基于改進(jìn)CNN 和信息融合的動(dòng)力電池組故障診斷方法*

彭運(yùn)賽，夏 飛，袁 博，王志成，羅志疆

(1.上海電力大學(xué)自動(dòng)化工程學(xué)院，上海 200090； 2.國(guó)家電網(wǎng)南瑞集團(tuán)公司，南京 210000；3.國(guó)家電網(wǎng)浙江送變電有限公司，杭州 310020； 4.國(guó)家電網(wǎng)淮北供電公司，淮北 235000)

前言

鋰離子電池具有單體電池電壓高、循環(huán)次數(shù)多、能量密度高和無(wú)污染等優(yōu)點(diǎn)[1-2]，已成為一種廣為應(yīng)用的動(dòng)力電池。 確保鋰離子電池安全可靠運(yùn)行是其發(fā)展的核心。 由于我國(guó)的鋰離子電池技術(shù)并未完全成熟，電池組不均衡故障的初期特征不易被發(fā)現(xiàn)，因此對(duì)鋰離子電池組進(jìn)行故障診斷，具有重要的現(xiàn)實(shí)意義。

鋰離子電池組的不均衡指的是同型號(hào)、同規(guī)格電池單體的容量、內(nèi)阻和電壓等參數(shù)存在較大偏差。它會(huì)導(dǎo)致電池在充放電過(guò)程中出現(xiàn)過(guò)充、過(guò)放的現(xiàn)象，嚴(yán)重影響電池組的使用安全與使用壽命。 鋰離子電池組的不均衡故障主要包括容量偏小故障、SOC 偏低故障和內(nèi)阻偏大故障。 目前鋰電池故障診斷方法以神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等淺層網(wǎng)絡(luò)為主。文獻(xiàn)[3]中利用BP 神經(jīng)網(wǎng)絡(luò)對(duì)鋰電池不均衡故障進(jìn)行診斷分析，但僅采用少量樣本，無(wú)法實(shí)現(xiàn)工程應(yīng)用。 文獻(xiàn)[4]中利用RBF 神經(jīng)網(wǎng)絡(luò)，基于 dSPACE電池模型，設(shè)計(jì)了一套電動(dòng)汽車(chē)動(dòng)力鋰離子電池的故障診斷系統(tǒng)。 由于鋰電池組自身結(jié)構(gòu)復(fù)雜且工作環(huán)境差異較大，導(dǎo)致其診斷準(zhǔn)確性降低，文獻(xiàn)[5]中在決策層采用改進(jìn)D-S 證據(jù)理論組合規(guī)則，融合BP 網(wǎng)絡(luò)和RBF 網(wǎng)絡(luò)兩種故障診斷結(jié)果，避免了單一方法診斷可能造成故障誤診的狀況。 該方法雖然對(duì)診斷結(jié)果進(jìn)行改進(jìn)，卻仍未解決淺層網(wǎng)絡(luò)診斷準(zhǔn)確率低的問(wèn)題。 這是因?yàn)闇\層神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜特征的學(xué)習(xí)能力較弱，不適用于特征提取精度要求高的故障診斷領(lǐng)域。 針對(duì)這種情況，部分學(xué)者提出深度學(xué)習(xí)的故障診斷方法，在更深層次提取信號(hào)特征，實(shí)現(xiàn)更精確的診斷。

卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network，CNN)作為典型的深度學(xué)習(xí)算法，被廣泛應(yīng)用于圖像識(shí)別領(lǐng)域。 與傳統(tǒng)淺層網(wǎng)絡(luò)相比，卷積神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)大的特征提取能力，運(yùn)算速度快，避免了訓(xùn)練易陷入局部極值的問(wèn)題。 近年來(lái)，國(guó)內(nèi)外學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷中并取得了不錯(cuò)的研究成果。 文獻(xiàn)[6]中在傳統(tǒng)CNN 網(wǎng)絡(luò)的基礎(chǔ)上增加反饋機(jī)制通過(guò)調(diào)節(jié)卷積核的數(shù)量與大小，來(lái)提高絕緣子狀態(tài)檢測(cè)的正確率。 文獻(xiàn)[7]中利用短時(shí)傅里葉變換生成軸承振動(dòng)信號(hào)的時(shí)頻譜圖，建立CNN 診斷模型，通過(guò)增加相應(yīng)環(huán)境的數(shù)據(jù)驗(yàn)證了其魯棒性。 文獻(xiàn)[8]中提出一種自適應(yīng)一維卷積神經(jīng)網(wǎng)絡(luò)故障診斷算法，利用深度網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)對(duì)原始振動(dòng)信號(hào)特征的自適應(yīng)層級(jí)化提取，在輸出端利用 Softmax 分類(lèi)器輸出診斷結(jié)果。 但隨著CNN 層數(shù)的增多，最后得到的特征向量的尺寸不斷減小，若僅以最后一層復(fù)雜度最高的特征進(jìn)行分類(lèi)易出現(xiàn)過(guò)擬合的風(fēng)險(xiǎn)。 文獻(xiàn)[9]中將CNN 不同層的特征進(jìn)行可視化分析，發(fā)現(xiàn)不同層次的特征可以互為補(bǔ)充，并對(duì)低層次特征下采樣得到與高層次特征相同維度進(jìn)行融合。 文獻(xiàn)[10]中采用多層特征融合的CNN 優(yōu)化方案，實(shí)現(xiàn)行人與騎車(chē)人的聯(lián)合檢測(cè)。 文獻(xiàn)[11]中利用兩路CNN 分別進(jìn)行特征提取，進(jìn)行不同維度的特征融合，實(shí)現(xiàn)了車(chē)輛型號(hào)的識(shí)別。 綜上所述，本文中擬采用改進(jìn)的CNN深度神經(jīng)網(wǎng)絡(luò)進(jìn)行動(dòng)力電池組的故障診斷。

在采用一般的CNN 網(wǎng)絡(luò)對(duì)動(dòng)力電池組故障進(jìn)行診斷后，發(fā)現(xiàn)診斷正確率只有92.5%。 為了進(jìn)一步提高CNN 網(wǎng)絡(luò)在動(dòng)力電池組故障診斷中的準(zhǔn)確率，本文中從以下3 方面對(duì) CNN 網(wǎng)絡(luò)進(jìn)行了改進(jìn)。

(1)在CNN 網(wǎng)絡(luò)中加入了Concat 層，從而可以同時(shí)融合不同層次的特征，減少了僅有深層次特征造成的過(guò)擬合。

(2)采用帶修正項(xiàng)的最小分類(lèi)誤差(minimum classification error，MCE)目標(biāo)函數(shù)優(yōu)化交叉熵函數(shù)，將其作為網(wǎng)絡(luò)的損失函數(shù)，彌補(bǔ)了交叉熵函數(shù)對(duì)非標(biāo)簽維梯度不做處理的不足，同時(shí)解決了MCE 梯度反向問(wèn)題。

(3)采用信息準(zhǔn)則(information criterion， IC)的方法確定CNN 網(wǎng)絡(luò)的最優(yōu)結(jié)構(gòu)，避免以遍歷的方式測(cè)試模型，單純以目標(biāo)測(cè)試集分類(lèi)準(zhǔn)確率作為標(biāo)準(zhǔn)的方法。

在對(duì)CNN 深度神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)之后，本文中針對(duì)動(dòng)力電池組故障診斷，提出了一種融合診斷的方法，具體步驟如下:首先對(duì)鋰電池的電壓和SOC變化的信號(hào)采用小波包分解分別處理，得到能量值構(gòu)成輸入特征向量；然后采用上述改進(jìn)的CNN 診斷網(wǎng)絡(luò)對(duì)動(dòng)力電池組故障進(jìn)行初步診斷；如果初步診斷結(jié)果滿足確診條件，則得到動(dòng)力電池組的診斷結(jié)果，如果不滿足確診條件，則對(duì)動(dòng)力電池組故障采用CNN 網(wǎng)絡(luò)進(jìn)行輔助診斷，并采用D-S 證據(jù)理論的方法將初步診斷結(jié)果和輔助診斷結(jié)果進(jìn)行融合，從而得到最終的診斷結(jié)果。 該方法的總體框圖如圖1所示。

