神經網絡信號對故障電池檢測方法深度分析

孫潔 1，2，劉夢 1，劉曉悅 1，孫曄 3，張瑞新 2

（1.華北理工大學電氣工程學院，河北唐山 063200；2.唐山睿澤爾科技有限公司，河北唐山 063200；

3.北京電信規劃設計院有限公司，北京 100048）

摘??要：通常對電動汽車電池故障信號檢測的研究，通過對電池性能的相關預測與研究為電池使用壽命的延長、汽車動力性能的增強以及安全性能的增大提供了技術上的支持。文中從電池的相關結構原理以及技術構成入手，提出了鋰電池故障信號檢測研究的具體方法設計，依托長短時記憶（LSTM）神經網絡信號對故障電池檢測方法進行深度分析研究，對電池故障分析構建具體算法與模型，有效地對電池的容量偏低故障、電壓電流故障以及電池內阻偏大等故障進行輸出檢測，多次實驗驗證其檢測方法的有效性，以便于提高電池整體的應用性能，為后期電池優化改進提供了實驗基礎。

中圖分類號：TN911.23?34；TP301.6? ?文獻標識碼：A

文章編號：1004?373X（2022）03?0073?05

0 引言

汽車行業一直以來主要以燃油動力車為主要車型，但隨著人們環保意識的增強，越來越多的新能源電動汽車出現在市面，深受廣大市民的熱捧，無論是速度還是動力方面都與燃油汽車毫無差別，唯一不足的就是其續航問題。由于是靠電池提供動力[1]，因此電池的性能好壞決定著電動汽車的質量優劣，電池故障與使用壽命的長短決定著電動汽車是否能夠擁有良好的整車性能和優越的安全性能[2]。

作為汽車的動力核心，電池起著重要作用。在日常使用中，會出現一些電池故障問題，出現頻率最高的問題是電池的漏電現象。電池故障可以分為兩種，分別為電池滿電故障和內部線路問題[3?4]。對于滿電故障，表現為隨著放置天數的增長，電池自身的耗電量會呈故障非線性走勢；對于線路連接的情況，表現為電池本身沒有故障，但是隨著汽車公里數的增加，電池的電量就會急劇減小，產生漏電現象，導致整個電池的供電不足，影響車輛的使用[5]。

針對以上分析，本文主要以鋰電池組為研究對象，通過LSTM神經網絡以及深度學習等科學方法對鋰電池的故障信號進行相關的檢測與研究。對LSTM神經網絡設計的結構、規模、計算速率以及輸出參數等進行介紹，構建檢測基本模型；對電池故障檢測流程進行設計，得到具體檢測指標；利用深度算法分析建立相關數學模型并對實驗數據進行仿真模擬分析，得出影響電池故障的主要因素，從而對電池的合理優化提供數據支撐，有利于提高鋰電池的使用效能，為綠色出行以及安全出行提供科研基礎。

1 電池故障信號檢測技術模型建立

本文主要以 LSTM 神經網絡算法智能技術為依托，對電池的故障診斷分析做出系統性的研究，主要研究結構分為兩個步驟：第一步，對目前市面上存在的鋰電池進行數據采集，對出現的故障信號數據進行相應的分析；第二步，通過神經網絡算法對其進行相應的智能化訓練，最終得出實驗數據以及結果。通過對結果的相應分析做出判斷，讓實驗數據經過計算機神經網絡算法進行自我分析學習，從而找出問題所在，將影響電池正常運行的消極因素進行消除，提取該影響因素的相對特征值，然后對其進行歸一化處理，為電池故障信號的檢測做出數據整體化分析[6?8]，建立研究系統結構模型。電池故障分析診斷技術模型結構圖如圖 1所示。

2 電池故障信號檢測算法分析

考慮到使用一般的智能算法對電池故障的診斷分析有一些不穩定的因素[9]，如 RNN 神經網絡算法規模小、結構簡單、精度不夠、檢測能力相對低下，并且會產生梯度爆炸現象，極其不穩定；而LSTM神經網絡算法則利用門控制的思路對信號的輸入和輸出結果進行控制，其輸入的作用是控制前一時刻數據的輸入，而輸出則是對處理后的數據進行控制，所有的相關控制都受內部存儲信息的影響，利用Logistic和Sigmoid等函數對神經元進行計算，LSTM神經網絡模型的結構圖如圖2所示。

本文以LSTM神經網絡研究方法為技術依托，對電池故障診斷方法進行有效的設計[10]。此方法在對故障信號檢測過程中有著良好的記憶功能和相對時序功能，能夠對電池故障信號進行精準地檢測，對故障問題進行有效分類。構建Softmax函數算法體系，對輸出各個函數進行多層次的分級，其輸出向量的各級層次有別于系統的整體數量類別，研究中設(Mθ)x(i)為總的類別數，J為各個類別的輸入概率，總共輸出k維列向量，具體計算公式如下：

