[发明专利]一种基于人工智能的电动汽车电池故障诊断方法及设备

说明书

本发明公开了一种基于人工智能的电动汽车动力电池故障诊断方法及设备，所述方法针对电动汽车行驶过程中的安全问题，防止因为动力电池故障所导致的重大人员伤害和财产损失，通过对动力电池进行故障树分析，利用小波包分解提取动力电池故障特征，然后建立了基于LSTM神经网络的电动汽车动力电池故障诊断模型；通过离子电池历史数据(该数据已被分为标记故障种类)对神经网络进行训练，得到预期的诊断结果后，再将实时采集的电池数据输入神经网络中进行分类诊断，并对神经网络进行不断自学习。本发明可提高电池组故障诊断的精度，确保电动车行驶过程中安全性。

技术领域

本发明涉及电动汽车技术领域，具体涉及一种电动汽车动力电池故障诊断方法及设备。

背景技术

电动汽车作为新能源汽车的主要发展方向之一，越来越受到人们的重视。电池作为动力供应能源在电动汽车的组成中有着至关重要的作用，动力电池的性能直接影响着整个电动车的各方面性能，包括电动车的行驶里程、最高行驶速度、爬坡性能等。在电动汽车行驶中，由于路况条件等原因，造成电池的物理挤压和物理碰撞等不利因素的出现，会影响电动汽车在行驶过程中的整车安全。为了确保电动汽车的安全行驶，防止因为动力电池故障所导致的重大人员伤害和财产损失，保障电动汽车使用者的生命财产安全，给每一台电动汽车配备能够及时准确地诊断动力电池故障的电池故障诊断系统，将成为未来电动汽车发展的趋势。

因此实时了解电池的运行状况，及时发现电池故障，并给出相关原因分析以及对应处理操作是极为必要的，所以对电动汽车动力电池故障诊断进行研究将成为电动汽车安全方面的研究热点。目前对电动汽车动力电池的管理和控制是通过BMS(BatteryManagement System，电池管理系统)实现的，BMS通过监测动力电池的温度、电压等参数来判断动力电池是否出现故障，然而，不同的动力电池由于其结构、材料以工艺存在差异，其工作时的温度、电压等参数的特性也存在差异，因此由于存在这些不确定因素，可能会导致BMS判定的故障是误报，从而影响车辆的正常行驶。

因此需要一种更精确的电池故障诊断方法，提高电池组故障诊断的精度，以确保电动车行驶过程中安全性。

发明内容

发明目的：本发明的目的是提供一种基于人工智能的电动汽车动力电池故障诊断方法和设备，能及时将故障电池的位置、故障原因和故障解决方法以诊断结果的形式反馈出来，提高电池组故障诊断的精度，确保电动车行驶过程中安全性。

技术方案：根据本发明的第一方面，提供一种基于人工智能的电动汽车动力电池故障诊断方法，包括以下步骤：

获取动力电池参数数据，利用小波包分解提取动力电池数据的幅频特性和相频特性特征；

将动力电池数据的幅频特性和相频特性特征输入预先训练好的LSTM故障诊断模型中，得到诊断结果。

其中所述动力电池参数数据包括电池的电压数据、电流数据、温度数据和放电量数据。

进一步地，所述利用小波包分解提取动力电池数据的幅频特性和相频特性特征包括：

对动力电池参数数据进行3层小波包分解，其中，采用的小波函数为db3，小波熵为香农熵；

3层小波包分解最后一层中总共有8个节点，将这8个节点的信号以频率为参考量，从低至高排序分别定义为(3,0)，(3,1)，(3,2)，(3,3)，(3,4)，(3,5)，(3,6)，(3,7)；

根据能量公式计算重构后的各节点的能量值，并将能量值按照[(3,0)，(3,1)，(3,2)，(3,3)，(3,4)，(3,5)，(3,6)，(3,7)]的顺序组合；

对小波包分解后各个节点上信号能量进行分析，采取合适的阈值对小波包系数进行处理，然后小波包分解信号进行重构。

进一步地，所述预先训练好的LSTM故障诊断模型建立方法如下：