圖1 改進(jìn)CNN 的動(dòng)力電池組融合診斷方法框圖

1 卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)

1.1 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層、全連接層和輸出層，其中隱含層由多個(gè)卷積層與池化層交叉堆疊而成。 原始數(shù)據(jù)通過(guò)在隱含層的逐層特征提取，完成低層次特征到高層次特征的變換，實(shí)現(xiàn)特征學(xué)習(xí)。 由于本文中采用一維向量作為網(wǎng)絡(luò)輸入，隱含層過(guò)多易造成網(wǎng)絡(luò)的過(guò)擬合，因此采用兩層卷積層結(jié)構(gòu)。

隨著CNN 層數(shù)的增多，提取的特征加深，最終得到的特征向量的尺寸不斷減小。 僅以最終復(fù)雜度最高的特征進(jìn)行分類(lèi)易出現(xiàn)過(guò)擬合的風(fēng)險(xiǎn)。 模型精度達(dá)到飽和后，梯度消失變得明顯，精度反而降低。同時(shí)，網(wǎng)絡(luò)層數(shù)增多也會(huì)導(dǎo)致模型的收斂速度變慢，訓(xùn)練時(shí)間拖長(zhǎng)。

本文中提出在全連接層前加入Concat 層，在Concat 層中同時(shí)融合不同層次特征的方法。 分類(lèi)器進(jìn)行分類(lèi)時(shí)，以相互補(bǔ)充的融合特征作為標(biāo)準(zhǔn)，減少了僅有深層次特征造成的過(guò)擬合。 Concat 層的操作過(guò)程為

式中:Xc為融合后的特征；fconcat(·)為特征融合操作；xc-1為Concat 層前一層的特征向量；xm為第m層待融合的特征向量。

Concat 層融合時(shí)若選擇最后一層特征與未經(jīng)池化的低層特征，高層特征的占比將會(huì)很小，勢(shì)必會(huì)影響故障診斷的精度。 因此Concat 層對(duì)第一層池化后的淺層特征與最后一層卷積層提取的高層特征進(jìn)行融合。 在全連接層將Concat 層中融合結(jié)果連接成一條一維向量。 由于本方法中采用一維數(shù)據(jù)作為特征向量，所以特征的融合無(wú)需考慮特征數(shù)據(jù)的大小，避免了傳統(tǒng)CNN 特征融合中結(jié)構(gòu)限制或特征數(shù)據(jù)丟失的問(wèn)題。

添加了Contact 層的卷積神經(jīng)網(wǎng)絡(luò)模型如圖2所示。 輸入層的1*18 維特征數(shù)據(jù)和卷積層中3 個(gè)1*3 維卷積核進(jìn)行卷積操作，形成3 個(gè)1*16 維特征向量，并繼續(xù)進(jìn)行池化、卷積操作，在Concat 層融合池化層和C2 卷積層中的不同層次特征，在全連接層連接為一維向量，最終通過(guò)分類(lèi)器完成診斷輸出。

圖2 改進(jìn)的CNN 模型

1.2 基于MCE 準(zhǔn)則的交叉熵函數(shù)優(yōu)化

在CNN 的訓(xùn)練過(guò)程中，目標(biāo)函數(shù)的選擇尤為重要。 常見(jiàn)的損失函數(shù)有均方誤差函數(shù)和交叉熵函數(shù)。 由于交叉熵函數(shù)比均方誤差函數(shù)平坦區(qū)域小，容易跳出局部最優(yōu)值，所以更適用于多分類(lèi)問(wèn)題[12]，而均方誤差函數(shù)則更適合于解決回歸問(wèn)題[13]。 但交叉熵存在對(duì)非標(biāo)簽維數(shù)據(jù)不做處理而直接進(jìn)行訓(xùn)練的問(wèn)題，這會(huì)影響對(duì)網(wǎng)絡(luò)的訓(xùn)練精度和收斂速度。 文獻(xiàn)[14]中最早引入最小分類(lèi)誤差(minimum classification error， MCE)準(zhǔn)則，來(lái)優(yōu)化淺層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。 為克服深度網(wǎng)絡(luò)中因目標(biāo)函數(shù)梯度飽和而影響網(wǎng)絡(luò)訓(xùn)練的問(wèn)題，文獻(xiàn)[15]中提出基于最大間隔最小分類(lèi)誤差的方法建立目標(biāo)函數(shù)，但該方法在錯(cuò)誤分類(lèi)時(shí)部分非標(biāo)簽維和交叉熵梯度方向會(huì)出現(xiàn)相反的情況，導(dǎo)致網(wǎng)絡(luò)在反向傳播的過(guò)程中無(wú)法充分訓(xùn)練。 文獻(xiàn)[12]中提出帶修正項(xiàng)的MCE 目標(biāo)函數(shù)優(yōu)化交叉熵函數(shù)，彌補(bǔ)了交叉熵函數(shù)對(duì)非標(biāo)簽維梯度不做處理的不足，同時(shí)解決了MCE梯度反向問(wèn)題。

