.532. 智能系统学报 第12卷 项，虽然没有随便支持其他目标，但同时提高了决 所示。 策难度。文献[15]绝大部分的支持率赋给了未知 表3S0C为80%时各类电池电压信号能量值归一化 项，很大程度上会干扰融合结果，决策精度较低。 Table 3 SOC=80%energy values of various types of 文献[16]按照各命题的平均支持度分配冲突信息， battery voltage signal normalization 需要更多的证据才能得到正确的结果，融合效果不 电压能量值Cell_Norm Cell_Cap Cell Rt Cell SOC 太理想。文献[17]忽略了多条数据源的权重，加强 E'(3.0) 0.5060 0.5046 0.5020 0.4872 了冲突信息对融合结果的不利影响，存在一定缺陷。 E'(3.1) 0.4054 0.4023 0.7298 0.3758 本文所提出的方法可以解决“一票否决”的问 E'(3,2) 0.4007 0.3971 0.7337 0.3788 题，通过初步诊断方法的诊断准确率及证据之间的 E'(3,3) 0.4085 0.4057 0.7212 0.3853 支持矩阵来确定证据的加权系数，降低了冲突证据 E'(3,4) 0.4005 0.3969 0.7340 0.3786 对融合结果的影响，同时考虑了焦元的信任度加入 E'(3,5) 0.4003 0.3968 0.7344 0.3781 到组合规则中，把冲突从证据之间扩展到焦元之 间，合理有效地利用冲突证据的有用信息。本文的 E'(3.6) 0.4068 0.4035 0.7247 0.3827 组合规则同时处理了一致性信息和焦元冲突信息， E(3,7) 0.3980 0.3942 0.73840.3754 大大降低了信任度低的目标A,的支持率，对于目标 表4S0C为80%时各类电池温度信号能量值归一化 A,和A,的支持同样符合常理，较好处理了冲突信 Table 4 SOC=80%all kinds of battery temperature signal 息，融合结果的精度也非常理想，在较少证据下得 energy value normalization 到符合常理的决策结果。通过表1和表2的比较可 温度能量值Cell_Norm Cell_Cap Cell Rt Cell SOC 知，本文改进方法的融合结果更精确、更贴合实际 E'(3,0) 0.4914 0.4893 0.5349 0.4827 情况。 E(3,1) 0.1154 0.1149 0.9801 0.1133 2锂电池故障诊断 E'(3,2) 0.0076 0.0076 0.9999 0.0075 E'(3,3) 0.0132 0.0132 0.9997 0.0130 如前文所述，锂电池的状态参数容易受到周围 E'(3.4) 0.0391 0.0391 0.9977 0.0390 环境温度和颠簸碰撞等不确定状况的影响，将会导 E'(3.5) 0.0048 0.0048 1.0000 0.0048 致单一诊断方法诊断的不确定性。为提高其故障 诊断的准确性，采用本文提出的改进D-S证据理论 E(3,6) 0.0009 0.0009 1.0000 0.0009 融合方法对电动汽车电池进行故障诊断。首先，应 E'(3,7) 0.1015 0.1015 0.98440.1015 用BP和RBF神经网络对锂电池分别进行初步诊 为了对电动汽车锂电池进行准确的故障诊断， 断，将两者的诊断结果构造成证据体m1、m2。再引 本文提出了一种基于BP和RBF神经网络的改进 入证据体之间的支持矩阵得到m1m2的加权系数， D-S证据理论方法。