电动汽车动力电池系统故障诊断研究

摘要：利用 FMEA 经典知识对电池系统的失效模式进行分析，并对系统总体方案进行设计，最后详述了 GA-SVM 电池系统故障诊断算法，并采用「一对一」和「一对多」两种多分类算法进行对比验证。结果表明：电池系统故障得到准确判断及定位，故障识别率分别达到 100% 和 90%。

关键词：电池系统；失效模式；故障识别率

中图分类号：TB

文献标识码：A

doi：10.19311/j.cnki.16723198.2017.01.091

0 引言

随着全球性能源短缺和对环保意识的不断提高，纯电动汽车已成为未来汽车产业的重要发展趋势。电池系统作为电动汽车的核心部件更是得到了广泛的关注与研究。

电池系统性能好坏直接影响着整车安全性和可靠性。由于动力电池组在运行过程中状态参数不能实时被监控和故障提醒，易出现过充、过放、高温及电压一致性差等问题，为了提高电池系统的性能，自诊断设计显得尤为重要。

本文基于 FMEA 对电池系统失效模式分析的基础上设计电池管理系统的故障自诊断策略；进行基于支持向量机（SVM）的电池系统故障识别算法的设计，并加入遗传算法（GA）进行参数的自适应寻优提高故障的识别率。

1 系统失效分析

根据电池系统特点并结合 FMEA 中经典理论来对其运行过程中失效模式进行分析，重点是对电池运行过程中可能出现的各故障状态进行分析，包括电池工作中的过充、过放、高温以及单体电池电压间不一致现象；电池系统中的硬件电路的故障分析，包括电流传感器、温度传感器、执行器和控制器本身的故障。分析结果如表 1 所示。

2 动力电池系统故障诊断总体方案设计

动力电池系统技术还不是很成熟，经常会出现各种各样的故障。现阶段在故障诊断技术研究的基础上，结合动力电池系统特点，采用典型特征数据的离线训练仿真并进行在线算法验证的方式对电池系统故障诊断进行设计。具体设计方案如图 1 所示。

如图 2 所示，基于支持向量机的故障诊断分为四步：

（1）电池数据：通过 BMS 对电池的各种参数特征信号进行实时采集，比如电池电压、电流、温度等。

（2）数据处理：通过[0，1]归一化对筛选的故障特征数据进行处理，构造出训练和测试样本集。

（3）经典 SVM 分类：有常规的两部分组成，其中训练 SVM 是对学习样本数据进行训练，得到训练模型；预测数据是将测试集数据样本输入训练好的模型进行模式识别分类，得到预测结果。

（4）结论：得出分类的准确率。

3.2 电池系统故障诊断

3.2.1 样本数据

采用电池系统 5 类故障进行分类：1 总电压；2 模块电压；3 模块温度；4 环境温度；5 充放电电流。加入正常数据共 6 类数据，每种 10 个样本为训练样本，共 60 个数据集，并进行归一化处理。

3.2.2 多故障分类器

将 60 个数据作为训练样本，分类器采用高斯径向基核函数，采用「一对一」、「一对多」两种多分类算法。「一对一」分类：将两种状态各 10 个样本作为分类器的两端输入，分别标识为 +1 和-1，对应 6 种状态共建立 15 个两类分类器；「一对多」分类：将一种状态的 10 个样本和其余 5 种状态的 50 个样本作为分类器的两端输入，分别标识为 +1 和-1，对应 6 种工作状态共建立 6 个两类分类器。

3.2.3 基于 GA 实现 SVM 参数自适应优化

考虑到目前 SVM 的参数选择仍然采用实验试凑法，很难获取到最优参数，本文利用 GA 对 SVM 的参数进行自适应寻优，对 SVM 的参数 C、g 进行寻优，具体流程如图 3 所示。

3.2.4 结果分析

首先对 30 个测试样本进行「一对一」分类算法的验证，共进行 20 次的参数寻优，并分别对寻优的参数进行 SVM 训练。在保证高分类率的基础上选取具有最小参数 C 的一组值进行验证。具体分类结果如图 4 所示。

4 结论

基于 GA-SVM 的铅酸动力电池系统故障诊断的应用将对车用电池管理系统的稳定性、安全性及经济适用性带来保障，可以有效的减轻动力电池系统故障对电动汽车正常运行的影响，从而提高整车的安全性能，对电池系统的进一步维护和开发具有很大的作用和实际意义。

参考文献

[1]胡蓓.镍氢电池前景可期[J].中国金属通报，2010，（2）：1819.

[2]张剑波，卢兰光，李哲等.车用动力电池系统的关键技术与学科前沿[J].汽车安全与节能学报，2012，3（2）：87104.

[3]Stamatis，D.H.着，陈晓彤，姚绍华译.故障模式与失效分析：FEMA 从理论到实践[M].北京：国防工业出版社，2005.

作者 张骞　郭昊　谢文龙