新型電動汽車鋰電池管理系統的研究與實現 — 模糊診斷專家系統

專家系統（EXPERT SYSTEM）是一個具有大量專門知識的程序系統，它應用人工智能（ARTIFICIAL INTELLIGENCE，簡稱AI）技術，根據一個或多個人類專家提供的特殊領域知識進行推理，模擬人類專家作決定的過程來解決那些需要專家才能解決的復雜問題。電池組故障診斷模糊專家系統是電池管理系統的一部分，它以模糊數學與模糊診斷原理為基礎，將電池專家和有關蓄電池使用和維護的書籍上總結出的經驗和規則存入知識庫中，以電池的歷史檔案、運行狀況和上一次的診斷結果為依據，采用模糊綜合評判的方法對電池故障進行診斷，同時給出電池的健康狀況和維護信息。通過專家診斷系統，我們可以挑選出性能較差的電池，保證純電動車或者混合電動車的車用電池組性能上的一致，也使剩余電量估計模型能夠更準確更好的應用于電動車上。

7.1 模糊數學與模糊診斷方法

在電池故障診斷中專家所描述的癥狀，如“電壓上升快”、“充電不足”、“電壓下降快”等，是界限不清的模糊集合。我們通過模糊數學模型加以描述。用模糊關系矩陣來反映某些故障機理，并選用適當的隸屬函數，用相應的隸屬度來描述這些癥狀存在的傾向性。模糊故障診斷方法就是根據某些癥狀的隸屬度來求出各種故障的隸屬度，用以表征各種故障存在的傾向性，為判斷電池故障和采取補救措施的決策提供科學的依據。下面介紹模糊數學模型和我們采用的綜合評判方法。



兩論域之間顯然存在著某種模糊關系。例如，某一故障將引起若干強弱不同的癥狀，而某一癥狀也表征著若干個故障的存在。這個模糊關系可通過隸屬度表示，例如，可定出癥狀x j相應于故障v i的隸屬度：


它組成了論域U和論域V之間的模糊關系矩陣：



如果已知模糊關系矩陣R和模糊向量α，就可求得模糊向量β。

這就是多因素評判：


其中，各癥狀的隸屬度向量α可以從測量數據和歷史檔案通過一定的隸屬函數求得。至于模糊關系矩陣，它是大量分析、實驗、測試和現場實踐經驗的總結，可以通過大量實驗和總結有關專家，技術人員和工人的經驗來決定。同時還可以參考大量的相關資料和前人的經驗。

在我們的系統中采用的運算模型將模糊關系的運算式展開如下：



其中“*”為代數乘，運算（_r1j *μ_xj）可看成是對隸屬度μ_xj的加權修正，r_ij可看成是加權值，因而要求r_ij歸一化，即令



而代數和“+”則表示對諸因素的綜合。因為rij已歸一化，因而在對諸因素的綜合過程中，用代數和能最好地反映出各因素的作用和影響。

7.2模糊診斷專家系統設計方案

電池組故障診斷模糊專家系統將有關鋰電池使用和維護的經驗和規則存入知識庫中，以電池的歷史檔案、運行狀況和上一次的診斷結果為依據，采用模糊綜合評判的方法對電池故障進行診斷，同時給出電池的健康狀況DOH（Degree Of Health）和維護信息。其功能結構如圖7.1所示，SOR（State Of Running）為電池運行狀況。

歷史檔案和規則庫組成了電池組診斷模糊專家系統的知識庫，歷史檔案里存放的是每個電池提供給專家系統診斷用的數據，而規則庫里存放的是數字化了的專家提供的診斷規則，專家系統利用這些規則和歷史檔案中的數據給每個電池進行綜合評判，得出電池隸屬于各故障存在的隸屬度。利用這些隸屬度，綜合后給出電池的失效程度DOF（Degree Of Failure）。計算DOF的方法是：如果所有故



障存在的隸屬度最多只有一個大于0.5，則DOF取隸屬度最大的一個；如果存在兩個以上故障存在的隸屬度大于0.5，則DOF取這幾個故障的并集，各故障之間的綜合采用運算。對其運算的定義如下：



