一种基于RBF神经网络的电动自行车电池单体故障诊断方法与流程

本发明涉及电动自行车电池故障诊断，具体为一种基于rbf神经网络的电动自行车电池单体故障诊断方法。

背景技术：

1、近年来，环境污染和能源短缺问题引起了人们的广泛关注。可持续交通的发展有利于减小对化石能源的依赖和二氧化碳的排放。电动自行车以其便捷灵活和和低成本特性在生活中扮演着重要的角色。然而，随着电动自行车的广泛普及，电动自行车电池因各种故障引起的火灾或其他危险事故急剧增加。电池作为电动自行车最重要的部件，其健康状态的好坏直接决定了电动自行车的整体性能。电池发生故障，会造成电动自行车运行状态出现问题，严重的会造成起火甚至爆炸事故，对电动自行车用户的安全构成了极大的威胁。因此，快速、精准、安全、高效的对电池故障进行诊断排查，对于延长电池的使用寿命、保护电动自行车用户安全、降低火灾隐患以及进一步改造电池具有巨大的优势。

2、径向基函数(rbf)神经网络是一种自学习自适应能力强，能够处理多输入多输出的非线性系统问题的有效方法，包括输入层、径向基函数隐含层、输出层，是一种高效的前馈式神经网络，具有最佳逼近性能和全局最优特性。其中输入层单元与隐含层单元直接连接，隐含层单元到输出层单元时权连接。传递函数是径向对称性和中心点衰减的非线性函数，如高斯函数。只有一层隐含层，隐含层单元数量根据具体的问题，在训练过程中自适应调整，输入层和输出层神经单元个数根据具体问题设定。

3、目前，针对电动自行车电池故障诊断的研究主要有以下两方面：基于模型的故障诊断方法和无模型的故障诊断方法。其中，基于模型的故障诊断方法利用电池模型，并结合参数估计、状态估计等方法，通过计算分析实际测量值与电池模型预测值的区别来进行故障诊断；无模型的诊断方法又可分为基于知识的方法和基于数据驱动的方法，无需建立电池的动态特性模型，但更加依赖样本数据的质量。本发明将rbf神经网络和电动自行车电池故障诊断相结合，以期能够快速准确地诊断出电动自行车电池存在的故障类型，从而进行报警，降低由电池故障引起的火灾隐患。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：传统的rbf神经网络存在的参数难以确定问题，本发明结合fcm聚类算法的优点，提出利用fcm聚类算法对rbf神经网络进行改进，设计了基于fcm聚类算法的rbf神经网络电动自行车电池单体故障诊断方法，旨在更为准确地识别出电动自行车电池的故障类型。此发明旨在通过电池电压、电池电流、电池温度、荷电状态(soc)、电池内阻和容量信号数据，对电动自行车电池的故障类型进行准确识别，减少由电动自行车电池故障引起的火灾事故。

3、为解决上述技术问题，本发明提供如下技术方案：一种基于rbf神经网络的电动自行车电池单体故障诊断方法，包括：采集电动自行车电池的原始正常数据和故障数据；对原始数据进行数据处理；通过经过数据处理的原始数据将电动自行车电池数据划分为训练数据集和测试数据集；将所述训练数据集输入到改进的rbf神经网络中进行学习训练；将所述测试数据集输入到经过训练的rbf神经网络进行电动自行车电池故障诊断分类测试，并输出诊断结果；通过电池管理系统对电池故障做出诊断。

4、作为本发明所述的基于rbf神经网络的电动自行车电池单体故障诊断方法的一种优选方案，其中：所述原始正常数据包括电池电压、电流、温度、soc、电池内阻，以及容量信号数据；

5、对磷酸铁锂电池进行故障模拟实验，通过对电池各种参数的设置以及环境温度的设置来模拟磷酸铁锂电池放电过程中的正常状态和各种故障状态，其中各种故障状态包括电池过充电、过放电、电池老化、过压、欠压、内阻增大、电池容量减小、温度过高和温度过低九个故障状态；

6、所述故障数据是各种所述故障状态下生成的数据。

7、作为本发明所述的基于rbf神经网络的电动自行车电池单体故障诊断方法的一种优选方案，其中：基于正常状态和故障状态，每个状态的数据采集18组样本，每组样本包含电压，电流，温度，soc，内阻和容量信号数据，然后使用小波包分解的方法对样本数据去除噪声，并进行归一化处理。

8、作为本发明所述的基于rbf神经网络的电动自行车电池单体故障诊断方法的一种优选方案，其中：样本数据集和测试数据集按照4:1的比例进行分配。

9、作为本发明所述的基于rbf神经网络的电动自行车电池单体故障诊断方法的一种优选方案，其中：所述改进的rbf神经网络的输入层有6个节点，输出层有4个节点。基函数的数据中心通过fcm聚类算法确定，权值向量利用最小二乘法确定，隐含层单元的扩展系数和输出神经元的偏置通过梯度下降法确定。同时，设置均方误差为0.001。

