、蓝(0.68～0.85)、绿(0.85～1)。

(4)建立故障特征模糊矩阵R

故障特征模糊矩阵R代表动力电池与充电设备组成的故障征兆集和故障原因集之间的模糊关系，实际上是将故障征兆与故障原因进行关联量化计算，若r_ij的数值越大，就表示征兆与原因之间的关联性越大，也即故障原因造成此故障征兆的概率越大，并结合专家经验打分法，对模型进行训练与迭代计算，制定满足实际需求的故障诊断模糊量化结果。

(5)构建模糊数学故障诊断综合决策矩阵S

其中，A代表故障权重，a_i代表量化后某类故障的权重，S代表故障诊断综合决策结果，s_i代表某类故障的综合决策结果。

通过上文建立的故障树可知，本文所总结的故障征兆为27个，故障原因为46个，选取部分故障征兆与原因进行关联量化展示，如表2所示。

表2故障征兆与故障原因关联量化模糊值

所述电动汽车充电过程神经网络故障诊断模型建立依据故障相关性分析后的结果对多级设备故障进行学习诊断，以此增加故障诊断的准确性。

电动汽车充电过程神经网络故障诊断模型建立：

前文已经通过模糊数学进行综合相关性分析，但是由于其中涉及了专家经验法，具有一定的主观性，为了使诊断的结果更加客观准确，通过神经网络模型对电动汽车充电过程中的故障样本数据进行训练学习。

1.电动汽车充电过程神经网络模型构建

单个的神经元是组成电动汽车充电过程中神经网络模型的最基本成分，其单个神经元结构模型如图4所示：

图4中，X₁-X_n是表示神经元i关于电动汽车充电过程多级设备故障信息的输入信号；w_ij表示关于电动汽车充电过程多级设备的从神经元j到神经元i之间的权值；θ表示与电动汽车充电过程多级设备相关的一个阈值。以这两个值为依据，将此神经元i的输出表示为：

上式中：y_i代表神经元i的输出；net_i称为净激活；f是net_i与y_i的对应法测，叫做激活函数。如果把阈值θ看成是权值w_i0，即从神经元0到神经元i，则公式(5)和公式(6)可以简化为：

y_i＝f(net_i) (8)

其中：如果神经元受到刺激，则net表示为正；反之net表示为负。

图5所示的动力电池与充电设备组成的多级设备故障诊断神经元模型，通过“阈值加权值和”，也可以将其叫做电动汽车充电过程中多级设备故障诊断神经网络的一个处理单元。

这里选取动力电池与充电设备组成的一级故障征兆集M＝{m₃,m₄,m₅,...,m₂₅}作为BP神经网络结构模型数据输入，根据专家经验，将每一个主对角向量值设置为0.8，m3到m25为输入向量，则一共有23个向量表达式，输入层神经元为23个。其中隐含层分为三部分，包含模糊化层、规则层以及反模糊化层，并依据模糊数学诊断模型计算出的模糊量化值作为模糊化层的输入，与输入层的神经元个数相同，都是23个。根据前文的模糊数学诊断模型，将影响因素的模糊值在[0,1]量化为6级，分别为：黑(0～0.17)、红(0.17～0.34)、橙(0.34～0.51)、黄(0.51～0.68)、蓝(0.68～0.85)、绿(0.85～1)，则规则层的神经元个数为23*6＝138个。反模糊化层能够将输入变量的模糊量化值转化为输出变量的模糊量化值，因此要寻找神经网络收敛速度最快的节点数量，经过多次实验，得到神经元节点为为750时，收敛速度最快，因此将其神经元设定为750个。输出层的神经元数量与输出向量数量保持一致，因此设定为23个。将BP神经网络的每一层的连接权值初始值设定为[-1,1]之间的随机数，初始阈值设定为0，学习速率设定为0.8。

2.制定神经网络学习方法

(1)BP网络的自学习模型为：

ΔW_ij(n+1)＝h×Φ_i×O_j+a×ΔW_ij(n) (9)