計算該算法公式的輸出結果為1，也就意味著該數據的輸入層節點總計60%，其輸出層的節點總數與輸入層基本上保持一致。最后再對該神經網絡系統算法的誤差值、初始值、偏置值、節點數等數據進行相關計算和處理，得出具體的診斷信息，從而做出總結研究。

該研究算法具體指標為[11?13]：

1）8層輸入節點層；

2）6層隱含數據層；

3）6層隱含節點層；

4）8層輸出節點層；

5）初始值隨機數分布：-0.6~0.6；

6）1500次迭代次數。

對電池信號的流動數據信息進行具體計算，在t時刻時數據開始進行輸入，通過具體算法對數據進行引導，對其進行系統激活，得到v(t)信息，同時通過t-1時刻的信號信息對輸入的信號進行控制，具體算法如下所示：

通過神經網絡算法的輸出結果對電池的故障診斷信號進行檢測，對其電池的正常容量、偏低容量、偏高容量等數據類型進行分類，然后對其內部的偏置電流、偏置電壓、神經網絡元輸入、神經網絡元輸出、內阻偏大、偏小等系列數據進行綜合分析，得出故障具體實驗數據[14?15]。當智能神經網絡中的神經元得到激活后，對其進行算法處理，具體實現公式為：

選用 LSTM 神經網絡算法對電池輸入層的時序數據進行分割計算，得到相應的計算數據，再對其進行輸出結果的測試以及驗證。其最后時刻的輸出值 l( t )的具體算法為：

得出最終的輸出結果為：

算法的輸出結果表示，當函數的曲率 σ 從負無窮大一直增大，持續增大到 0 時，該斜率最大，繼續保持遞減態勢，由此可以得出對于神經網絡的神經元敏感度的具體表現形式，從而得出電池故障相關檢測值對整個電池性能的影響程度。

3 電池故障信號檢測結果分析

實驗電池組中的電池單元是不完全一樣的，隨著制造過程中的變化工藝，使用中的熱條件、平衡狀態等差異，會影響電池產生不同的內阻，不同的阻值變化會導致電池電壓和內阻的差異，從而導致電壓波動產生不同的振幅。如果對電池單元的電壓輸出進行簡單比較，就會使得這些電壓差很容易超過預設的閾值，因此這個簡單的比較不符合實際應用。當電壓輸入的偏移量加到任何一個變量上時，它被減去其中的平均值，所以導致其輸出電壓的相關系數測量信號呈現不確定的狀態，波形輸出如圖3所示。

如圖3所示，輸出曲線的趨勢是相互匹配的形狀，用檢測電壓與實際電壓在不同時間上進行比對分析，得出檢測電壓處于平衡穩定的狀態趨勢，而實際電壓的偏離值則偏大，因此得出電池的實際電壓有明顯的不穩定趨勢。對于此數據是整體性的分析，而不是精確的數據，顯示出電池電壓的不穩定特性，這種特性就是處理鋰離子電池不一致性的理想特性。不平衡的電池會表現出不同的輸出波形，不同的電池老化程度也會表現出不同的內阻，因而導致其輸出不同的電壓。如圖4所示，為檢測電壓與2組不同的電壓值的比對，其在檢測中間時刻出現了電壓瞬間降低又恢復穩定的趨勢，此現象可能是電池內部電流瞬間過大導致的。

電池內部的溫度在不同運行時間下表現出來的特性如圖5所示。結果表明，電池溫度在運行80 s之內，溫度表現為先趨于穩定趨勢，然后出現上升趨勢，部分電池組溫度會瞬間增高，最后趨于穩定。

由實驗數據發現，測試不同電池的實際測量值比平均值低22 mV 左右，這種差異可能導致電池系統出現錯誤的檢測，即是否采用電壓差閾值法，當基于神經網絡模型的方法應用于電壓跟蹤時均會導致錯誤檢測。如果對電池電壓的系數進行相關性計算，那么就可以得出不同的電池故障對系統產生不同的精準度，因為電池的靜態偏移不會影響其相關性系數的變化，也就消除了內阻的差異性，其相關系數也會因此產生波動幅度的變化，且不同溫度下，電池的相關情況也不同。因此，在理想的情況下，兩個串聯電池電壓的相關系數應接近相關故障系數。基于此種假設方法，做出系統故障檢測準確性的對比結果圖，如圖6所示。

通過電池檢測系統性能的對比，可以發現故障電池的系統性能會隨著時間的增加逐步趨向于一個較為穩定的趨勢。電壓閾值法是目前應用最廣泛的電池故障檢測方法，是最簡單的一個系統故障檢測模型，僅需要考慮系統的安全運行范圍，不需要知道輸入信息就可以很容易地實現，但是其缺點就是當電壓在安全范圍內時電池仍然可能存在故障。通過對輸入的考慮，可以進行改進，從而產生基于模型的故障診斷方法。這些方法能夠區分當電壓在安全范圍內的故障情況，但權衡的是在保持不同情況下的電池型號，當基于檢測模型的方法應用于電壓跟蹤時，只有一個單元也會導致錯誤檢測，而其結果與相關電池單元之間的相對系數有明顯的聯系。如圖7所示為電壓閾值法在不同時間下的電池檢測相關系數情況。