利用BP网络和RBF网络计算 并由此生成加权证据体m'。然后在组合规则中考 速度快、内存小、可用于实时监测和诊断的特点[5)， 虑了每个焦元的信任度，充分利用了证据间的一致 将锂电池4种故障状态的电压和温度特征向量通过 性信息和冲突信息，得到组合规则。证据体融合 训练得到BP和RBF神经网络模型，并对电池故障 后，依据决策规则判定锂电池的故障类别。 进行初步诊断。Cell_Nom、Cell_Cap、Cell_Rt、Cell 2.1神经网络初步诊断 S0C4种故障类型在诊断网络中的输出分别用矢量 电池系统主要的故障状态主要包括容量减少、 (1,0,0,0)、(0,1,0,0)、(0,0,1,0)、(0,0,0,1)来 内阻增大、S0C减小等3种。在实际诊断中为了表 表示。 示电池的所有状态，加入了电池的正常状态。将这 在BP神经网络中，训练函数取L-M优化算法 4种故障状态分别记为Cell_Norm、Cell_Cap、Cel_Rt (rainlm),学习率为0.3，输入节点为8，输出节点为 和Cell_s0C。设初始SOC为80%，可以得到Cell_ 4。由于隐含层节点对神经网络诊断精度有较大影 Nom、Cell_Cap、Cell_Rt、Cel_SOC4种故障类型的电 响，但是由于其没有具体选择准则，本文中通过经 池单体仿真电压和温度。将这些故障信号进行小 验公式取隐含层节点数为17，同时在节点17附近 波包分解，得到锂电池的故障特征)，如表3和表4 取值，比较不同节点下诊断误差的大小，如图2所项，虽然没有随便支持其他目标，但同时提高了决 策难度。 文献［１５］绝大部分的支持率赋给了未知 项，很大程度上会干扰融合结果，决策精度较低。 文献［１６］按照各命题的平均支持度分配冲突信息， 需要更多的证据才能得到正确的结果，融合效果不 太理想。 文献［１７］忽略了多条数据源的权重，加强 了冲突信息对融合结果的不利影响，存在一定缺陷。 本文所提出的方法可以解决“一票否决” 的问 题，通过初步诊断方法的诊断准确率及证据之间的 支持矩阵来确定证据的加权系数，降低了冲突证据 对融合结果的影响，同时考虑了焦元的信任度加入 到组合规则中，把冲突从证据之间扩展到焦元之 间，合理有效地利用冲突证据的有用信息。 本文的 组合规则同时处理了一致性信息和焦元冲突信息， 大大降低了信任度低的目标 Ａ２ 的支持率，对于目标 Ａ１ 和 Ａ３ 的支持同样符合常理，较好处理了冲突信 息，融合结果的精度也非常理想，在较少证据下得 到符合常理的决策结果。 通过表 １ 和表 ２ 的比较可 知，本文改进方法的融合结果更精确、更贴合实际 情况。 ２ 锂电池故障诊断 如前文所述，锂电池的状态参数容易受到周围 环境温度和颠簸碰撞等不确定状况的影响，将会导 致单一诊断方法诊断的不确定性。 为提高其故障 诊断的准确性，采用本文提出的改进 Ｄ⁃Ｓ 证据理论 融合方法对电动汽车电池进行故障诊断。 首先，应 用 ＢＰ 和 ＲＢＦ 神经网络对锂电池分别进行初步诊 断，将两者的诊断结果构造成证据体 ｍ１ 、ｍ２ 。 再引 入证据体之间的支持矩阵得到 ｍ１ 、ｍ２ 的加权系数， 并由此生成加权证据体 ｍ′。 然后在组合规则中考 虑了每个焦元的信任度，充分利用了证据间的一致 性信息和冲突信息，得到组合规则。 证据体融合 后，依据决策规则判定锂电池的故障类别。 ２．１ 神经网络初步诊断 电池系统主要的故障状态主要包括容量减少、 内阻增大、ＳＯＣ 减小等 ３ 种。 在实际诊断中为了表 示电池的所有状态，加入了电池的正常状态。 