[发明专利]一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法

说明书

本发明涉及一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，属于电池技术领域。利用分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障频谱，构成用于锂电池故障诊断的混合大数据标注样本；设计面向混合锂电池故障样本的全局卷积神经网络，以及分别针对实测的和筛选的锂电池故障数据的局部卷积神经网络，构成混合卷积神经网络锂电池故障诊断模型；通过对卷积神经网络中的全局与局部锂电池故障特征进行学习，并采用全连接分类映射，实现锂电池故障的多分类与定位。该方法提高了电池管理系统可靠性和安全性，减轻了参数众多引起的计算复杂性，解决了多物理耦合诊断模型在实际应用中仅能针对某一类锂电池故障诊断任务的问题。

技术领域

本发明属于电池技术领域，涉及一种混合卷积神经网络驱动的锂电池多类故障诊断建模 方法。

背景技术

近年来，锂电池作为绿色、清洁的二次电池，广泛应用于各种电子设备中，如汽车、船 舶、飞机甚至一些军事电子设备。如何有效地评估锂电池的可靠性，以避免锂离子电池失效 而导致从操作损伤到性能下降甚至灾难性故障等不同程度的严重后果，需要对锂电池的多类 故障进行精确地诊断分析。常用的物理化学规律建立的锂电池故障诊断耦合模型难以减轻参 数众多引起的计算复杂性，并且多物理耦合诊断模型在实际应用中仅能针对某一类锂电池故 障诊断任务；面对多类的故障诊断，现有神经网络的方法能够在一定程度上从实测故障数据 中学习到各类故障相互联系的行为，但由于高价值故障数据不完备，且对各类故障特征的精 细化提取不充分，导致深度神经网络在锂电池故障诊断领域没有发挥其应有的同时空诊断能 效。因此，在本发明中对同一时空，通过分数阶傅里叶变换获得由实测与筛选的分数阶精细 故障特征构成锂电池故障混合数据集，并使用全局与局部的深度学习来抽取并诊断精细化表 征的多类故障特征，采用全连接分类映射在同一软硬件空间中同时诊断出多类锂电池故障， 从而提高电池管理系统可靠性和安全性。

发明内容

有鉴于此，本发明的目的在于提供一种混合卷积神经网络驱动的锂电池多类故障诊断建 模方法。

为达到上述目的，本发明提供如下技术方案：

一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，该方法包括以下步骤：

S1：通过分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障频谱，构成用于锂电 池故障诊断的混合大数据标注样本；

S2：设计面向混合锂电池故障样本的全局卷积神经网络,以及分别针对实测的和筛选的 锂电池故障数据的局部卷积神经网络，构成混合卷积神经网络锂电池故障诊断模型；

S3：学习卷积神经网络中的全局与局部锂电池故障特征，采用全连接分类映射，对锂电 池故障进行多分类与定位。

进一步，在步骤S2中，若干独立的局部卷积神经网络分别用于获取锂电池单体或电池包 的实测与感知生成的各类故障数据的细节信息；输入为整个混合故障频谱的k＝p×q分块，p 和q分别为同类故障实测与筛选的锂电池故障数据维度，表示为

{Ru-Cv|u＝1,2,...,p；v＝1,2,...,q}

混合卷积神经网络的总体代价函数定义为：