基于模糊神經(jīng)網(wǎng)絡(luò)的船用鋰電池故障診斷的研究

陳曉彬，俞萬(wàn)能

（集美大學(xué)輪機(jī)工程學(xué)院，船舶與海洋工程福建省重點(diǎn)實(shí)驗(yàn)室，福建省廈門市 361021）

?

基于模糊神經(jīng)網(wǎng)絡(luò)的船用鋰電池故障診斷的研究

陳曉彬，俞萬(wàn)能

（集美大學(xué)輪機(jī)工程學(xué)院，船舶與海洋工程福建省重點(diǎn)實(shí)驗(yàn)室，福建省廈門市 361021）

摘 要：本文針對(duì)鋰電池組成的船舶儲(chǔ)能系統(tǒng)，分析鋰電池的故障模式和表現(xiàn)特征，建立基于模糊神經(jīng)網(wǎng)絡(luò)鋰電池組故障診斷模型，通過實(shí)驗(yàn)數(shù)據(jù)進(jìn)行模型訓(xùn)練并進(jìn)行仿真。仿真結(jié)果證明所提出的模型的正確性，實(shí)現(xiàn)鋰電池的故障預(yù)警，提高系統(tǒng)運(yùn)行穩(wěn)定性。

關(guān)鍵詞:MATLAB，故障診斷，模糊神經(jīng)網(wǎng)絡(luò)，鋰電池

0 引言

太陽(yáng)能和風(fēng)能等新能源在小型船舶上的應(yīng)用越來(lái)越普遍，比如景區(qū)湖泊和內(nèi)河等配備的游覽觀光船舶。由于景區(qū)行駛距離較短，對(duì)船舶續(xù)航能力等要求較低，但卻有低的噪音、環(huán)保、性能可靠等要求，因而合適用太陽(yáng)能作為能源。

景區(qū)在使用游覽觀光船舶時(shí)，由于船舶自身的工作人員技術(shù)經(jīng)驗(yàn)和力量的有限，往往在船舶故障監(jiān)測(cè)與診斷、維修決策等方面都存在問題。

因此，從船舶可靠性、維修性和經(jīng)濟(jì)性來(lái)考慮，如果能夠運(yùn)用當(dāng)今先進(jìn)的計(jì)算機(jī)和通訊技術(shù)對(duì)船舶進(jìn)行遠(yuǎn)程故障診斷，即把船舶上對(duì)安全影響非常重要的參數(shù)實(shí)時(shí)地傳到陸上故障診斷系統(tǒng),遠(yuǎn)程實(shí)時(shí)監(jiān)測(cè)船舶運(yùn)行狀態(tài)，實(shí)現(xiàn)對(duì)潛在故障的預(yù)測(cè)，并及時(shí)提供故障報(bào)警和診斷，這對(duì)保障船舶航行安全、提高維修效率、減少船舶維修費(fèi)用都有大的幫助。

模糊神經(jīng)網(wǎng)絡(luò)從20世紀(jì)80年代提出后，發(fā)展至今，不僅在理論研究上取得了進(jìn)展，也已開始應(yīng)用于工業(yè)生產(chǎn)和人們生活中的許多領(lǐng)域[1]。

它的優(yōu)點(diǎn)是將模糊理論與神經(jīng)網(wǎng)絡(luò)融合使用，實(shí)現(xiàn)了故障診斷中對(duì)不精確或不確定等模糊信息的處理，克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不能很好處理邊界分類模糊數(shù)據(jù)故障的誤診斷問題，同時(shí)也讓基于規(guī)則的結(jié)構(gòu)性知識(shí)能夠得到學(xué)習(xí)和調(diào)整[2-5]。因此，模糊神經(jīng)網(wǎng)絡(luò)在圖像的處理、模式的識(shí)別、工業(yè)的生產(chǎn)控制等各個(gè)領(lǐng)域取得了豐碩成果，其已用于人臉識(shí)別系統(tǒng)的研發(fā)、復(fù)雜操作要求機(jī)械設(shè)備的控制、機(jī)械故障的診斷等[6,7]。