分類(lèi)損失函數(shù)[12]定義為

因此，加入MCE 準(zhǔn)則修正項(xiàng)后的交叉熵?fù)p失函數(shù)表示為

此時(shí)，當(dāng)模型錯(cuò)誤分類(lèi)時(shí)，優(yōu)化后的損失函數(shù)可對(duì)非標(biāo)簽維的梯度進(jìn)行區(qū)分處理，保證梯度方向與交叉熵方向一致。

1.3 基于BIC 信息準(zhǔn)則的卷積核尺寸確定

CNN 結(jié)構(gòu)的確定迄今缺乏統(tǒng)一的標(biāo)準(zhǔn)。 依賴人工經(jīng)驗(yàn)進(jìn)行結(jié)構(gòu)選取時(shí)通常采用遍歷的方式測(cè)試模型，單純以目標(biāo)測(cè)試集的分類(lèi)準(zhǔn)確率作為標(biāo)準(zhǔn)。而目標(biāo)測(cè)試集數(shù)據(jù)量較少，模型可能存在對(duì)目標(biāo)測(cè)試集數(shù)據(jù)過(guò)擬合的情況，對(duì)目標(biāo)數(shù)據(jù)集以外數(shù)據(jù)效果不理想。 針對(duì)無(wú)法準(zhǔn)確確定最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)的問(wèn)題，文獻(xiàn)[16]和文獻(xiàn)[17]中提出采用赤池信息準(zhǔn)則(Akaike information criterion，AIC)對(duì)樣本輸入信息與輸出信息同時(shí)考慮以確定最優(yōu)RBF 網(wǎng)絡(luò)的方法，但AIC 準(zhǔn)則存在懲罰因子與樣本容量無(wú)關(guān)的缺陷，在樣本容量較大時(shí)對(duì)模型的懲罰相對(duì)較小。 文獻(xiàn)[18]中基于改進(jìn)的AIC 準(zhǔn)則確定電池RC 等效電路模型的階數(shù)，通過(guò)改變懲罰項(xiàng)的階數(shù)增大樣本容量的懲罰，但階數(shù)的確定仍依賴主觀判斷。 對(duì)此，文獻(xiàn)[19]中基于貝葉斯信息準(zhǔn)則(Bayesian information criterion，BIC)建立鋰電池最優(yōu)變階RC 等效電路模型，有效改善了AIC 準(zhǔn)則的缺陷。 因此本文中采用BIC 信息準(zhǔn)則確定改進(jìn)CNN 網(wǎng)絡(luò)中卷積核的個(gè)數(shù)。

BIC 準(zhǔn)則的定義為

式中:L為極大似然函數(shù)值；n為樣本容量；T為模型中未知的參數(shù)個(gè)數(shù)。 BIC 一般為負(fù)值，其值越小(即絕對(duì)值越大)表示模型的擬合程度越好。

當(dāng)CNN 模型的誤差服從正態(tài)分布時(shí)，BIC 準(zhǔn)則可改寫(xiě)為

式中SSE(sum of squares for error)為殘差平方和。在本模型中T和SSE分別表示為

式中:h為單個(gè)卷積核內(nèi)參數(shù)的數(shù)量；mh為參數(shù)數(shù)量為h的卷積核的個(gè)數(shù)；Tf為全連接層的參數(shù)個(gè)數(shù)；和yi分別為第i個(gè)實(shí)驗(yàn)數(shù)據(jù)的診斷輸出和實(shí)際輸出值。