10、作为本发明所述的基于rbf神经网络的电动自行车电池单体故障诊断方法的一种优选方案，其中：采用fcm聚类算法、最小二乘算法和梯度下降法确定rbf神经网络的参数，包括，

11、基于fcm聚类法确定rbf神经网络的数据中心，具体包括如下步骤：

12、从数据集中随机选取c个样本点作为初始聚类中心，设定终止阈值，给定隶属度因子m＝2，迭代次数b＝0；

13、通过如下公式计算模糊划分矩阵u(b)：

14、

15、其中，xj表示第j个输入数据；表示输入数据xj对于第i个聚类的隶属度；表示第i个聚类的中心点在第b次迭代中的位置；表示数据点xj到第i个聚类中心的欧氏距离；

16、通过如下公式分别计算c个类的类内均值，并将其作为新的类中心，更新聚类中心矩阵p(b+1)：

17、

18、若||p(b+1)-p(b)||≤ε，则终止算法，然后分别输出模糊划分矩阵u和聚类中心矩阵p，否则令计数器b＝b+1，重复计算模糊划分矩阵和c个类的类内均值，并将其作为新的类中心，更新聚类中心矩阵p(b+1)，直至新旧类中心矩阵差值小于设定好的阈值ε，终止算法并输出u与p；此处得到的聚类中心矩阵p即为神经网络基函数的数据中心；k是聚类中心索引。

19、利用最小二乘法确定权值向量，具体步骤如下：

20、若输入信息为xj，j＝1,2,3时，第i个隐节点的输出为：

21、hi＝φi(||xj-ci(k)||)   (3)

22、其中，hi为第i个隐含节点的输出；φi(||xj-ci(k)||)为第i个隐含节点的激活函数，此处为高斯函数；ci(k)为第i个隐含节点的中心向量在第k次迭代中的位置。

23、假设隐含层输出矩阵h＝[hji]，若则隐含层输出矩阵为：

24、

25、如果rbf神经网络的权值矢量为w＝(w1,w2,…,wn)t，则对于所有的输入数据而言，网络的预测输出为：

26、

27、令逼近误差为确定后，则通过期望输出y＝(y1,y2,…,yn)t，便可求出网络的输出权值：

28、

29、普通情况下的取值可以通过最小二乘法求得：

30、

31、上式中为的伪逆，即

32、

33、然后，使用梯度下降算法修正rbf神经网络的其他参数，定义损失函数为：

34、

35、其中，是第n次迭代时第k个神经元的误差；

36、将第j个中心点的扩展常数σj和第k个输出神经元的偏置bk修正为：

37、

38、其中，ασ和αb分别为对应参数的学习步长，取值在(0,1)之间；

39、最后，将训练数据集输入到改进的rbf神经网络中进行学习训练。

40、作为本发明所述的基于rbf神经网络的电动自行车电池单体故障诊断方法的一种优选方案，其中：所述改进的rbf神经网络中隐含层神经元的基函数选用高斯函数：

41、

42、其中，φi(x)是第i个隐含层单元的输出，ci和σi分别是第i个隐含层单元的数据中心和扩展系数；

43、将测试数据集输入到训练后的rbf神经网络进行测试，并输出电动自行车电池故障类型诊断结果。

44、为进一步解决上述技术问题，本发明提供如下技术方案：一种适用于确定燃气轮机燃烧室出口燃气比热比的系统，包括：数据采集模块，用于采集电动自行车的关键运行参数；数据处理模块，用于对原始数据进行预处理和分析；故障检测与诊断模块，用于实时监测电动自行车各项参数并检测故障，利用rbf神经网络实现电动自行车出现的异常模式，并对异常模式进行进一步的诊断和分类；报警模块，用于向管理人员或用户发送实时故障警报和通知，确保及时通知管理人员或用户采取相应的措施。

45、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述基于rbf神经网络的电动自行车电池单体故障诊断方法的步骤。

46、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述基于rbf神经网络的电动自行车电池单体故障诊断方法的步骤。

47、本发明的有益效果：本发明利用fcm聚类算法对rbf神经网络进行改进，建立了基于fcm聚类的rbf神经网络，形成了基于改进的rbf神经网络的电动自行车电池单体故障诊断方法，通过仿真实验得到的电池电压、电流、温度、soc、内阻和容量，对神经网络进行训练和测试，最终实现对电动自行车电池的故障诊断。这一方法可以实现故障预警，火灾预防，同时对电动自行车电池的改进提供一定的借鉴意义。