锂离子电池组监控系统研究与实现 — 模糊故障诊断

6.3模糊诊断方法

对于电池的模糊故障诊断方法，首先需要了解专家对于电池故障中所出现症状的描述，如"电压上升快"、"充电不足"、"电压下降快"等，但是这些症状是界限不清的模糊集合，我们需要通过模糊数学模型才能对其加以描述。对于每一种症状都要选用适当的隶属函数，并用相应的隶属度来描述这些症状存在的倾向性。同理，电池故障也是模糊集合，每一种故障都可以用隶属度来表示。电池每一个故障与每一个症状之间都存在着模糊关系。模糊故障诊断方法就是首先建立起症状隶属度与故障隶属度的模糊向量集合，然后把每一个症状与每一个故障之间的模糊关系用隶属度表示，构成一个模糊关系矩阵，最后根据症状隶属度模糊向量和模糊关系矩阵可以求得故障隶属度的模糊向量，从而得到各种故障存在的倾向性，实现对电池故障的正确判断，以便及时的进行补救。

这种模糊故障诊断方法用公式来表达，如下所示。

首先，建立两个论域，即故障论域G和症状论域Z.

G={故障g1，故障g2，故障g3,…}，其中各元素的隶属度μ_gi组成模糊向量（子集）

Z={症状Z₁，症状Z₂，症Z状Z₃，…}，其中各元素的隶属度μ_zj组成模糊向量



通常，电池的故障会体现若干不同的症状，而某一症状也表示有可能出现若干个故障，因此这两个论域之间存在着模糊关系，这种模糊关系即为症状Zj对应于故障g_i的隶属度a_ij=μ_gi（Zj），从而得到症状与故障之间的模糊关系矩阵：



对于模糊关系矩阵A中各个隶属度，我们可以通过实验或专家给出，而症状的模糊向量α同样也可以通过实验或专家给出，因此A和α我们可以认为是已知，则可通过公式β= Aα求出症状的模糊向量β。

我们将上式展开如下：



在这个公式中，可看成是加权值，因此要求。

6.4模糊系统总体结构

电池组故障模糊诊断系统以信号采集电路所采集到的电池电压、电流和温度值为依据，结合知识库中保存的锂电池使用和维护的经验和规则，利用存储在数据库中症状与故障之间的模糊关系以及设定的诊断规则，采用模糊综合评判的方法对电池故障进行诊断。其功能结构如图6.1所示。



该模糊诊断系统主要由以下几个模块组成：

1）知识获取模块。完善知识库中的电池诊断方法，扩充和修改症状与故障之间的模糊关系矩阵。

2）全局数据库。除了存放信号采集电路所采集到的电池电压、电流和温度值，还记录在诊断过程中的一些中间数据。

3）规则库。电池诊断规则和相关知识的存放地点。

4）推理机。依据知识库中的诊断规则和模糊关系矩阵，控制推理过程。

5）人机接口。进行人机交互。

6.5规则库建立

规则库是电池组模糊故障诊断系统中非常重要的一个模块。规则库的建立关键是要抽象化专家知识，将其变成规则。对于本诊断系统来说，就是需要得到症

状的隶属度函数、症状与故障之间的模糊关系矩阵以及对故障的诊断规则，然后将这些信息存储起来，构建成规则库。

对于电池组故障诊断系统来说，症状与故障之间的关系主要有：电池在闲置时电压下降较快且电池放置时间长时电压较低，则表示电池自放电率高；充放电时电池电压异常，则表示电池内阻过大；当开路时，电池电压较低且无法带动负载，则表示电池可能报废或连接不正常；电池组放电时，其中一节电池电压下降比别的快，则表示该节电池可能充电不足或该电池已损坏；在充放电时，电池电压上升和下降速度异常，则表示该节电池容量变小或极板损坏；充电时电压极高，则电池内部开路。

6.5.1症状隶属函数的确定

症状隶属函数是依据信号采集电路对电池电压、电流和温度值的实时采集数据得到的。不同时间段采集到的电池状态数据都对电池症状有所影响，只不过时间不同，采集到的数据对电池症状影响的程度不一样。例如对于"电压下降快"这个症状，在放电的初始阶段比后面更能反映该症状。因此，先求每个采样周期的症状隶属度，然后对不同采样周期设定不同的加权值，最终得到该症状的隶属度。该算法定义如下：

定义： m为采样阶段次数；t为每个采样阶段的采样次数；P_LK为电池组中第L个电池出现症状K的隶属度值；P_LKI为电池组中第L个电池出现症状K在第i个时间段的隶属度值；P(t)_LKI为电池组中第L个电池出现症状K在第i个时间段的第t次采样数据的单次隶属度值；C(n)是加权函数

6.5.2单次采样数据症状隶属函数的确定

在建立规则库时，我们定义了故障诊断系统中可能出现的电池症状，主要有以下几点：

⑴充电时电池电压上升快；

⑵放电时电池电压下降快；

⑶充电温度高，放电温度高；

⑷充电