基于改进CNN和信息融合的动力电池组故障诊断方法

• 作者: 夏飞 彭运赛 王志成 罗志疆 袁博
• 来源期刊: 汽车工程
• 关键词: 锂离子电池组 故障诊断 卷积神经网络 BIC准则 信息融合
• 年，卷（期）: 2020,（11）
• 页码范围: 1529-1536
• 页数: 8页
• 语种: 中文
• DOI: 10.19562/j.chinasae.qcgc.2020.11.011

摘要

本文中提出一种基于改进CNN和信息融合的锂离子电池组故障诊断方法.首先,在全连接层前加入Concat层,以融合不同层次的特征,建立改进的CNN模型.然后,采用MCE准则来优化交叉熵损失函数,解决其在非标签维梯度不做处理的问题.针对人工确定CNN卷积核结构存在的不够实用的问题,利用BIC准则确定模型最优卷积核结构.采用以上改进CNN进行诊断后,引入确诊条件进行判断.对不符合确诊条件的诊断结果,进一步采用一般CNN网络进行辅助诊断.通过将初步诊断结果和辅助诊断结果采用D-S证据理论进行融合的方法,得到最终的诊断结果.测试结果表明,本文中提出的方法可有效提高动力电池组的故障诊断准确率.