其中a、b分別為兩個故障存在的隸屬度。采用這種運算方式是因為各個不同的故障對電池失效所起的扶持和加強作用。例如，設電池極板損壞存在的隸屬度為a=0.8，電池老化存在的隸屬度為b=0.5.如果采用最大最小運算法則，則綜合的隸屬度μ=0.8.但實際上，由于電池老化的存在加強了我們對判斷電池失效的信念。如果用運算，則可得μ=0.9，其值大于電池極板損壞的隸屬度，這樣能對所有因素的影響和作用都給予適當的考慮，比起極大極小運算模型只突出主故障的法則，能更全面地反映實際。

電池的健康狀況DOH（Degree Of Health），是我們為反映電池使用性能的現有狀況而提出的，將電池按照其性能的好壞程度而進行分類的概念。在我們的系統中，電池的DOH被分為十級，被確定為第四級以下的電池應該被更換，第四級至第六級電池應該加強維護，第七級至第十級電池為健康電池。



DOF、最近兩個CYCLE的SOR和上一次的診斷結果DOH^的加權和作為此次診斷的最終診斷結果：電池的健康狀況DOH值。其中，C₁ + C₂ + C₃ =1，在我們現在系統中它們分別為（3/10，4/10，3/10），加權值的大小是在實驗中不斷調整得出的。

診斷模塊根據這些規則和模糊化的數據對每個電池進行診斷，給出電池隸屬于每種故障的隸屬度，根據隸屬原則得出診斷結果。

DOH值作為電池的一個重要信息被保存在電池管理系統中，用戶可通過顯示模塊進行查看。同時診斷結果、診斷得出的中間結果和歷史檔案數據都可被傳到上位機上，供專業人士查看。

7.3電池診斷模糊專家系統所用規則

我們對電池專家提供的電池故障診斷規則、電池診斷和維護的資料進行分析整理后寫入專家系統。然后經試驗驗證，實現取舍和增加。以鉛酸電池為例，系統中的規則主要有：

1.放電電壓下降快、電壓低，充電電壓上升快、電壓高，則電池容量變小或極板損壞；

2.靜置時電池端電壓下降快，長期放置電壓低，則自放電過大；

3.放電時電池端電壓下降很快，電壓比平均電壓低0.4伏左右，則有單元電池損壞；

4.蓄電池開路電壓很低、不能帶負載，則電池損壞或連接不正常；

5.充電時電壓偏高，放電時電壓偏低，則蓄電池內阻過大；

6.充電時電壓極高，則蓄電池內部開路；

7.電池自開始放電起，其電壓就一直比別的電池略低，其放電平臺性能正常，則電池可能充電不足；

7.4歷史檔案數據內容及其建立

以鉛酸電池為例，保存在歷史檔案中的數據主要有：

• 電池出廠時的關鍵數據（如出廠日期、標稱容量、開路電壓等）；
• 使用的總安時數；過充和過放時最大電壓、電流、溫度的記錄；
• 最近10個充放電周期內充電周期屬于電壓最高的次數和放電周期屬于電壓最低的次數；
• 最近10個周期內充電時溫度升降數據和充電效率；
• 最近10個周期內小電流充電時電壓差別；
• 最長的兩次充電時間間隔；
• 最近2個周期內的SOR；
• 上一次診斷的健康程度（DOH）結果；

在系統運行的第一次，對歷史檔案進行初始化。初始化的原則是除了一些已知的基本參數外，其他部分都設置為最佳狀態。在以后的運行過程中，系統自動地把與電池有關的重大事件記錄下來，對歷史檔案進行修改。如果電池組中的某一個電池被撤換下來，則應對剛換上的電池的歷史檔案進行初始化。對歷史檔案中的使用總安時數、總充放電周期數、過充、過放及充電不足等影響電池健康和使用壽命的記錄采用長期記憶并進行累加的辦法；對于另外表現性能的歷史數據則采用定期刷新的方法。

歷史檔案的具體實現方案是：在系統中采用長期記憶芯片來保存歷史數據，同時在系統中加一個時鐘電路和一個供電電池為歷史數據提供時間信息。

7.5電池組運行性能評估——靜態SOR評估算法

電池組運行性能評估的重要指標是SOR.系統中采用了靜態SOR評估算法。

此方法的核心思想是：由于各個電池在某段時間內所充放電的電流和安時數是一致的，這樣各個電池在此段時間內的電壓變化U可以體現電池性能的好壞，U小的其性能也就相對好。

靜態情況下充電時性能評估算法中的電壓表現函數分別是：



其中，“*”為代數乘，l為評價次數，F_kl是第k號電池在第l段時間內的電壓表現值，△U_nk為第k個電池在第n段時間內變化的電壓數，（△U_n）_min為第n段時間內電壓變化最小的電池的電壓變化值，C（n）為加權函數，常量P為電池組中電池個數。（以下用法同）

