本發明專利技術公開一種基于ALSTM?CNN（注意力機制的長短期記憶?卷積神經網絡）的動力電池高溫故障程度檢測方法，采用某車企監控平臺獲取原始數據，進行數據預處理，將探頭溫度轉化為電池平均溫度，獲得電池高溫故障相關系數。通過對數據進行降噪處理完成特征的提取，然后訓練ALSTM?CNN模型，同時基于驗證集準確率進行調參，經過多輪訓練后，選擇最優的網絡參數。采集實時的數據并對其進行故障程度分析，輸出該車故障等級。故障等級共有“0~3”四級，“0”表示無故障；“1”表示一級故障，指代不影響車輛正常行駛的故障；“2”表示二級故障，指代影響車輛性能，需駕駛員限制行駛的故障；“3”表示三級故障，為最高等級故障，指代駕駛員應立即停車處理或請求救援的故障。
【技術實現步驟摘要】
本專利技術專利涉及動力電池安全控制，特別是涉及一種基于alstm-cnn的動力電池高溫故障程度檢測方法。
技術介紹
1、動力電池系統通常由執行器、動力電池及組件、傳感器這幾部分組成，在其生產和使用過程中，各個部件均有可能發生故障，有執行器故障、電池故障、組件故障以及傳感器故障。電池故障作為所有故障中最常見的故障，主要包括內短路、外短路、過充、過放以及不均一性故障。隨著電池的持續工作，這些故障最終表現為電池高溫故障，直至熱失控的發生。與其他故障相比，電池高溫故障對電池的性能危害非常大，會導致電池容量損失、加速老化進程、增加電池阻抗，并可能導致電池過熱，甚至引發熱失控、燃燒和爆炸等嚴重安全問題。因此，對電池高溫故障的研究至關重要。電池高溫故障的潛在誘因多，當故障發生時，電池溫度、電壓、電阻等多種參數均會發生變化，因此對電池高溫故障的診斷需要耦合多維特征參數。在電池內部放熱反應產生的熱量不能及時有效的釋放到環境時，一旦熱量達到“臨界狀態”，熱失控現象就不可避免。在“臨界狀態”之前，由于各種熱濫用和內部潛在缺陷，會導致電池出現高溫故障。因此，在電池高溫時檢測出故障并進行處理，是保證動力電池安全工作的有效方法之一。
技術實現思路
1、本專利技術的目的是提供一種基于alstm-cnn的動力電池高溫故障程度檢測方法，以解決上述現有技術存在的問題。
2、為實現上述目的，本專利技術提供了如下方案：本專利技術提供一種基于alstm-cnn的動力電池高溫故障程度檢測方法，所述方法步驟如下：</p>3、s1、將在某車企監控平臺獲得的原始數據進行數據預處理，其中包括清洗重復數據、處理異常值和缺失值；
4、s2、利用探頭溫度在線估測電池的平均溫度，并使用電池平均溫度、單體電壓列表、溫度一致性、電壓一致性與絕緣電阻作為alstm-cnn模型的輸入，對電池高溫故障等級進行預測；
5、s3、采用麻雀優化算法（sparrow?search?algorithm，ssa）對變分模態分解（varational?mode?decomposition,?vmd）進行優化，確定模態分解數和懲罰因子。vmd將電壓信號分解為低頻靜態分量和高頻動態分量。選用包絡熵作為ssa優化的適應度函數，每個ssa計算一次包絡熵，選擇包絡熵最低的和作為vmd分解的模態分量數和懲罰因子。引入多尺度排列熵（multiscale?permutation?entropy，mpe）作為故障分量和信號分量的評價依據，選擇尺度因子為12、嵌入維數
m為6、延遲時間為1，計算得到各個imf分量的排列熵均值作為最終的mpe值，mpe的閾值取0.6，大于0.6的imf分量可視為有用的信號分量，小于0.6的則為低頻信號分量；
6、s4、建立lstm神經網絡，將注意力機制引入lstm神經網絡中，結合卷積神經網絡，構建一種基于注意力機制的并聯alstm-cnn模型，該模型將兩個連續的lstm層和一個attention層組合構成alstm模塊，兩個一維卷積層和兩個池化層構成cnn模塊，激活函數為relu，并將alstm層與cnn層輸出的特征在全連接層融合，經過softmax層輸出最終的故障程度分類。將s3篩選出來的噪聲分量即有用的信號分量訓練alstm-cnn模型，同時基于驗證集準確率進行調參，經過多輪訓練選擇最優的網絡參數，其中需要確定的參數有卷積層的數量、卷積核的數量和大小、lstm單元個數、lstm隱藏層數量等。調整參數的依據首相是驗證集訓練的準確率高低，其次是模型訓練的時間和資源占有，最終選擇最優的alstm-cnn作為動力電池高溫故障狀態檢測模型；