1 船用鋰電池組系統(tǒng)分析

本文所研究的某景區(qū)太陽(yáng)能游覽船舶所使用電池為磷酸鐵鋰電池，每艘船上使用的鋰電池組共8箱，每箱鋰電池由30節(jié)鋰電池串聯(lián)并聯(lián)組成，單節(jié)鋰電池標(biāo)稱電壓3.2 V，容量100 Ah，每箱總電壓為48 V，容量200 Ah，充電終止電壓3.65 V，放電終止電壓2.8 V，最大充電電流200 A，最大放電電流200 A。

鋰電池組是太陽(yáng)能游覽船舶的重要組成部分，它供電給船上各種用電設(shè)備和船舶推進(jìn)電機(jī)，而它也是游覽船舶可能發(fā)生的故障的主要來(lái)源。因此對(duì)該鋰電池進(jìn)行分析研究，對(duì)診斷其可能發(fā)生的故障，是十分重要的。

根據(jù)該磷酸鐵鋰電池的相關(guān)技術(shù)參數(shù)和其使用環(huán)境，結(jié)合鋰電池故障分析的知識(shí)，對(duì)該船用鋰電池的故障進(jìn)行如下分析。

該鋰電池在工作中主要出現(xiàn)的故障癥狀有：電池放電電壓低（x1）、放電電壓下降快（x2）、充電電壓高（x3）、充電電壓上升快（x4）、充電電壓低（x5）、電壓遠(yuǎn)低于平均電壓（x6）、充電電壓上升慢（x7）、靜置時(shí)電壓下降快（x8）、充放電時(shí)電池溫度過高（x9）[8]。

結(jié)合實(shí)際現(xiàn)場(chǎng)診斷的經(jīng)驗(yàn)和歸納，該鋰電池在使用中實(shí)際出現(xiàn)故障的原因有：鋰電池容量變小、鋰電池內(nèi)阻過大、鋰電池充電不足、鋰電池自放電過大、鋰電池?fù)p壞、鋰電池接線連接異常。

各故障的癥狀和原因的關(guān)系分析如下：

1）當(dāng)充電時(shí)電壓過高、上升過快，放電時(shí)電壓過低、下降過快時(shí)，則故障原因是鋰電池容量變??；

2）當(dāng)充電時(shí)電壓過高，放電時(shí)電壓過低，則故障原因是鋰電池內(nèi)阻過大；

3）當(dāng)放電時(shí)電壓過低、下降過快時(shí)，充電時(shí)電壓過低，則故障原因是鋰電池充電不足；

4）當(dāng)放電時(shí)電壓下降過快，電壓遠(yuǎn)低于平均電壓，則故障原因是鋰電池?fù)p壞；

5）當(dāng)充電時(shí)電壓上升過慢，放電時(shí)電壓下降過快，靜置時(shí)電壓下降過快，則故障原因是鋰電池自放電過大；

6）當(dāng)充電時(shí)電壓過高，充放電時(shí)，電池溫度過高，則故障原因是鋰電池接線連接異常。

2 船用鋰電池的模糊神經(jīng)網(wǎng)絡(luò)故障診斷模型

根據(jù)上文對(duì)該鋰電池系統(tǒng)的分析，首先對(duì)故障征兆和故障原因分別進(jìn)行模糊化處理，從而使神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本更精確；然后建立神經(jīng)網(wǎng)絡(luò)，根據(jù)模糊規(guī)則，進(jìn)行故障原因的學(xué)習(xí)訓(xùn)練，得出模糊化的故障原因數(shù)據(jù)；最后將輸出結(jié)果經(jīng)反模糊化處理，輸出最終的診斷結(jié)果。其結(jié)構(gòu)圖如圖1所示：

圖1 診斷模型的結(jié)構(gòu)圖

2.1模糊化處理

結(jié)合對(duì)該鋰電池的試驗(yàn)和診斷方面的實(shí)踐，將各故障癥狀作為輸入變量，并進(jìn)行模糊化處理，根據(jù)實(shí)際測(cè)試和專家經(jīng)驗(yàn)，做出各故障癥狀的隸屬度分布如下：