上式中，学习因子用h表示；输出节点i和输出节点j的计算误差分别用Φ_i和O_j表示；动量因子用字母a表示。

针对电动汽车充电数据有故障标签的数据，进行有师学习，采用权值修正的方式进行学习，针对电动汽车充电数据无故障标签的数据，进行无师学习方式，采用Hebb学习规则进行学习，通过竞争等方式自动调整神经网络的参数的学习方式，找出输入信号数据的统计规律并进行记忆，当这类信号数据第二次出现时就能进行识别。

(2)权值修正学习规则

图5所示为BP网络结构模型，其中：

输入层的第j个节点的输入用x_j表示，其中j＝1，…，M；将W_ij表示隐含层节点i到输入层第j个节点之间相连的权值；θ_i表示隐含层的第i个节点的阈值；隐含层激励函数φ_x用来表示；将W_ki表示从输出层的节点k到隐含层的节点i之间相连的权值，其中i＝1，…，q；a_k表示输出层的第k个节点的阈值，k＝1，…，L；输出层的激励函数用ψ(x)表示；输出层的节点k的输出为O_k。

①信号正向传播

对于电动汽车充电数据有故障标签的一级故障征兆数据，在进行数据训练时，首先进行正向权值修正。

net_i表示隐含层的节点i的输入：

y_i表示隐含层的节点i的输出：

输出层第k个节点的输出O_k：

②误差的反向传输

在对电动汽车故障数据进行正向权值修订后，计算输出值与期望值之间的误差，然后对误差的反向传输进行计算，通过这样对各层之间的权值和神经元的阈值进行调节，通常运用误差梯度下降法进行调节。通过反复调节对比，一直到最终输出几乎接近期望输出值。

对于故障征兆集M组成的样本集合p，可以将二次型误差准则函数表示为如下公式所示：

当电动汽车充电过程中多级设备故障集训练样本有P个时，那么将该神经网络的总误差准则函数表示为下式所示：

通过误差梯度下降法对电动汽车充电过程中建立的多级设备神经网络中的各层神经元之间的权值和单个神经元的阈值进行反复修正，包括：

输出层的权值修正量Δw_ki；

隐含层的权值修正量Δw_ki；

输出层的阈值修正量Δa_k；

隐含层的阈值修正量θ_i；

输出层的权值调整公式：

输出层的阈值调整公式：

隐含层的权值调整公式：

隐含层的阈值调整公式：

又因为：

所以最后得到以下公式：

3.输入数据进行训练

选取150组上述模糊相关性分析后得到的数据，其中24组数据作为测试数据，126组数据作为训练数据。训练数据中有76组正常数据，35组数据为动力电池故障，15组数据为充电设备故障。图6表示它的训练流程图，其中N表示最大迭代次数，P表示样本数。

对电动汽车充电过程中历史故障数据的统计，得出关于这15组测试数据的实际故障结果，其中1代表故障状态，0代表无故障状态，这里仅选取8种故障类型的数据，用M3～M10来进行表示，其中每种故障类别分别选取三组数据，并按照顺序将其排列整齐，具体结果如表3所示，通过模型输出的结果如表4所示。

