第4期 夏飞，等：改进DS证据理论在电动汽车锂电池故障诊断中的应用 ·535. 由表9可知，当融合两条证据体时(m,①m2), 果精度较低。文献[17]仅考虑了融合规则，忽略了 文献[12]遵循D-S证据理论的组合规则，虽然加入 多条数据源获取数据时的权重，加强了冲突信息对 了矛盾系数权重，但融合结果精度不太理想。文献 融合结果的不利影响，存在一定缺陷。由此可知， [13]对未知项支持率较大，在实际应用中对权重的 在列举的几种方法中对目标A,的支持率都不是很 选择分配仍然是该算法的弊端。文献[14]改进算 理想。在此基础上，本文先从全局信息出发，根据 法融合结果显示目标A(不确定故障)支持率最大， 支持矩阵确定了每条证据的加权系数，对冲突信息 为0.3750。这是因为文献[14]的方法中将冲突信 进行合理分配。同时考虑了每条证据中各个焦元 息分配给未知项，对决策结果产生极大干扰。依据 的信任度，从局部角度出发，充分利用每个焦元的 决策规则，采用文献[14]的方法无法确定电池的故 有用信息，降低了冲突焦元对融合结果的影响。对 障类型。文献[15]将冲突信息分配给未知项的程 A1(容量减少)支持率达到了0.4920，融合结果区分 度较大，证据高度冲突时融合结果不太理想。文献 能力高于其他方法。表明本方法具有良好的可靠 [16]在处理冲突证据时，常常需要多条证据提供有 性，提高了诊断结果的准确性。 用信息才能辨识出目标，两条证据融合时，融合结 表10D-S证据理论改进组合规则判定结果比较(m1①m2①m') Table 10 Comparison results of the improved D-S evidence theory combination rules(mmm') 方法 m1(A） m2(A2) m12s（A3) mx(A:） m1(A3)） D-S证据理论 0.0267 0.5633 0.0546 0.2579 0.0977 文献[12]方法 0.0399 0.4520 0.0411 0.2383 0.2087 文献[13]方法 0.0513 0.4437 0.0800 0.2059 0.2191 文献[14]方法 0.0217 0.3804 0.0405 0.1892 0.3682 文献[15]方法 0.0269 0.4578 0.0496 0.2351 0.2306 文献[16]方法 0.0291 0.4865 0.0531 0.2526 0.1787 文献[17]方法 0.0470 0.5052 0.0730 0.3222 0.0526 本文方法 0.0204 0.5710 0.0460 0.3109 0.0526 从表10可以看出，当增加新的证据体后，利用 一方面从局部出发，对每条证据的各个焦元目标进 3条证据m,④m,①m'融合，采用上述几种方法均可 行可信度分析，在组合规则中为各焦元分配了信任 以判定电池处于容量减少状态。采用本文提出的 度，降低冲突焦元对融合结果的影响，使得最终诊 改进算法，当加入加权证据体后，目标A,的支持率 断结果更精确。本文的改进算法同时处理了证据 稳定提高，从两条证据体的0.4920增加到3条证据 一致性信息和焦元冲突信息，使电动汽车锂电池的 体的0.5710，并相应降低了其他目标对最终决策的 故障诊断结果更精确，更接近实际。 干扰。且支持率较大的两目标一A,、A,的支持率 3 结束语 之差从融合两条证据体的0.2057增加到融合3条 证据体的0.2601，增大了第一目标和第2目标支持 基于电动汽车锂电池故障的复杂性和不确定 率的差值，使目标A,的支持率更具可靠性，同时使 性，本文提出一种基于BP和RBF神经网络的改进 决策结果更接近事实。 D-S证据理论故障诊断方法。本方法首先通过BP 由此可见，通过增加加权证据体以及改进D-S 和RBF神经网络对锂电池故障特征向量进行初步 融合规则的方法，一方面对冲突信息进行合理有效 诊断，利用诊断正确率重新分配不确定信息，转化 分配，依据局部诊断方法的准确率将不确定信息重 为证据的基本概率分配函数。然后将支持矩阵考 新分配，并构造了加权证据体，成功避免了“一票否 虑进加权系数中，生成新的加权证据体。考虑到冲 决”和冲突信息较大程度分配给未知项等问题： 突不仅存在于证据之间，也存在于不同焦元之间。由表 ９ 可知，当融合两条证据体时（ｍ１􀱇ｍ２ ）， 文献［１２］遵循 Ｄ⁃Ｓ 证据理论的组合规则，虽然加入 了矛盾系数权重，但融合结果精度不太理想。 文献 ［１３］对未知项支持率较大，在实际应用中对权重的 选择分配仍然是该算法的弊端。 