[发明专利]基于多分类支持向量机算法的车用锂电池故障诊断方法

权利要求书

1.基于多分类支持向量机算法的车用锂电池故障诊断方法，其特征在于：包括以下步骤：

步骤一、将电池样本分成三组，第一组进行电池循环充放电试验，第二组进行过充试验，第三组进行过放试验，采集样本的电流、电压、放电容量以及温度数据，并对数据进行处理，在处理后的数据中分选形成训练集和测试集；

步骤二、规定电池故障标准；所述电池故障标准依据国标“GB-T 31484-2015电动汽车用动力蓄电池循环寿命要求及试验方法”和电池手册规定电池故障标准；电池故障类型包括：F1-电池正常、F2-电池过压、F3-电池过放、F4-电池过温和F5-电池容量过低；

步骤三、采用交叉验证和网络搜索方法对支持向量机进行参数优化；

步骤四、构造核函数支持向量机，具体包括：

1)输入两类训练样本向量(x_l，y_l)，l＝1,2，…，N，N为样本容量，x_l∈R^d，y_l∈{-1,+1}，类别分别为a₁、a₂，当x_l属于类别a₁时，则y_l＝-1，当x_l属于类别a₂时，则y_l＝+1；

2)构造核函数，本实施例采用的核函数为优化的径向基核函数，具体表达式如式(1)所示：

K(x_l,x)＝pK₁(x_l,x)+(1-p)K₂(x_l,x) (1)；

其中，p为相关系数取值范围为(0.9,0.999)，K₁(x_l，x)为径向基函数，K₂(x_l，x)为logistic核函数，具体表达式如下所示：

K₁(x_l，x)＝exp(-||x-x_l||²/2σ²) (2)；

上式中σ为径向基核函数的核半径，p为权重；

3)构造核函数支持向量机的决策函数如(4)式所示，式中，N为训练样本的样本容量，为Lagrange算子，b^*为偏差值；

式中，l＝1,2，…，N，所述为利用二次规划法求解目标函数式(5)、(6)的最优解，所述目标函数式(5)和(6)如下所示：

s.t∑y_la_l＝0 (a_l≥0，l＝1，…，N) (6)；

步骤五、构建偏二叉树五分类支持向量机，得到能够识别锂电池不同状态的车用锂电池故障诊断模型，具体的包括：

1)将训练矩阵作为输入，通过SVM分类函数的输出进行第一次类别判断，将F1类故障分离出来，如果解为-1，样本属于F1类，若解为1，样本属于其他类；

2)将步骤1)分选的其他样本矩阵作为输入，通过SVM分类算法的输出进行第二次分类，将F2类故障分离出来，如果解为-1，样本属于F2类，若解为1，样本属于其他类；

3)将步骤2)分选的其他样本矩阵作为输入，通过SVM分类算法的输出进行第二次分类，将F3类故障分离出来，如果解为-1，样本属于F3类，若解为1，样本属于其他类；

4)将步骤3)中分选的其他样本矩阵作为输入，通过SVM分类算法的输出进行第二次分类，将F4类故障分离出来，如果解为-1，样本属于F4类，若解为1，样本属于F5类。