基于改进残差网络的锂离子电池故障诊断_段双明.pdf

第 53 卷 第 3 期2023 年 6 月电池BATTERY BIMONTHLYVol.53,No.3Jun.,2023作者简介:段双明(1984-),男,吉林人,东北电力大学现代电力系统仿真控制与绿色电能新技术教育部重点实验室实验师,博士,研究方向:新能源发电运行控制,通信作者;徐 超(1994-),男,吉林人,东北电力大学现代电力系统仿真控制与绿色电能新技术教育部重点实验室硕士,研究方向:新能源发电运行控制。基金项目:国家自然科学基金(U1766204),吉林省自然科学基金(20200201198JC)DOI:10.19535/j.1001-1579.2023.03.005基于改进残差网络的锂离子电池故障诊断段双明,徐 超(东北电力大学现代电力系统仿真控制与绿色电能新技术教育部重点实验室,吉林 吉林 132012)摘要:针对残差网络(ResNet)对特征提取准确率低和拟合度不够的问题,提出一种基于改进残差网络的锂离子电池故障诊断方法。首先,利用 Simulink 对电池容量变小、内阻变大、充电不足和自放电大等 4 种故障进行故障模拟,得到故障电压数据,作为输入,将首层提取的特征因式分解,分别加到后面的每一层;然后,引入注意力模块(SELayer)分支轻量化;最后,采用反卷积上采样,使远距离残差特征融合,加深特征提取能力,并降低计算量。改进残差网络故障模拟实验表明,与传统的ResNet50、ResNext、DensNet121 和 DensNet169 等4 种模型相比,所提模型的诊断准确率从88.63%提高到99.00%以上,参数量从 2 500 万减小到了 2 470 万,收敛速度上也具有一定的优势。关键词:锂离子电池;特征提取;故障诊断;残差神经网络;注意力模块中图分类号:TM912.9 文献标志码:A 文章编号:1001-1579(2023)03-0257-05Fault diagnosis of Li-ion battery based on improved residual networkDUAN Shuang-ming,XU Chao(Key Laboratory of Modern Power System Simulation and Control&Renewable Energy Technology,Ministry of Education,Northeast Electric Power University,Jilin,Jilin 132012,China)Abstract:Aiming at the problems of low accuracy of feature extraction and insufficient fitting of residual network(ResNet),a fault diagnosis method for Li-ion battery based on improved residual network was proposed.Firstly,Simulink was used to simulate four kinds of faults,such as battery capacity becoming smaller,internal resistance becoming larger,under-charge and self-discharge becoming larger,to obtain fault voltage data,which was used as input.The feature factor extracted from the first layer was decomposed and added to each subsequent layer.Then the attention module(SELayer)branch was introduced for lightweight.Finally,deconvolution up-sampling was used to fuse the remote residual features,deepen the feature extraction ability and reduce the calculation amount.The improved residual network fault simulation experiment showed that compared with the traditional ResNet50,ResNext,DensNet121 and DensNet169 models,the diagnosis accuracy of proposed model was increased from 88.63%to above 99.00%,the parameter quantity was reduced from 25.0 million to 24.7 million,the convergence speed also had some advantages.Key words:Li-ion battery;feature extraction;fault diagnosis;residual neural network;attention module 近年来,随着机器学习研究的不断深入,采用数据驱动的电池故障诊断方法取得了较大的进展1。文献2构造一个含有参数的光滑激活函数用于深度学习神经网络,通过基于误差反向传播算法建立参数的在线修正公式。该方法虽然解决了梯度不光滑和过拟合问题,但精确度有待提高。文献3针对浅层学习算法与传统深度学习混合网络存在的问题,将改进的深度学习混合网络与小波分析用于电机的故障诊断。