靜態情況下放電時性能評估算法中的電壓表現函數和充電時一樣，只是加權函數不同，應為D（n）：



電壓表現函數的主要思想是將第k號電池在第一到第l段時間內每個時間段的電壓變化值減去在此段時間內電壓變化最小的電池的電壓數，并用這些計算得到的差值的加權和來評價此段時間內這個電池的電壓表現。

加權是因為在不同時間段的電壓表現對電池性能的反映程度不一樣。例如在充電過程中，第一段充電電流剛加到電池組上時電池的電壓表現，比后來充電時間段內電池的電壓表現，更能反映電池性能；在放電過程中，放電電流大的時間段內的電壓表現，比放電電流小的時間段內的電壓表現，更能反映電池性能；等等。此外，加權用的函數C（n）、D（n）應根據電池組在不同的應用場合進行調節。

把電池組P個F_kl中非零值的最小一個作為（F_min）_l，用它與F_kl的比值來評價其計算S_kl

S越小越好，最理想的電池可為零。SOR_k是在S_k的基礎上得出的結論：



靜態SOR評估算法的關鍵在于△T時間內所有電池的△U相對大小的比較。

這種評價算法認為電壓變化越小電池運行性能越好。它基于的一種認定就是：沒有任何一種故障，它表現為電池充電電壓上升慢或放電電壓下降慢；任何電壓變化波動小的電池就會被認為是運行性能好的。



實驗證明靜態SOR評估算法具有實時性好和高準確率等特點。以鋰電池為例，在串聯的鋰電池的放電后期，假如有一個電池中突然有一個單體電池電量耗盡，那么在放電曲線族上將看出該電池的放電曲線有一個明顯下降的臺階，這個臺階的大小就是一個單體電池的標稱電壓。鋰電池單體電壓平常為4V左右，放電后期大約3V，因此鋰電池的下降臺階為3V到4V之間。從圖7.2中我們可以看出，在電池組放電的前期U會有一定的差別（這是由于電池內阻的不同引起的，內阻表征大的，下降越明顯），那么相應S_kl將有一定的差異；在電池組放電的中期，電池放電曲線族的走向都很平穩，盡管在電壓高低上有區別，但在U上沒有很大差異，因此在中期的S_kl相差將不是很大。最關鍵的階段是放電后期，好壞電池間的區別非常明顯，一旦某個電池出現明顯下降的臺階，這個電池的第L時間段的S_kl將突然變大，自然最終對第k號電池的運行性能評估值SOR_k不會高，而且必定是低于正常放電結束的其他電池的SOR_k.

7.6電池組模糊診斷專家系統的實現

7.6.1癥狀模糊化

歷史數據是專家系統的數據輸入，專家系統進行診斷的前期工作就是利用歷史檔案求出電池隸屬于各癥狀的隸屬度。系統考慮實際需要隸屬度值用（0——10）表示（0——1）。由歷史檔案求隸屬度是大量試驗和電化學專家的經驗總結，本系統以鋰電池為例來說明。

根據上面的規則，專家系統中用到的癥狀主要有：

• 充電時電壓高、上升快；
• 放電時電壓低、下降快；
• 靜置時電壓下降快，電壓低；
• 開路電壓低，不能帶負載；
• 充電時電壓極高等等。

下面以充電電壓極高這一癥狀隸屬度的求解為例，說明癥狀隸屬度的求解過程。設其電壓為V，則充電電壓極高這一癥狀的隸屬度函數為：



隸屬度函數可在試驗中修改。

7.6.2故障診斷

同樣根據規則，系統的能診斷的故障主要有：

• 電池容量下降；電池自放電大；
• 電池充電不足；
• 電池內阻過大；
• 電池極板損壞；
• 電池損壞等等。

這m種故障和這n個癥狀的模糊關系矩陣被保存在數組DIAG[m][n]中，這個數組里保存的是代表規則里各個癥狀因素對故障的作用和影響大小的加權修正值。如果癥狀i對故障j的作用為零，

則DIAG[j][i]=0.

設某電池的癥狀隸屬度依次為：



數組DIAG中各元素的大小是專家系統的各規則的關鍵部分，需要同專家深入討論并不斷用試驗驗證，不符合的要反復調整，直到結果與電池的故障狀態符合為止。