“電池放電電壓低”＝1/＜50%+0.8/＜30%+ 0.5/＜15%+0.3/＜10%+0/正常；

“電池放電電壓下降快”=1/＞30%+0.8/＞20%+ 0.5/＞10%+0.3/＞5%+0/正常；

“電池充電電壓高”＝1/＞50%+0.8/＞30%+ 0.5/＞15%+0.3/＞10%+0/正常；

“電池充電電壓上升快”=1/＞30%+0.8/＞20%+ 0.5/＞10%+0.3/＞5%+0/正常；

“電池充電電壓低”＝1/＜50%+0.8/＜30%+ 0.5/＜15%+0.3/＜10%+0/正常；

“電池電壓遠(yuǎn)低于平均電壓”=1/＜1.2V+0.8/＜1V+0.5/＜0.8V+0.3/＜0.5V+0/正常；

“電池充電電壓上升慢”=1/＜30%+0.8/＜20%+ 0.5/＜10%+0.3/＜5%+0/正常；

“電池靜置電壓下降快”=1/＞30%+0.8/＞20%+ 0.5/＞10%+0.3/＞5%+0/正常；

“電池溫度過高”=1/＞62℃+0.8/＞60℃+ 0.5/＞58℃+0.3/＞56℃+0/正常。

結(jié)合實(shí)際和試驗(yàn)結(jié)果，對(duì)故障原因的故障模糊范疇進(jìn)行描述，故障存在的程度可以按如下化分：故障不存在、不太可能存在、不確定是否存在、可能存在、故障存在，對(duì)應(yīng)的隸屬度化分如下：0-0.2、0.2-0.4、0.4-0.6、0.6-0.8、0.8-1。

2.2數(shù)據(jù)獲取和樣本采集

針對(duì)設(shè)計(jì)的對(duì)象，是使用于市區(qū)內(nèi)湖的太陽(yáng)能游覽觀光船舶，因此在數(shù)據(jù)獲取，應(yīng)根據(jù)這些實(shí)際情況和特點(diǎn)進(jìn)行針對(duì)性的設(shè)計(jì)。

該船舶上采用的是PLC控制系統(tǒng)，船舶所處地域移動(dòng)網(wǎng)絡(luò)信號(hào)覆蓋完好，且因傳遞的數(shù)據(jù)量不大，故選用基于GPRS的DTU設(shè)備，通過RS232接口實(shí)現(xiàn)DTU與船舶上的PLC控制系統(tǒng)數(shù)據(jù)傳遞。然后由DTU將鋰電池各參數(shù)的實(shí)時(shí)數(shù)據(jù)通過GPRS網(wǎng)絡(luò)傳遞到Internet網(wǎng)絡(luò)，最后由計(jì)算機(jī)上的故障診斷終端軟件進(jìn)行接收處理[9]。

根據(jù)專家經(jīng)驗(yàn)和試驗(yàn)歸納，得到如表1和表2所示的故障征兆與故障原因?qū)?yīng)關(guān)系的模糊規(guī)則庫(kù)，表中的數(shù)據(jù)即模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。

表1 鋰電池的故障征兆

2.3模糊神經(jīng)網(wǎng)絡(luò)的建立和訓(xùn)練

模糊神經(jīng)網(wǎng)絡(luò)的建立和普通神經(jīng)網(wǎng)絡(luò)的建立是相同的，都是通過對(duì)訓(xùn)練樣本的學(xué)習(xí)，調(diào)整輸入層和輸出層之間的權(quán)值，最后得到逼近樣本所確定的函數(shù)。

神經(jīng)網(wǎng)絡(luò)按拓?fù)浣Y(jié)構(gòu)和學(xué)習(xí)算法，可分為以下四大類型：前饋網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、競(jìng)爭(zhēng)網(wǎng)絡(luò)和隨機(jī)網(wǎng)絡(luò)。本文選用的BP網(wǎng)絡(luò)屬于前饋網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是De.E.Rumelhart和J.L.McClelland提出的一種利用誤差反向傳播訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)[10]。在進(jìn)行 BP 網(wǎng)絡(luò)的設(shè)計(jì)時(shí)，一般應(yīng)從網(wǎng)絡(luò)的層數(shù)、每層中的神經(jīng)元個(gè)數(shù)以及傳遞函數(shù)等幾個(gè)方面來(lái)進(jìn)行考慮。