文献［１４］ 改进算 法融合结果显示目标 Ａ５（不确定故障）支持率最大， 为 ０．３７５ ０。 这是因为文献［１４］的方法中将冲突信 息分配给未知项，对决策结果产生极大干扰。 依据 决策规则，采用文献［１４］的方法无法确定电池的故 障类型。 文献［１５］将冲突信息分配给未知项的程 度较大，证据高度冲突时融合结果不太理想。 文献 ［１６］在处理冲突证据时，常常需要多条证据提供有 用信息才能辨识出目标，两条证据融合时，融合结 果精度较低。 文献［１７］仅考虑了融合规则，忽略了 多条数据源获取数据时的权重，加强了冲突信息对 融合结果的不利影响，存在一定缺陷。 由此可知， 在列举的几种方法中对目标 Ａ１ 的支持率都不是很 理想。 在此基础上，本文先从全局信息出发，根据 支持矩阵确定了每条证据的加权系数，对冲突信息 进行合理分配。 同时考虑了每条证据中各个焦元 的信任度，从局部角度出发，充分利用每个焦元的 有用信息，降低了冲突焦元对融合结果的影响。 对 Ａ１（容量减少）支持率达到了 ０．４９２ ０，融合结果区分 能力高于其他方法。 表明本方法具有良好的可靠 性，提高了诊断结果的准确性。 表 １０ Ｄ⁃Ｓ 证据理论改进组合规则判定结果比较（ｍ１􀱇ｍ２􀱇ｍ′） Ｔａｂｌｅ １０ Ｃｏｍｐａｒｉｓｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｉｍｐｒｏｖｅｄ Ｄ⁃Ｓ ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ ｃｏｍｂｉｎａｔｉｏｎ ｒｕｌｅｓ （ｍ１􀱇ｍ２􀱇ｍ′） 方法 ｍ１２３（Ａ１ ） ｍ１２３（Ａ２ ） ｍ１２３（Ａ３ ） ｍ１２３（Ａ４ ） ｍ１２３（Ａ５ ） Ｄ⁃Ｓ 证据理论 ０．０２６ ７ ０．５６３ ３ ０．０５４ ６ ０．２５７ ９ ０．０９７ ７ 文献［１２］方法 ０．０３９ ９ ０．４５２ ０ ０．０４１ １ ０．２３８ ３ ０．２０８ ７ 文献［１３］方法 ０．０５１ ３ ０．４４３ ７ ０．０８０ ０ ０．２０５ ９ ０．２１９ １ 文献［１４］方法 ０．０２１ ７ ０．３８０ ４ ０．０４０ ５ ０．１８９ ２ ０．３６８ ２ 文献［１５］方法 ０．０２６ ９ ０．４５７ ８ ０．０４９ ６ ０．２３５ １ ０．２３０ ６ 文献［１６］方法 ０．０２９ １ ０．４８６ ５ ０．０５３ １ ０．２５２ ６ ０．１７８ ７ 文献［１７］方法 ０．０４７ ０ ０．５０５ ２ ０．０７３ ０ ０．３２２ ２ ０．０５２ ６ 本文方法 ０．０２０ ４ ０．５７１ ０ ０．０４６ ０ ０．３１０ ９ ０．０５２ ６ 从表 １０ 可以看出，当增加新的证据体后，利用 ３ 条证据 ｍ１􀱇ｍ２􀱇ｍ′融合，采用上述几种方法均可 以判定电池处于容量减少状态。 采用本文提出的 改进算法，当加入加权证据体后，目标 Ａ１ 的支持率 稳定提高，从两条证据体的 ０．４９２ ０ 增加到 ３ 条证据 体的 ０．５７１ ０，并相应降低了其他目标对最终决策的 干扰。 且支持率较大的两目标———Ａ１ 、Ａ４ 的支持率 之差从融合两条证据体的 ０．２０５ ７ 增加到融合 ３ 条 证据体的 ０．２６０ １，增大了第一目标和第 ２ 目标支持 率的差值，使目标 Ａ１ 的支持率更具可靠性，同时使 决策结果更接近事实。 由此可见，通过增加加权证据体以及改进 Ｄ⁃Ｓ 融合规则的方法，一方面对冲突信息进行合理有效 分配，依据局部诊断方法的准确率将不确定信息重 新分配，并构造了加权证据体，成功避免了“一票否 决”和冲突信息较大程度分配给未知项等问题；另 一方面从局部出发，对每条证据的各个焦元目标进 行可信度分析，在组合规则中为各焦元分配了信任 度，降低冲突焦元对融合结果的影响，使得最终诊 断结果更精确。 本文的改进算法同时处理了证据 一致性信息和焦元冲突信息，使电动汽车锂电池的 故障诊断结果更精确，更接近实际。 ３ 结束语 基于电动汽车锂电池故障的复杂性和不确定 性，本文提出一种基于 ＢＰ 和 ＲＢＦ 神经网络的改进 Ｄ⁃Ｓ 证据理论故障诊断方法。 本方法首先通过 ＢＰ 和 ＲＢＦ 神经网络对锂电池故障特征向量进行初步 诊断，利用诊断正确率重新分配不确定信息，转化 为证据的基本概率分配函数。 然后将支持矩阵考 虑进加权系数中，生成新的加权证据体。 考虑到冲 突不仅存在于证据之间，也存在于不同焦元之间。 第 ４ 期 夏飞，等：改进 Ｄ⁃Ｓ 证据理论在电动汽车锂电池故障诊断中的应用 ·５３５·