将这 ４ 种故障状态分别记为 Ｃｅｌｌ＿Ｎｏｒｍ、Ｃｅｌｌ＿Ｃａｐ、Ｃｅｌｌ＿Ｒｔ 和 Ｃｅｌｌ＿ＳＯＣ。 设初始 ＳＯＣ 为 ８０％，可以得到 Ｃｅｌｌ＿ Ｎｏｒｍ、Ｃｅｌｌ＿Ｃａｐ、Ｃｅｌｌ＿Ｒｔ、Ｃｅｌｌ＿ＳＯＣ４ 种故障类型的电 池单体仿真电压和温度。 将这些故障信号进行小 波包分解，得到锂电池的故障特征［３］ ，如表 ３ 和表 ４ 所示。 表 ３ ＳＯＣ 为 ８０％时各类电池电压信号能量值归一化 Ｔａｂｌｅ ３ ＳＯＣ ＝ ８０％ ｅｎｅｒｇｙ ｖａｌｕｅｓ ｏｆ ｖａｒｉｏｕｓ ｔｙｐｅｓ ｏｆ ｂａｔｔｅｒｙ ｖｏｌｔａｇｅ ｓｉｇｎａｌ ｎｏｒｍａｌｉｚａｔｉｏｎ 电压能量值 Ｃｅｌｌ＿Ｎｏｒｍ Ｃｅｌｌ＿Ｃａｐ Ｃｅｌｌ＿Ｒｔ Ｃｅｌｌ＿ＳＯＣ Ｅ′（３，０） ０．５０６ ０ ０．５０４ ６ ０．５０２ ０ ０．４８７ ２ Ｅ′（３，１） ０．４０５ ４ ０．４０２ ３ ０．７２９ ８ ０．３７５ ８ Ｅ′（３，２） ０．４００ ７ ０．３９７ １ ０．７３３ ７ ０．３７８ ８ Ｅ′（３，３） ０．４０８ ５ ０．４０５ ７ ０．７２１ ２ ０．３８５ ３ Ｅ′（３，４） ０．４００ ５ ０．３９６ ９ ０．７３４ ０ ０．３７８ ６ Ｅ′（３，５） ０．４００ ３ ０．３９６ ８ ０．７３４ ４ ０．３７８ １ Ｅ′（３，６） ０．４０６ ８ ０．４０３ ５ ０．７２４ ７ ０．３８２ ７ Ｅ′（３，７） ０．３９８ ０ ０．３９４ ２ ０．７３８ ４ ０．３７５ ４ 表 ４ ＳＯＣ 为 ８０％时各类电池温度信号能量值归一化 Ｔａｂｌｅ ４ ＳＯＣ＝ ８０％ ａｌｌ ｋｉｎｄｓ ｏｆ ｂａｔｔｅｒｙ ｔｅｍｐｅｒａｔｕｒｅ ｓｉｇｎａｌ ｅｎｅｒｇｙ ｖａｌｕｅ ｎｏｒｍａｌｉｚａｔｉｏｎ 温度能量值 Ｃｅｌｌ＿Ｎｏｒｍ Ｃｅｌｌ＿Ｃａｐ Ｃｅｌｌ＿Ｒｔ Ｃｅｌｌ＿ＳＯＣ Ｅ′（３，０） ０．４９１ ４ ０．４８９ ３ ０．５３４ ９ ０．４８２ ７ Ｅ′（３，１） ０．１１５ ４ ０．１１４ ９ ０．９８０ １ ０．１１３ ３ Ｅ′（３，２） ０．００７ ６ ０．００７ ６ ０．９９９ ９ ０．００７ ５ Ｅ′（３，３） ０．０１３ ２ ０．０１３ ２ ０．９９９ ７ ０．０１３ ０ Ｅ′（３，４） ０．０３９ １ ０．０３９ １ ０．９９７ ７ ０．０３９ ０ Ｅ′（３，５） ０．００４ ８ ０．００４ ８ １．０００ ０ ０．００４ ８ Ｅ′（３，６） ０．０００ ９ ０．０００ ９ １．０００ ０ ０．０００ ９ Ｅ′（３，７） ０．１０１ ５ ０．１０１ ５ ０．９８４ ４ ０．１０１ ５ 为了对电动汽车锂电池进行准确的故障诊断， 本文提出了一种基于 ＢＰ 和 ＲＢＦ 神经网络的改进 Ｄ⁃Ｓ 证据理论方法。 利用 ＢＰ 网络和 ＲＢＦ 网络计算 速度快、内存小、可用于实时监测和诊断的特点［２５］ ， 将锂电池 ４ 种故障状态的电压和温度特征向量通过 训练得到 ＢＰ 和 ＲＢＦ 神经网络模型，并对电池故障 进行初步诊断。 Ｃｅｌｌ＿Ｎｏｒｍ、Ｃｅｌｌ＿Ｃａｐ、Ｃｅｌｌ＿Ｒｔ、Ｃｅｌｌ＿ ＳＯＣ４ 种故障类型在诊断网络中的输出分别用矢量 （１，０，０，０）、（０，１，０，０）、（０，０，１，０）、（０，０，０，１）来 表示。 在 ＢＰ 神经网络中，训练函数取 Ｌ⁃Ｍ 优化算法 （ｔｒａｉｎｌｍ），学习率为 ０．３，输入节点为 ８，输出节点为 ４。 由于隐含层节点对神经网络诊断精度有较大影 响，但是由于其没有具体选择准则，本文中通过经 验公式取隐含层节点数为 １７，同时在节点 １７ 附近 取值，比较不同节点下诊断误差的大小，如图 ２ 所 ·５３２· 智 能 系 统 学 报 第 １２ 卷