表2 鋰電池的故障原因

根據(jù)上文表中的訓(xùn)練樣本，利用MATLAB中的Neural Network Toolbox(神經(jīng)網(wǎng)絡(luò)工具箱)，建立三層BP神經(jīng)網(wǎng)絡(luò)的進(jìn)行樣本訓(xùn)練。輸入層有9個(gè)輸入點(diǎn)，分別對(duì)應(yīng)故障征兆x1-x9，輸出層有6個(gè)節(jié)點(diǎn)，分別對(duì)應(yīng)故障原因y1-y6,設(shè)定訓(xùn)練的最大循環(huán)次數(shù)為1000次，學(xué)習(xí)速率為0.1,目標(biāo)誤差平方和指標(biāo)為0.0001，因?yàn)槟：壿嬰`屬度取值在[0，1]之間，所以輸出層傳遞函數(shù)選取S型對(duì)數(shù)函數(shù)（logsig），它將輸入的范圍從（-∞，+∞）映射至（0，1），可與模糊邏輯很好的對(duì)應(yīng)起來(lái)，隱含傳遞函數(shù)選取雙曲正切S型函數(shù)（tansig）。采用L-M算法（反向傳播算法）對(duì)該網(wǎng)絡(luò)進(jìn)行訓(xùn)練，所以訓(xùn)練函數(shù)選取trainlm。結(jié)合Kolmogorov定理，結(jié)合對(duì)網(wǎng)絡(luò)收斂性、收斂速度和仿真精度等要求的考慮，經(jīng)過不斷嘗試后，選取隱含層節(jié)點(diǎn)數(shù)為6個(gè)。

該模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，在經(jīng)過10次訓(xùn)練后就收斂了，誤差為0.000016。運(yùn)行結(jié)果如圖3所示。

3 模糊神經(jīng)網(wǎng)絡(luò)故障診斷模型的驗(yàn)證及結(jié)果分析

為了檢驗(yàn)?zāi)：窠?jīng)網(wǎng)絡(luò)故障診斷模型的準(zhǔn)確性，首先將樣本數(shù)據(jù)作為輸入，輸入到建立的模糊神經(jīng)網(wǎng)絡(luò)故障診斷模型中，將測(cè)試輸出的結(jié)果，按最大隸屬度法則經(jīng)過反模糊化處理后和樣本值進(jìn)行對(duì)比，如圖4，從圖可見模型的測(cè)試輸出值與樣本值基本重合，滿足擬合的精度要求。

圖4 樣本值與測(cè)試輸出值對(duì)比圖

然后使用三組鋰電池的實(shí)際故障數(shù)據(jù)對(duì)診斷模型進(jìn)行測(cè)試，容量變小的鋰電池故障數(shù)據(jù)P1-[0.8 0.7 0 0 0 0.1 0 0 0.1]，自放電過大的鋰電池故障數(shù)據(jù)P2-[0.1 0.7 0 0 0 0 0.6 0.8 0]，鋰電池接線連接異常的故障數(shù)據(jù)P3-[0 0 0.7 0 0 0 0 0.5 0.9]。將三組數(shù)據(jù)輸入到建立的模糊神經(jīng)網(wǎng)絡(luò)故障診斷模型中進(jìn)行計(jì)算，運(yùn)行得到的結(jié)果，如表3所示。

表3 故障診斷模型的輸出

對(duì)該輸出的結(jié)果，根據(jù)最大隸屬度法則進(jìn)行輸出數(shù)據(jù)的反模糊化處理，處理后的結(jié)果，如表4所示。故可知三組數(shù)據(jù)的故障診斷結(jié)果分別為Y1、Y5、Y6，即分別為鋰電池容量變小、鋰電池自放電過大、鋰電池接線連接異常，與實(shí)際故障原因相符合。

表4 故障診斷模型輸出數(shù)據(jù)的反模糊化

4 結(jié)束語(yǔ)

