基于深度神经网络的电动汽车单体电池故障诊断研究

发布时间：2024-03-08 03:17

　　电动汽车锂电池故障阻碍着电动汽车行业的蓬勃发展。基于锂电池电化学机理模型的锂电池故障诊断方法,难以适用于复杂不确定交通环境下电动汽车的故障工况,导致故障诊断模型通用性不足,诊断精度不高。本文以携带锂电池故障信息的电池充放电期间电压、电流、温度和容量数据为基础,以小波包分解、深度神经网络理论为方法,面向锂电池过充电、过放电和老化故障开展故障诊断应用研究。具体如下:(1)针对锂电池故障数据采集过程中非平稳噪声干扰问题,提出基于小波包分解的锂电池故障数据特征提取方法。通过小波包逐层分解,以香浓熵为代价函数选择最优小波树,重构最优小波树节点信号,去除数据噪声,完成特征提取。(2)针对锂电池故障数据的时序依赖性,提出一种基于长短期记忆神经网络的锂电池故障诊断方法。通过记忆单元和门控函数保持锂电池故障数据的长时间依赖关系,在目标损失函数的约束下,长短期记忆神经网络学习故障数据与故障种类的映射关系,并利用注意力机制在所有时间步中选择相关的网络隐藏状态,实现锂电池故障数据准确分类。实验结果证明,以小波包分解的数据特征为输入,基于长短期记忆神经网络的锂电池故障诊断方法对三种故障分类的平均准确率为94.1...

【文章页数】：97 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
注释表
第1章 绪论
    1.1 课题背景及研究意义
        1.1.1 课题背景
        1.1.2 课题研究意义
    1.2 锂电池故障研究现状
        1.2.1 锂电池过充电故障研究状况
        1.2.2 锂电池过放电故障研究状况
        1.2.3 锂电池老化故障研究状况
    1.3 研究内容与章节安排
        1.3.1 研究内容
        1.3.2 章节安排
第2章 锂电池故障数据采集与算法理论基础
    2.1 锂电池结构及工作原理
    2.2 锂电池故障数据采集
        2.2.1 锂电池过充电故障数据采集
        2.2.2 锂电池过放电故障数据采集
        2.2.3 锂电池老化故障数据采集
    2.3 小波包理论
        2.3.1 小波变换理论
        2.3.2 多分辨分析
        2.3.3 小波包分解
    2.4 LSTM神经网络
        2.4.1 LSTM神经网络基本结构
        2.4.2 LSTM神经网络学习算法
        2.4.3 注意力机制
    2.5 卷积神经网络
        2.5.1 卷积层
        2.5.2 池化层
        2.5.3 卷积神经网络学习算法
    2.6 本章小结
第3章 基于长短期记忆神经网络的锂电池故障诊断
    3.1 实验平台和数据介绍
    3.2 基于小波包分解的锂电池故障特征提取
    3.3 LSTM神经网络模型的构建
    3.4 数值实验
        3.4.1 输入类型
        3.4.2 注意力机制和网络层数
    3.5 锂电池故障诊断模型对比
    3.6 本章小结
第4章 基于卷积神经网络的锂电池故障诊断
    4.1 卷积神经网络模型的构建
    4.2 数值实验
        4.2.1 输入类型
        4.2.2 卷积层数
    4.3 锂电池故障诊断模型对比
    4.4 本章小结
第5章 基于长短期记忆-卷积神经网络的锂电池故障诊断
    5.1 LSTM-CNN模型的构建
    5.2 数值实验
        5.2.1 输入类型
        5.2.2 LSTM-CNN网络结构
    5.3 锂电池故障诊断模型对比
    5.4 本章小结
第6章 总结与展望
    6.1 工作总结
    6.2 后续研究工作
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3921925