電動汽車鋰電池故障阻礙著電動汽車行業(yè)的蓬勃發(fā)展。基于鋰電池電化學(xué)機理模型的鋰電池故障診斷方法,難以適用于復(fù)雜不確定交通環(huán)境下電動汽車的故障工況,導(dǎo)致故障診斷模型通用性不足,診斷精度不高。本文以攜帶鋰電池故障信息的電池充放電期間電壓、電流、溫度和容量數(shù)據(jù)為基礎(chǔ),以小波包分解、深度神經(jīng)網(wǎng)絡(luò)理論為方法,面向鋰電池過充電、過放電和老化故障開展故障診斷應(yīng)用研究。具體如下:(1)針對鋰電池故障數(shù)據(jù)采集過程中非平穩(wěn)噪聲干擾問題,提出基于小波包分解的鋰電池故障數(shù)據(jù)特征提取方法。通過小波包逐層分解,以香濃熵為代價函數(shù)選擇最優(yōu)小波樹,重構(gòu)最優(yōu)小波樹節(jié)點信號,去除數(shù)據(jù)噪聲,完成特征提取。(2)針對鋰電池故障數(shù)據(jù)的時序依賴性,提出一種基于長短期記憶神經(jīng)網(wǎng)絡(luò)的鋰電池故障診斷方法。通過記憶單元和門控函數(shù)保持鋰電池故障數(shù)據(jù)的長時間依賴關(guān)系,在目標(biāo)損失函數(shù)的約束下,長短期記憶神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)故障數(shù)據(jù)與故障種類的映射關(guān)系,并利用注意力機制在所有時間步中選擇相關(guān)的網(wǎng)絡(luò)隱藏狀態(tài),實現(xiàn)鋰電池故障數(shù)據(jù)準(zhǔn)確分類。實驗結(jié)果證明,以小波包分解的數(shù)據(jù)特征為輸入,基于長短期記憶神經(jīng)網(wǎng)絡(luò)的鋰電池故障診斷方法對三種故障分類的平均準(zhǔn)確率為94.1...

【文章頁數(shù)】：97 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 緒論
    1.1 課題背景及研究意義
        1.1.1 課題背景
        1.1.2 課題研究意義
    1.2 鋰電池故障研究現(xiàn)狀
        1.2.1 鋰電池過充電故障研究狀況
        1.2.2 鋰電池過放電故障研究狀況
        1.2.3 鋰電池老化故障研究狀況
    1.3 研究內(nèi)容與章節(jié)安排
        1.3.1 研究內(nèi)容
        1.3.2 章節(jié)安排
第2章 鋰電池故障數(shù)據(jù)采集與算法理論基礎(chǔ)
    2.1 鋰電池結(jié)構(gòu)及工作原理
    2.2 鋰電池故障數(shù)據(jù)采集
        2.2.1 鋰電池過充電故障數(shù)據(jù)采集
        2.2.2 鋰電池過放電故障數(shù)據(jù)采集
        2.2.3 鋰電池老化故障數(shù)據(jù)采集
    2.3 小波包理論
        2.3.1 小波變換理論
        2.3.2 多分辨分析
        2.3.3 小波包分解
    2.4 LSTM神經(jīng)網(wǎng)絡(luò)
        2.4.1 LSTM神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)
        2.4.2 LSTM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
        2.4.3 注意力機制
    2.5 卷積神經(jīng)網(wǎng)絡(luò)
        2.5.1 卷積層
        2.5.2 池化層
        2.5.3 卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
    2.6 本章小結(jié)
第3章 基于長短期記憶神經(jīng)網(wǎng)絡(luò)的鋰電池故障診斷
    3.1 實驗平臺和數(shù)據(jù)介紹
    3.2 基于小波包分解的鋰電池故障特征提取
    3.3 LSTM神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建
    3.4 數(shù)值實驗
        3.4.1 輸入類型
        3.4.2 注意力機制和網(wǎng)絡(luò)層數(shù)
    3.5 鋰電池故障診斷模型對比
    3.6 本章小結(jié)
第4章 基于卷積神經(jīng)網(wǎng)絡(luò)的鋰電池故障診斷
    4.1 卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建
    4.2 數(shù)值實驗
        4.2.1 輸入類型
        4.2.2 卷積層數(shù)
    4.3 鋰電池故障診斷模型對比
    4.4 本章小結(jié)
第5章 基于長短期記憶-卷積神經(jīng)網(wǎng)絡(luò)的鋰電池故障診斷
    5.1 LSTM-CNN模型的構(gòu)建
    5.2 數(shù)值實驗
        5.2.1 輸入類型
        5.2.2 LSTM-CNN網(wǎng)絡(luò)結(jié)構(gòu)
    5.3 鋰電池故障診斷模型對比
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 后續(xù)研究工作
參考文獻
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號：3921925