7、s5、通過采集實時數據，并輸入到alstm-cnn動力電池高溫故障狀態檢測模型中，可預測動力電池高溫故障狀態，輸出故障程度即故障等級，輸出“0”代表無故障，輸出“1”指代一級故障，輸出“2”指代二級故障，輸出“3”指代三級故障。
8、優選地，所述s1包括以下步驟：
9、s1-1、清洗重復數據：如果有兩個相鄰的行具有相同的數據，很有可能是由于數據采集錯誤，它們被認為是重復的記錄，將后一行刪除；
10、s1-2、異常值處理：異常值是指電池電壓、電流和溫度等數據出現一些明顯的異常數值，例如溫度從正常的25℃突升至214℃，單體電壓從3.7?v突降至0?v等，這些都可能是因為傳感器故障導致個別測量數值不符常理，因此可以直接刪除；
11、s1-3、缺失值處理：a)?連續1分鐘采樣數據缺失：由于采樣時間是20?s，當連續3個及以上采樣點數據缺失時，缺失時間內的所有數據可直接刪除；b)?數據不連續缺失：如果是某個采樣點數據缺失，或連續時間不超過2個采樣點時，則采用相鄰單元格平均值插值法進行缺失值插值。
12、優選地，所述s2包括以下步驟：
13、s2-1生成包含固定采樣點數的電壓和電流序列和；
14、s2-2分別對電壓序列、電流序列和morlet小波時域序列進行快速傅里葉變換；
15、s2-3獲取電壓和電流序列的小波系數和；
16、s2-4獲取在t時間長度內在不同時刻處不同頻率下的電池阻抗以及對應的阻抗角；
17、s2-5查詢離線建立的電池阻抗與平均溫度的關系表，得到電池在不同時刻的平均溫度；
18、s2-6采用平滑濾波方法對所估計得到的不同時刻的溫度進行平滑和離群點去除處理；
19、s2-7重復步驟(s2-1)-(s2-6)，完成電池平均溫度的在線估計。
20、優選地，所述s3包括以下步驟：
21、s3-1、初始化ssa參數，比如種群規模、最大迭代次數等。設置模態分解數k的取值范圍為[3,?10]，設置懲罰因子的取值范圍為[100,?4500]，防止參數設置過小而影響信號在噪聲環境下重構的保真度；
22、s3-2、利用vmd對動力電池的電壓、溫度、電流等輸入信號進行分解，得到多個imf分量；
23、s3-3、計算每次迭代對應位置的包絡熵函數值，根據包絡熵大小更新全局最優解，包絡熵計算公式：
24、式中，為信號的采樣點數，是vmd分解后的第個imf分量，表示第個imf分量經過hilbert變換后的值，是hilbert變換后的包絡幅度，為的歸一化形式，為包絡熵；
25、s3-4、迭代到最大次數，輸出最優的組合；
26、s3-5、基于最優的組合對輸入信號進行vmd分解，得到個imf分量；
27、s3-6、計算imf分量的mpe，選擇尺度因子為12、嵌入維數m為6、延遲時間為1，mpe的閾值取0.6，大于0.6的imf分量可視為有用信號分量，小于0.6的則為低頻信號分量。
本文檔來自技高網...
【技術保護點】
1.一種基于ALSTM-CNN的動力電池高溫故障程度檢測方法，其特征在于，包括以下幾個步驟：
2.根據權利要求1所述的基于ALSTM-CNN的動力電池高溫故障程度檢測方法，其特征在于，所述S1包括以下步驟：
3.根據權利要求1所述的基于ALSTM-CNN的動力電池高溫故障程度檢測方法，其特征在于，所述S2包括以下步驟：
4.根據權利要求1所述的基于ALSTM-CNN的動力電池高溫故障程度檢測方法，其特征在于，所述S3包括以下步驟：
5.根據權利要求1所述的基于ALSTM-CNN的動力電池高溫故障程度檢測方法，其特征在于，所述S4內容如下：
6.根據權利要求1所述的基于ALSTM-CNN的動力電池高溫故障程度檢測方法，其特征在于，所述S5內容如下：
【技術特征摘要】
1.一種基于alstm-cnn的動力電池高溫故障程度檢測方法，其特征在于，包括以下幾個步驟：
2.根據權利要求1所述的基于alstm-cnn的動力電池高溫故障程度檢測方法，其特征在于，所述s1包括以下步驟：
3.根據權利要求1所述的基于alstm-cnn的動力電池高溫故障程度檢測方法，其特征在于，所述s2包括以下步驟：
...
【專利技術屬性】
技術研發人員：曾建邦，覃清梅，李駿，劉霏霏，段興兵，黃豪，胡亦非，沈超群，李彬斌，
申請(專利權)人：華東交通大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。