通過(guò)計(jì)算不同卷積核的BIC 值，就可以確定其中的最優(yōu)卷積核的個(gè)數(shù)。

2 融合診斷方法

當(dāng)采用以上改進(jìn)的CNN 深度神經(jīng)網(wǎng)絡(luò)進(jìn)行動(dòng)力電池組故障診斷時(shí)，在得到初步診斷結(jié)果后，將根據(jù)以下的確診條件判斷是否結(jié)束診斷:即對(duì)輸出結(jié)果中的最大值和次最大值進(jìn)行求差運(yùn)算。 當(dāng)兩者的差值大于等于0.1 時(shí)，滿足診斷條件，此時(shí)的診斷結(jié)果為最終診斷結(jié)果。 而當(dāng)兩者的差值小于0.1 時(shí)，則不滿足確診條件，須啟動(dòng)復(fù)診過(guò)程。

復(fù)診診斷過(guò)程包括兩個(gè)部分。 第一部分，調(diào)用一般CNN 網(wǎng)絡(luò)，對(duì)剛才進(jìn)行診斷的電池組故障進(jìn)行輔助診斷。 第二部分，采用D-S 證據(jù)理論的方法，將一般CNN 網(wǎng)絡(luò)得到的輔助診斷結(jié)果和之前改進(jìn)CNN 網(wǎng)絡(luò)得到的初步診斷結(jié)果進(jìn)行融合，從而得到最終診斷結(jié)果。

其中，D-S 證據(jù)理論的組合規(guī)則為

式中:m(A)為基本概率分配(basic probability assignment，BPA)函數(shù)，表示證據(jù)體對(duì)A的支持程度；k ＝為證據(jù)體之間的沖突系數(shù)。

按照式(8)對(duì)動(dòng)力電池組故障的初步診斷結(jié)果和輔助診斷結(jié)果進(jìn)行融合后，確定最終的診斷結(jié)果須滿足以下條件。

(1)輸出狀態(tài)的BPA 為所有狀態(tài)BPA 的最大值，即

(2)融合結(jié)果中最大BPA 與次最大BPA 的差異足夠大，即

式中:At為證據(jù)體中最大BPA；Ar為證據(jù)體中次最大BPA。

(3)輸出狀態(tài)的BPA 值大于一定閾值，即

ε1和ε2一般根據(jù)經(jīng)驗(yàn)選取，本文中選擇ε1＝0.2，ε2＝0.5。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)數(shù)據(jù)描述

由于單體電池?zé)o法滿足電動(dòng)汽車(chē)的電壓需求，須將單體電池串聯(lián)成電池組使用。 電動(dòng)汽車(chē)電池組又分為若干模組串聯(lián)，每個(gè)模組由多個(gè)并聯(lián)的電芯結(jié)構(gòu)串聯(lián)組成。 實(shí)際應(yīng)用中無(wú)法監(jiān)測(cè)并聯(lián)結(jié)構(gòu)中單體電池的電壓，因此可將每個(gè)電芯并聯(lián)結(jié)構(gòu)等效成一個(gè)大電池。 文獻(xiàn)[20]中采用6 個(gè)單體鋰離子電池構(gòu)成電池組進(jìn)行均衡研究，本文中參照該結(jié)構(gòu)，利用6 個(gè)3 階高精度RC 等效電池模型構(gòu)建電池組Simulink 模型。 模型的參數(shù)通過(guò)混合脈沖功率特性(hybrid pulse power characterization test， HPPC)測(cè)試辨識(shí)得到。 電池組模型可根據(jù)各單體電池初始SOC和各個(gè)性能參數(shù)的衰減狀況，得到不同狀態(tài)下的電壓和SOC 值。 本文中在美國(guó)城市循環(huán)工況(urban dynamometer driving schedule，UDDS)下采集電池組中不同性能參數(shù)衰減狀態(tài)下的各單體電池的電壓、SOC 變化數(shù)據(jù)作為故障診斷的原始數(shù)據(jù)信號(hào)。

