基于模糊LSTM算法的锂动力电池故障诊断方法研究

作     者：李政昊 

作者单位：哈尔滨理工大学 

学位级别：硕士

导师姓名：李然

授予年度：2023年

学科分类：0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 082304[工学-载运工具运用工程] 0811[工学-控制科学与工程] 0823[工学-交通运输工程] 

主      题：锂动力电池 故障诊断 模糊LSTM 电池管理系统 

摘      要：随着社会对新能源发展愈加重视,电动汽车得到了大力推广。但是电动汽车起火以及燃爆等事故频发也暴露了其安全性方面的弊端,这成了制约电动汽车发展普及的技术瓶颈。电动汽车的安全性主要取决于车用电池系统的安全性,快速准确地对车用动力电池系统开展安全监控、故障诊断和故障提前报警对用户的安全至关重要。因此,精准可靠的故障识别和故障程度量化研究,已经成为了国内外学者的研究热点。本文对电动汽车发展现状及车用动力电池系统研究现状进行了调研,总结了车用锂动力电池常用的故障诊断方法及其相应的问题与难点。在锂电池容量、内阻、寿命老化、过充电和过放电等常规电性能和滥用实验的基础上,开展了锂电池故障模式、故障机理、故障诱因和故障影响等相关基础理论研究。利用失效模式与影响分析方法(FMEA),开展了锂电池潜在失效模式条件下的风险评估,并给出合理化使用决策。鉴于锂动力电池是强非线性系统并且其采样数据具有强时序性,提出了一种采用长短期记忆神经网络(LSTM)算法的锂电池故障诊断方法。同时考虑到噪声信号对关键故障信息干扰的影响,采用小波包降噪算法对采样数据进行了预处理。仿真结果表明,与支持向量机(SVM)及BP神经网络(BP)算法相比,LSTM算法具有较高的诊断能力和准确率。考虑到锂电池发生故障时故障类型往往并不单一,传统的LSTM算法无法实现多故障类型的准确识别,且难以衡量电池的故障程度。针对上述难点,提出了一种采用模糊规则改进LSTM算法的锂电池故障诊断方法。仿真结果表明,该方法可以实现准确的故障分类以及故障程度量化,同时改进模型更新速度快,可提高故障诊断速度,具有良好的实用性。搭建了电池管理系统(BMS)数据采集平台,在平台上开展了故障诊断实验研究,实现了锂电池故障类型预测及故障程度的量化。最后通过样品电池的风险评估分析,验证了本文算法的有效性和准确性。