因此，通過測(cè)試的結(jié)果證明了本文所提出的模糊神經(jīng)網(wǎng)絡(luò)故障診斷模型的正確性，可以比較好的完成對(duì)該船用鋰電池的故障診斷，實(shí)現(xiàn)鋰電池的故障預(yù)警，提高系統(tǒng)運(yùn)行穩(wěn)定性。

而決定該模型準(zhǔn)確性的關(guān)鍵是樣本數(shù)據(jù)的確定和模糊神經(jīng)網(wǎng)絡(luò)各參數(shù)的設(shè)置，樣本數(shù)據(jù)是結(jié)合專家經(jīng)驗(yàn)和鋰電池實(shí)際使用過程中積累的經(jīng)驗(yàn)而得到的，通過對(duì)該樣本數(shù)據(jù)的不斷修正和增加，將使建立的模糊神經(jīng)網(wǎng)絡(luò)的故障診斷模型準(zhǔn)確度更高，診斷結(jié)果更可靠。

參考文獻(xiàn)：

[1]Garcia F J,Izquierdo V,Luis M J.de,et al.Fault-diagnostic system using analytical fuzzy redundancy[J].Engineering Application of Artificial Intelligence,2000,13(2):441-450.

[2]程冰.模糊神經(jīng)網(wǎng)絡(luò)研究[D].廣東工業(yè)大學(xué),2005.

[3]姜長(zhǎng)元.模糊神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用研究[D].南京師范大學(xué),2005.

[4]王雪苗.模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化及應(yīng)用研究[D].大連理工大學(xué),2006.

[5]伍世虔,徐軍.動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)-設(shè)計(jì)與應(yīng)用[M].北京:清華大學(xué)出版社,2008.

[6]李醫(yī)民,胡壽松.模糊神經(jīng)網(wǎng)絡(luò)技術(shù)在故障診斷中的應(yīng)用[J].系統(tǒng)工程與電子技術(shù),2005,(5):948-952.

[7]鞠初旭.模糊神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D].電子科技大學(xué),2012.

[8]楊飛.磷酸鐵鋰動(dòng)力電池管理系統(tǒng)的研究[D].重慶大學(xué),2010.

[9]李素文,吳永紅,俞萬(wàn)能.基于GPRS與Delphi的太陽(yáng)能游覽船無(wú)線監(jiān)控中心設(shè)計(jì)[J].中國(guó)造船,2014,(4):159-163.

[10]李國(guó)勇,楊麗娟.神經(jīng)模糊預(yù)測(cè)控制及其MATLAB實(shí)現(xiàn)[M].北京:電子工業(yè)出版社,2013.

Fault Diagnosis of Marine Lithium Batteries Based on Fuzzy Neural Network

Chen Xiaobin,Yu Wanneng
(School of Marine Engineer,Jimei University & Fujian Province Key Laboratory of Naval Architecture and Marine Engineering,Xiamen 361021,Fujian,China)

Abstract:Aimed at ship’s energy storage system with the lithium battery,this paper analyzes the features and failure modes of lithium batteries,and sets up a failure diagnosis model for lithium batteries based on fuzzy neural network.The model training and simulation are accomplished through the experimental data.The simulation results demonstrate the correctness of the proposed model.The fault warning for lithium battery is realized and the operating stability of the system is improved.

Keywords:MATLAB; fault diagnosis; fuzzy neural network; lithium battery

作者簡(jiǎn)介：陳曉彬（1988-），男，碩士研究生。研究方向：船舶新能源電力系統(tǒng)、船舶電力推進(jìn)。俞萬(wàn)能（1970-），男，博士，教授。研究方向：船舶電力推進(jìn)、船舶新能源應(yīng)用、船舶智能控制。

收稿日期：2015-11-04

中圖分類號(hào)：TM911.14

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1003-4862（2016）02-0022-04

資助項(xiàng)目：交通部科技項(xiàng)目（2015329815160），福建省科技重點(diǎn)項(xiàng)目（2013H0034），福建省自然科學(xué)青年基金項(xiàng)目(2013J05081)