3.2 故障特征提取

采用3 層小波包分別對(duì)UDDS 工況下的動(dòng)力電池電壓和SOC 信號(hào)進(jìn)行分解。 第3 層小波包可將各信號(hào)分成由低頻至高頻的8 個(gè)信號(hào)分量，分別對(duì)信號(hào)分量進(jìn)行小波包系數(shù)重構(gòu)，利用能量公式計(jì)算得到節(jié)點(diǎn)的能量值。 模型輸入特征數(shù)據(jù)采用每組數(shù)據(jù)的電壓、SOC 能量值、電壓初值、SOC 初值的數(shù)據(jù)組合，即特征向量的尺寸為1*18 維。

SOC 偏低故障A1、容量偏小故障A2、內(nèi)阻偏大故障A3和正常狀況A4分別在網(wǎng)絡(luò)中采用矢量(1，0，0，0)、(0，1，0，0)、(0，0，1，0)和(0，0，0，1)來(lái)表示輸出。

3.3 改進(jìn)的CNN 結(jié)構(gòu)

為分析改進(jìn)CNN 的特征提取能力與分類(lèi)效果，分別采用加入Concat 層與未加Concat 層的相同卷積層結(jié)構(gòu)的CNN 網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)對(duì)比，隱含層選擇結(jié)構(gòu)為:C1(1*3*3)-P-C2(1*3*3)，其中 C 代表卷積層，(1*3*3)代表該層有3 個(gè)1*3 的卷積核，P 代表池化層。 訓(xùn)練過(guò)程中學(xué)習(xí)率設(shè)定為0.1，迭代次數(shù)設(shè)定為300 次，訓(xùn)練結(jié)果如圖3 所示。

圖3 不同結(jié)構(gòu)的CNN 準(zhǔn)確率

從圖中可以看出，改進(jìn)前后的整體趨勢(shì)大致相同，均能夠在快速達(dá)到收斂狀態(tài)，但是加入Concat層后的改進(jìn)CNN 網(wǎng)絡(luò)明顯具有更高的診斷準(zhǔn)確率，達(dá)到92.5%。 同時(shí)由于訓(xùn)練過(guò)程中完成淺層次特征提取的進(jìn)程較快，加入Concat 層的改進(jìn)CNN 訓(xùn)練速度有所提升。 可見(jiàn)，采用改進(jìn)的CNN 結(jié)構(gòu)融合不同層次數(shù)據(jù)特征，可以實(shí)現(xiàn)更加準(zhǔn)確的分類(lèi)。

3.4 損失函數(shù)優(yōu)化

采用上文加入Concat 層的CNN 網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練參數(shù)，利用MCE 準(zhǔn)則對(duì)其訓(xùn)練過(guò)程中的交叉熵函數(shù)進(jìn)行優(yōu)化，其結(jié)果如圖4 所示。

圖4 優(yōu)化損失函數(shù)后對(duì)準(zhǔn)確率的影響

從圖中可以看到，對(duì)交叉熵進(jìn)行優(yōu)化后，收斂速度未受到過(guò)多影響。 交叉熵函數(shù)在訓(xùn)練過(guò)程中對(duì)非標(biāo)簽維數(shù)據(jù)不做處理產(chǎn)生的影響主要體現(xiàn)在訓(xùn)練精度中，優(yōu)化模型訓(xùn)練過(guò)程中精度有較明顯的提升，訓(xùn)練完成時(shí)MCE 優(yōu)化后的改進(jìn)CNN 模型的診斷精度達(dá)到93.5%，比未優(yōu)化模型的準(zhǔn)確率提高1 個(gè)百分點(diǎn)。

ALE，可以將SAP系統(tǒng)中的信息分享到別的系統(tǒng)中，其主要功能是為兩個(gè)有關(guān)聯(lián)的SAP系統(tǒng)提供信息同步服務(wù)，在SAP應(yīng)用體系中發(fā)揮著非常重要的作用。IDoc是一個(gè)中間文件，也可以成為數(shù)據(jù)容器，主要功能是實(shí)現(xiàn)SAP系統(tǒng)與其他系統(tǒng)之間的信息交換。

