[发明专利]基于纵横交叉优化模糊BP神经网络的电池故障诊断方法

权利要求书

1.基于纵横交叉优化模糊BP神经网络的电池故障诊断方法，其特征在于，包括以下步骤：

S1：获取样本数据，对样本数据进行预处理；

S2：根据预处理后的样本数据，人为地进行电池常见故障分析，得到各电池故障症状；

S3：将各电池故障症状作为输入量，进行模糊化处理，得到模糊BP神经网络的训练样本；

S4：根据各电池故障症状构建BP神经网络模型，并初始化模型算法参数；

S5：计算BP神经网络的输出值以及各层之间的连接权值与各项阈值；

S6：根据当前的权值与阈值进行计算，比较确定当前最优位置；

S7：利用纵横交叉算法对BP神经网络的权值和阈值进行优化，得到优化后的参数；

S8：将优化后的参数作为BP神经网络的初始权值和阈值，并将初始权值和阈值代入BP神经网络算法中进行训练，若BP神经网络的输出误差满足预定的误差精度，则执行步骤S9；否则，执行步骤S6，重新进行优化迭代；

S9：停止迭代，得到经纵横交叉算法优化后的模糊BP神经网络，将步骤S3中得到的训练样本导入优化后的BP神经网络中，输出网络预测结果；

S10：通过网络预测结合进行反模糊化，得到电池故障的诊断结果。

2.根据权利要求1所述的基于纵横交叉优化模糊BP神经网络的电池故障诊断方法，其特征在于，所述步骤S1具体为：

S101：通过电池管理系统BMS对电池进行实时监控，获取电池各类参数的实时数据，通过GPRS传递到Internet网络，从而得到样本数据；

S102：根据预处理公式对实验数据进行预处理，具体为：

式中，X表示初始样本数据；X_max表示样本数据中的最大值；X_min表示样本数据中的最小值；X'表示预处理后所得到的样本数据。

3.根据权利要求2所述的基于纵横交叉优化模糊BP神经网络的电池故障诊断方法，其特征在于，所述步骤S2具体为：

以标称电压为3.2V的电池为例，电池常见的故障包括：电池放电电压低，为3.0～4.0V时，记为X₁；放电电压下降幅度大，为3.0～4.2V时，记为X₂、充电电压高，为4.2～5.2V时，记为X₃、充电电压上升幅度大，为3.7～4.2V时，记为X₄、充电电压低，为4.2-5.0V时，记为X₅、电压低于平均电压，为3.0-3.7时，记为X₆、充电电压上升幅度小，为4.0-4.2V时，记为X₇、充放电时电池温度高，高于60℃，记为X₈、静置时电压下降幅度大，为3.0-3.6V，记为X₉；

电池产生故障的原因包括：电池容量变小Y₁、电池内阻过大Y₂、电池充电不足Y₃、电池自放电过大Y₄、电池已损坏Y₅、电池接线连接异常Y₆；

所述的故障与故障原因分析关系为：

当充电时电压过高、上升幅度大，放电时电压过低、下降幅度大时，则故障原因是电池的容量变小；

当电池充电时电压过高，或放电时电压过低，则故障原因是电池内阻过大；

当电池放电，电压过低、下降幅度大时，或充电时电压过低，则故障原因是锂电池充电不足；

当电池放电时电压幅度过大，电压远低于平均电压，则故障原因是锂电池损坏；

当电池充电时电压上升幅度小，或放电时电压下降幅度大，静置时电压下降幅度大，则故障原因是锂电池自放电过大；

当电池充电时，电压过高，或在充放电时，电池温度过高，则故障原因是锂电池接线连接异常。