表3 15组测试数据的实际故障结果

表4 15组测试数据的模型故障诊断结果

为了更加清晰的对诊断结果进行展示，图7表示诊断结果与实际故障结果的对比图。从图中可以看出该模型出现诊断错误的情况为3组，分别为故障类别3，故障类别4，故障类别7。实际故障类别3为电池过温故障，但是BP神经网络将其诊断为故障类别1，是由于锂离子电池高温导致其发生热失控，进一步导致其SOC异常降低，从而致使模型将其判断为SOC异常故障，这是由于锂离子的固有特性导致的。实际故障类别4为自燃故障，但是模型诊断结果将其判断为SOC异常故障，是由于电池发生电弧故障，导致内部短路，进一步导致电池充电异常，进而发生SOC异常，这是由于锂离子电池的充电特性导致的。故障类别3和故障类别4的判断错误都是由于锂离子电池的固有特性导致的，可以通过大量的数据训练尽量减少这样的误差。实际故障类别7为电气故障，但是模型诊断结果将其判断为故障类别8，是由于充电设备发生过压进而导致其温度过高，最终导致其发生局部灼烧，模型就将其判断为机械故障，这是由于在数据统计过程中数据量相对比较少，统计的专家经验不足导致会有微小的误差，但是其余各组数据均与实际故障结果判断相同，所以故障识别率为87.5％，进而可以说明诊断结果与实际故障结果大致保持相同，而且诊断速度也比较快，因此证明了本方法的有效性与准确性。

实施例2

本发明的另一实施例，包括信息采集模块、信息处理模块和客户终端，其特征在于，所述信息处理模块信息处理采用上述实施例1所述的方法。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种基于神经网络的电动汽车充电过程多级设备故障诊断方法，其特征在于，所述方法包括以下步骤，

获取统计历史故障数据；

分析历史故障数据，运用故障树分析法，构建电动汽车充电过程多级设备故障树；

根据故障树，获取故障征兆集、故障原因集；

运用模糊数学诊断法，分析故障征兆集、故障原因集模糊相关性；

构建电动汽车充电过程神经网络故障诊断模型；

将实际故障数据输入神经网络故障诊断模型，获得故障诊断结果。

2.根据权利要求1所述的基于神经网络的电动汽车充电过程多级设备故障诊断方法，其特征在于，

所述电动汽车充电过程多级设备故障树的构建包括以下步骤：

确定电动汽车充电过程多级设备故障树的顶事件；

从顶事件开始，向下逐层分解确定相应次级事件，直至底事件全部被确定，其中所述次级事件是通过分析顶事件的原因进行寻找获得的；

根据故障分类以及发生顶事件的原因，分析得出顶事件与底事件之间的关系。

3.根据权利要求2所述的基于神经网络的电动汽车充电过程多级设备故障诊断方法，其特征在于，

所述故障征兆集表示为：

M＝{m₁,m₂,m₃,...,m_n} (1)

其中m_i(i＝1,2,3…,n)表示故障发生征兆；

所述故障原因集表示为：

X＝{x₁,x₂,x₃,...,x_k} (2)

其中x_i(i＝1,2,3…,k)表示故障发生原因。

4.根据权利要求1所述的基于神经网络的电动汽车充电过程多级设备故障诊断方法，其特征在于，

所述故障模糊相关性分析过程为：通过隶属度函数和模糊矩阵理论，对所述故障征兆集和故障原因集中一个故障征兆对应多种故障原因的情况，进行处理，寻找故障原因。

5.根据权利要求1所述的基于神经网络的电动汽车充电过程多级设备故障诊断方法，其特征在于，

所述电动汽车充电过程神经网络故障诊断模型的构建包括以下步骤：

获取bp神经网络模型；

将模糊相关性分析后得到的数据划分成训练集、测试集；

利用训练集对bp神经网络模型进行训练；

将测试集数据输入训练后的bp神经网络中进行测试，直至模型训练符合要求。

6.根据权利要求5所述的基于神经网络的电动汽车充电过程多级设备故障诊断方法，其特征在于，

所述bp神经网络模型的输入层神经元个数为23个、隐藏层神经元个数为138个、输出层神经元个数为23个。

7.根据权利要求5所述的基于神经网络的电动汽车充电过程多级设备故障诊断方法，其特征在于，

所述bp神经网络模型的训练，权值初始值设定为[-1,1]之间的随机数，初始阈值设定为0，学习速率设定为0.8。

8.一种基于神经网络的电动汽车充电过程多级设备故障诊断***，包括信息采集模块、信息处理模块和客户终端，其特征在于，

所述信息处理模块信息处理采用权利要求1-7任一项所述的方法。

Images