3.5 基于BIC 準(zhǔn)則的卷積核確定

根據(jù)BIC 準(zhǔn)則的“吝嗇原理”，其值最小代表模型最佳。 在確定CNN 網(wǎng)絡(luò)結(jié)構(gòu)后，對(duì)卷積層不同的卷積核尺寸分別進(jìn)行了實(shí)驗(yàn)，得到其BIC 值，實(shí)驗(yàn)結(jié)果如表1 所示。 表中的“準(zhǔn)確度值”即為式(5)中的第1 項(xiàng)，它皆為負(fù)值，其絕對(duì)值越大，表示準(zhǔn)確度越高；“過(guò)擬合懲罰”即為式(5)中的第2 項(xiàng)，其數(shù)值越小，表示模型越簡(jiǎn)單。

表1 CNN 網(wǎng)絡(luò)中不同卷積核尺寸的BIC 值

由表1 可知，當(dāng)采用“C1(1*3*3)-P-C2(1*4*3)”的卷積層結(jié)構(gòu)時(shí)，BIC 值為-698，準(zhǔn)確度值和過(guò)擬合懲罰值分別為-1 347 和649，均為測(cè)試結(jié)構(gòu)中的最低值，故本文中的改進(jìn)CNN 網(wǎng)絡(luò)中采用了以上卷積層結(jié)構(gòu)。

為了進(jìn)一步說(shuō)明通過(guò)BIC 準(zhǔn)則確定的CNN 結(jié)構(gòu)具有較好的診斷效果，分別采用該結(jié)構(gòu)CNN 網(wǎng)絡(luò)和一般CNN 網(wǎng)絡(luò)對(duì)動(dòng)力電池組數(shù)據(jù)進(jìn)行測(cè)試。 這里分別選擇了4 組故障數(shù)據(jù)集進(jìn)行測(cè)試，測(cè)試結(jié)果如圖5 所示。

圖5 不同測(cè)試集下的準(zhǔn)確率

從圖5 中可以看出，除測(cè)試數(shù)據(jù)集3 中兩個(gè)網(wǎng)絡(luò)的準(zhǔn)確率相同外，其余數(shù)據(jù)集中通過(guò)BIC 準(zhǔn)則確定的最優(yōu)網(wǎng)絡(luò)均具有較高的準(zhǔn)確率。 可見(jiàn)采用BIC準(zhǔn)則確立的CNN 模型在動(dòng)力電池組故障診斷中具有較高的準(zhǔn)確率。

3.6 基于融合診斷的動(dòng)力電池組故障診斷

根據(jù)3.3 節(jié)和3.5 節(jié)的實(shí)驗(yàn)結(jié)果，本文中最終確定了改進(jìn)的CNN 診斷網(wǎng)絡(luò)用于動(dòng)力電池組故障診斷。 為分析該診斷網(wǎng)絡(luò)的性能，分別采用BP 神經(jīng)網(wǎng)絡(luò)、LSTM 網(wǎng)絡(luò)、一般CNN 網(wǎng)絡(luò)和本文中提出的改進(jìn)CNN 網(wǎng)絡(luò)在相同的訓(xùn)練集與測(cè)試集中進(jìn)行特征學(xué)習(xí)與故障診斷。 表2 給出了不同方法在電池組不一致故障數(shù)據(jù)集中的診斷準(zhǔn)確率。

表2 不同方法的診斷準(zhǔn)確率

從表2 可以看到，BP 神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確率明顯低于其余3 種深度學(xué)習(xí)算法。 本文中提出的改進(jìn)CNN 方法對(duì)于動(dòng)力電池組故障具有較好的診斷效果。 尤其對(duì)另外3 種方法均無(wú)法高效檢測(cè)出的容量偏小故障，改進(jìn)CNN 的準(zhǔn)確率可達(dá)98%。 但對(duì)正常狀態(tài)的診斷準(zhǔn)確率相對(duì)較低，僅有88%。 與改進(jìn)CNN 相比，一般 CNN 網(wǎng)絡(luò)的診斷準(zhǔn)確率也可達(dá)到92.5%。