该方法虽然鲁棒性和抗噪声能力强,但局限性在于实验性能和诊断正确率受训练样本大小的影响。文献4提出在全连接层前加入特征融合层(Concat),以融合不同层次电池BATTERY BIMONTHLY第 53 卷的特征,建立改进的卷积神经网络模型,采用最小分类误差(MCE)准则来优化交叉熵损失函数,以解决在非标签维梯度不做处理的问题。文献5 提出一种基于深度信念网络(DBN)的电动汽车直流充电点故障诊断方法。该方法利用充电点的实际测量数据,结合 DBN 在特征提取和非线性数据处理方面的优势,实现网络的无监督特征提取和参数微调,构建深度网络模型,完成故障诊断,但准确率还有待提高。在面对设备复杂故障情况时,深度学习技术能针对监测数据的特点进行数据挖掘,具有很好的实际应用价值6。文献7使用一维卷积神经网络,端到端学习实车数据和故障标签的映射关系,平均召回率达到 93.35%,低于一般的方法。文献8提出基于深度卷积生成对抗网络(DCGAN)的故障诊断方法,总体故障准确率为 98.33%。本文作者通过加深神经网络特征提取的方式来提升对电池故障诊断的准确率,提出一种基于改进残差网络的锂离子电池故障诊断方法。首先,利用 Simulink 对电池容量变小、内阻变大、充电不足和自放电大等 4 种故障进行故障模拟,得到故障电压和荷电状态(SOC)数据,作为输入,将首层提取的特征因式分解分别加到后面的每一层;然后,引入注意力模块(SELayer)分支轻量化,再采用反卷积上采样,使得远距离残差特征融合,加深特征提取能力,并且降低计算量,以期提高模型的检测效率和准确率。1 锂离子电池故障类型和电池模型1.1 锂离子电池故障类型常见的锂离子电池系统主要包括电池本体、电池管理系统和连接组件等。在电池运行时,引起故障的原因不同,故障出现的地点也就不同。目前,锂离子电池故障诊断的方法主要是针对电池本体,对其他故障原因的研究较少。电池本体可能会产生许多类型的故障,类似电池过充、过压等较明显的故障,通过对电池数据的实时采集很容易发现,但如电池容量变小、内阻变大、充电不足和自放电大等故障,则需要对历史数据进行分析9,再进行故障诊断。1.2 锂离子电池模型锂离子电池模型目前主要分为两大类,等效电路模型和电化学模型。电池模型的选择决定了电池参数辨识的准确性,对故障模拟影响很大。实验采用二阶 RC 等效电路模型,通过递推最小二乘(RLS)算法对模型参数进行辨识,得到的参数代入到 Simulink 仿真中,对电池正常状态和容量变小、内阻变大、充电不足和自放电大等 4 种故障进行模拟,得到电压和 SOC 数据。2 理论背景2.1 残差网络基本的残差神经网络(ResNet)和普通的卷积神经网络的网络结构相似,都有基本的输入层、隐含层和输出层,最大的区别在于 ResNet 在隐含层中存在一个特有的结构 残差块。基本的残差神经网络采用快捷连接(shortcut)方式连接残差块,残差网络的基础结构如图 1 所示。图 1 残差网络的基础结构Fig.1 The infrastructure of residual network假设某一层内的最优函数 F(x)记为:F(x)=H(x)(1)式(1)中:H(x)为神经网络函数;x 为残差。那么将所拟合的目标函数 F(x)定义为:F(x)=H(x)-x(2)式(2)中:F(x)被定义为残差函数。由此可见,相较于普通卷积神经网络的目标函数而言,ResNet 发生了改变,在原有基础上附加了原本一部分的输入数据 x,反映到数据上,则是在经过一个残差结构后的输出数据中,还保留输入数据的特征值,最大区别就在于此。Res-Net 的基本架构由图 2 所示的残差块组成。残差块主要由两个卷积层和一个池化层组成,卷积层和池化层的输出相加,得到真正的输出数据,通过全连接层输出。针对网络深度和卷积核的选取要求,选择 ResNet50 作为实验基础网络。图 2 残差块的基本构成Fig.2 Basic structure of residual block2.2 注意力模块(SELayer)在卷积运算中,利用注意模块提取局部特征,融合通道间的特征。在通道维度上增加了注意力机制。注意力模块的灵活性在于它可以直接应用在现有的网络结构中。压缩(Squeeze)和激励(Excitation)是该模型提议的结构中两个非常关键的操作。实验的动机是对特征通道之间的相互依赖性进行显式建模;同时,不引进新的空间维度融合特征通道,采用“特征重校准”策略。首先是 Squeeze 的运算,基于空间维度行特征压缩,将每个二维通道的特征变换为一个实数,该实数在一定程度上具有全局感受野,输出的维度与输入的通道数一致。代表特征的通道上响应的全局分布,使得接近输入的层能够获得全局感觉区域,这在许多任务中是有用的。第二个是 Excitation 操作,类似递归神经网络中的门的机制。对于每个特征通道,参数 w 产生权重,并且 w 能明显表示建模特征通道之间的相关性。2.3 混淆矩阵混淆矩阵是深度学习中常用的辅助工具。混淆矩阵是852第 3 期段双明,等:基于改进残差网络的锂离子电池故障诊断一个误差矩阵,通常可用来评价监督学习算法的性能,能直观地了解每个样品的性能。矩阵形式见表 1。表 1 混淆矩阵的表现形式Table 1 Expression of confusion matrix混淆矩阵预测值01真实值0真负(TN)假正(FP)1假负(FN)真正(TP)TP:将正类预测为正类数,真实为 0,预测也为 0;FN:将正类预测为负类数,真实为 0,预测为 1;FP:将负类预测为正类数,真实为 1,预测为 0;TN:将负类预测为负类数,真实为1,预测也为 1。混淆矩阵展示的结果分别采用准确率(Ac)、精准率(Pr)、召回率(Re)及调和平均值(F1)表示,对应公式如下:Ac=TP+TNTP+FP+TN+FN100%(3)Pr=TPTP+FP100%(4)Re=TPTP+FN100%(5)F1=2PrRePr+Re100%(6)式(3)-(6)中:Ac是判断