通過對4組電池樣本進行相關檢測，結果如圖 7 所示?？梢钥闯銮皟烧叩南嚓P系數在實驗中相對接近1，此結果表明這三組電池單元在整個過程中遵循相同的故障情況。而 r3 和r4號相關系數則在40 s左右出現突降的現象，意味著故障是突然發生的，故障原因就是電壓下降而導致的。由檢測結果可以確定故障位置為4號電池，因為在r（3，4）和r（4，1）中都捕捉到了相同的下降。在圖中標記閾值為0.5以標記短路電路的故障，電壓降記錄在42.5 s，而相關系數在42.5 s標記故障的原因是電壓變化比正常值大得多，因此就導致了電壓波動，而一旦捕捉到電壓降，就會導致相關系數大幅下降。這表明所提出的故障檢測方法在實際中能夠得到快速的響應。對于一般情況下的故障檢測方法主要利用對相似性的相關系數進行測量，從而確定電池的故障信息。在極端情況下，當整個電池處于外部短路狀態時，其相關系數接近1，因為電壓故障發生的趨勢不同而導致相關系數不同。但是，當多個外部短路同時發生時故障就很容易發生。此外，內部短路實際上不是同時發生的，其與電池的內部狀態有很大聯系。

對于電池的故障信號，除上述所示電壓相關系數等對其產生的影響之外，還包括一些情況比較特殊的故障原因，如電池內阻的短路也會不同程度地導致電池產生一定的故障，利用不同的電池電壓相關系數確定低電阻短路故障的發生。該方法主要是通過計算電池變化電壓的相關系數進行推斷的，其表明電池內部短路電壓的驟降或低電阻短路都會對電池產生影響。不同狀態下模擬故障電阻的變化趨勢如圖8所示。

在電池故障信號仿真中，短路電阻感應故障的檢測采用電阻相關系數進行分析檢測，相關系數可以衡量兩個電阻信號的相似性，可以推斷當電池在數據窗口內時，由于故障導致的下降持續時間更長的電阻測量值的相似性將會進一步降低，而當對電壓降中的多個樣本進行捕獲時，可以觀察到數據窗口內的批量電壓數據在短路的初始階段的值表現情況較為一致。

4 結語

對于基于人工智能的鋰電池故障信號檢測的研究，本文主要以電池的故障分析為切入點，介紹了主要的電池故障和發生故障的系列原因，從而對電池故障進行分析研究，指出了LSTM神經網絡算法以及深度學習算法對電池故障的影響。通過對電池相關故障信息的采集以及對其屬性等方面的介紹，提出電池故障信號的相關檢測方法；通過對電池相關特性的提取，進行電池故障信號的故障頻譜分析及故障模式診斷。對于一般的電池故障主要集中表現在電壓電流故障、內部瞬時內阻突增以及運行時間過長等明顯故障。通過不同實驗組對輸出電壓的相關模擬分析，電池組不同組別電壓測量值與實際值的對比，以及電池運行時間對溫度的影響等結果分析中得出，LSTM神經網絡算法在故障電池檢測中具有高準確率以及普遍適用性。

注：本文通訊作者為劉夢。

參考文獻

[1] 李相敏，康壯 . 基于雙交叉耦合電容反饋的超低功耗高線性LNA[J].中國電子科學研究院學報，2018，13（3）：326?330.

[2] 楊坤，楊林，施一新，等 .電動汽車動力電池組單點絕緣故障定位方法[J].汽車工程，2017，39（10）：1136?1140.

[3] 張偉 . 電動汽車電池的現狀及發展趨勢分析[J]. 南方農機，2019，50（6）：130.

[4] 孟慶武，趙宏偉，孫潤誠 .基于 BP 神經網絡算法的電池組故障診斷研究[J].自動化與儀器儀表，2017（11）：45?47.

[5] 賴嘯，劉勇，代艷霞，等 .橋式吊車系統的自適應神經網絡控制與學習[J].機械設計與制造，2018（6）：114?117.

[6] 趙保華.層次分析法和神經網絡的信息系統風險評估[J].微電子學與計算機，2015，32（10）：163?166.

[7] 古昂，張向文 .基于 RBF神經網絡的動力電池故障診斷系統研究[J].電源技術，2016，40（10）：1943?1945.

[8] 侯福平，藍郁峰 .通信用鉛酸蓄電池電氣短路故障及漏液隱患分析和檢測[J].電信技術，2016（6）：53?59.

[9] 陳維榮，劉嘉蔚，李奇，等 .質子交換膜燃料電池故障診斷方法綜述及展望[J].中國電機工程學報，2017，37（16）：4712?4721.

[10] 趙英寶，黃麗敏，劉慧賢 .基于深度學習的電力調度數據自動備份系統設計[J].現代電子技術，2020，43（20）：42?45.