因此為進(jìn)一步提高動(dòng)力電池組故障診斷的準(zhǔn)確率，可對(duì)改進(jìn)CNN 網(wǎng)絡(luò)的診斷結(jié)果加入確診條件判斷。 當(dāng)不滿足確診條件時(shí)，可將一般CNN 網(wǎng)絡(luò)作為輔助診斷網(wǎng)絡(luò)對(duì)動(dòng)力電池組故障進(jìn)行診斷，并將輔助診斷結(jié)果和改進(jìn)CNN 網(wǎng)絡(luò)得到的初步診斷網(wǎng)絡(luò)結(jié)果采用D-S 理論進(jìn)行融合，并根據(jù)決策條件得到最終診斷結(jié)果。

該電池組實(shí)際情況為正常，而故障初步診斷的結(jié)果如表3 第1 行所示。 由表3 可知，在改進(jìn)CNN網(wǎng)絡(luò)診斷中，雖然根據(jù)輸出最大值原則，判斷該故障為容量偏小故障，但容量偏小對(duì)應(yīng)的輸出和正常的輸出差值僅為0.04，不符合確診條件。 所以對(duì)該故障繼續(xù)采用一般CNN 網(wǎng)絡(luò)進(jìn)行輔助診斷，診斷結(jié)果如表3 第2 行所示，判定為正常。

表3 動(dòng)力電池組故障融合診斷舉例

進(jìn)一步對(duì)表3 中的初步診斷結(jié)果和輔助診斷結(jié)果進(jìn)行融合，得到融合診斷結(jié)果。 其中，診斷結(jié)果為正常的數(shù)值為0.75，遠(yuǎn)大于排在第2 位的診斷結(jié)果，故該動(dòng)力電池組為正常狀態(tài)。 從表3 中可以看到，改進(jìn)CNN 方法中錯(cuò)誤診斷的數(shù)據(jù)經(jīng)D-S 融合后輸出正確的判定結(jié)果，證明了本文中提出的融合診斷方法是可行的。

接下來(lái)，對(duì)相同的動(dòng)力電池組故障采用本文中提出的融合診斷方法進(jìn)行了測(cè)試，得到的測(cè)試結(jié)果如圖6 所示。

從圖6 中可以看出，采用融合診斷的方法之后，整體故障診斷準(zhǔn)確率由僅采用改進(jìn)CNN 網(wǎng)絡(luò)得到的95%提高到96%。 特別是采用該方法后，電池組正常狀態(tài)的準(zhǔn)確率由88%提升至94%，明顯減少了電池組故障診斷中誤診的情況。 當(dāng)然，在采用融合診斷后，對(duì)于容量偏小的診斷準(zhǔn)確率相比于改進(jìn)CNN 網(wǎng)絡(luò)診斷的診斷準(zhǔn)確率低了2%，這一問(wèn)題需要在后續(xù)工作中進(jìn)行深入研究。

4 結(jié)論

(1) 在全連接層前增加Concat 層，提出不同層次特征融合的改進(jìn)CNN 模型，提高了網(wǎng)絡(luò)的訓(xùn)練速度與診斷精度。 并在訓(xùn)練過(guò)程中利用MCE 準(zhǔn)則優(yōu)化交叉熵函數(shù)，解決了其非標(biāo)簽維梯度在反向傳播中不做處理的問(wèn)題。

(2) 通過(guò)BIC 準(zhǔn)則確定卷積層中最優(yōu)的卷積核尺寸與數(shù)量，解決了主觀選擇CNN 結(jié)構(gòu)導(dǎo)致的模型適用范圍小的缺點(diǎn)。

(3) 在得到改進(jìn)CNN 診斷結(jié)果后，采用確診條件進(jìn)行判斷。 對(duì)不符合確診條件的診斷結(jié)果，進(jìn)一步采用輔助診斷網(wǎng)絡(luò)，將初步診斷結(jié)果和輔助診斷結(jié)果采用D-S 證據(jù)理論進(jìn)行融合，從而提高了動(dòng)力電池組的故障診斷準(zhǔn)確率。