基于贝叶斯网络的电池管理系统故障诊断方法

陈岚，范永清，张谦，冯小华，熊付强

(上海应用技术学院，上海201418)

基于贝叶斯网络的电池管理系统故障诊断方法

陈岚，范永清，张谦，冯小华，熊付强

(上海应用技术学院，上海201418)

针对电池管理系统工作环境复杂、故障不确定的特点，提出一种基于贝叶斯网络的电池管理系统故障诊断方法。该方法利用领域专家知识确立故障节点、围绕电池管理系统结构进行层次划分，电池管理系统的历史数据、检修记录表用来进行网络的结构和参数学习。建立起电池管理系统故障诊断的贝叶斯网络。将该网络应用于电池管理系统的故障诊断，并针对不同故障进行实验，结果验证该方法在电池管理系统故障诊断上具有较高的区间正确率。方法为电池管理系统的故障诊断提供了新手段。诊断结论对电池管理系统的优化设计具有指导性意义。

贝叶斯网络；锂电池；电池管理系统；故障诊断

电池组在电动汽车领域、电网达不到的用电场所具有广泛的应用。为防止电池滥用(如过充电、过放电、过热和过电流等)导致的电池寿命严重衰减、甚至着火或爆炸等安全事故。同时，也为了解决串联电池组中的单体电池一致性问题，实际应用中电池组必须使用电池管理系统对其进行管理。

电池管理系统通常由电池状态监测、电池状态分析、电池安全保护、能量控制管理、电池信息管理等子系统构成[1]。有的电池管理系统还具有内部通信总线与计算机通信链路等模块，如图1所示。

由于电池管理系统结构复杂、系统庞大，故障具有不确定性的特点，给故障的准确、快速定位，高效维修提出了挑战。基于数据驱动的常用故障诊断方法如人工神经网络、模糊逻辑等方法在故障结构确定的领域具有很好的诊断效果，但这些方法都不具备故障结构学习能力。

图1 电池管理系统的基本结构

基于概率推理的贝叶斯网络(Bayesian Net-work)方法不仅具有故障参数学习能力、还具有网络结构学习能力。在解决复杂系统的不确定和关联型故障诊断问题上有很大的优势。在气象预报[2]、机械系统[3]、市场分析[4]等领域均有广泛应用。

本文首先针对电池管理系统，结合专家领域知识、历史运行数据和故障检修记录表建立起用于电池管理系统故障诊断的贝叶斯网络，并随着数据、检修记录的加入对其不断更新和优化。方法能够提高电池管理系统的故障定位和维修效率。同时也有利于发现系统的薄弱环节，优化电池管理系统设计进而从根本上提升系统稳定性。

1 贝叶斯网络方法

1.1 贝叶斯网络的基本原理

贝叶斯网络方法是一种基于概率分析、图论的不确定性知识表达方法和推理模型。由节点和有向弧构成有向无环图。节点代表论域中的变量即事件，有向弧代表变量间的直接因果关系。关系强度由两节点上的条件概率来决定。这种表示方法，即准确反映事件之间的依赖关系，而条件概率反映了信息的不确定性。

在贝叶斯网络的基础上可进行概率推理，原理基于Bayesian定理，如式(1)所示。

P(A|B)是在B事件发生的情况下A事件发生的概率。P(A)、P(B)分别是事件A、B的先验概率，P(B|A)是A事件发生的情况下B发生的概率。公式确立了事件A、B之间的内在联系，并使得在A、B事件概率更新时修正事件之间的联系强度。

贝叶斯推理过程实质是概率计算。推理分为因果推理、诊断推理、支持推理三种形式。电池管理系统的故障诊断，是贝叶斯网络诊断推理在电池管理系统上的应用[5]。

1.2 基于贝叶斯网络的故障诊断

用贝叶斯网络方法进行故障诊断的过程实际上就是根据一定的故障征兆，推理得到某个或某些故障原因的过程。将故障征兆和故障原因作为网络中的节点，当确定的故障征兆出现时，网络根据节点之间的因果关系(即有向弧)和条件概率可以推理得出各种故障原因发生的概率，从而得到诊断结论。

贝叶斯故障诊断网络不是一成不变的。在诊断应用中，有新的证据加入时，网络结构和节点概率信息会更新，更新的信息沿网络向各个节点传播，使得所有节点的概率信息都得到更新。这种结构充分利用了系统或设备各组成和因素之间的相互联系，体现了贝叶斯网络易于更新的优点，根据更新后的概率信息便可进行诊断决策。

2 电池管理系统的贝叶斯网络故障诊断方法

电池管理系统故障诊断贝叶斯网络的建立包括故障节点分层、拓扑结构和网络参数确定三方面的内容。

在建立贝叶斯网络之前、需要先确定故障节点并进行编号，结合专家领域知识得到电池管理系统的37个故障节点，如表1所示。所有的节点都是两态的，即只有故障(Fa)和非故障(Nor)两种状态。

2.1 对电池管理系统故障进行分层

在对电池管理系统故障进行分层之前，首先需要对其进行分析。按照从系统到部件、模块，再到零件的“下降形”分析方法，将表1的故障节点依次分为：故障表现层、子系统层、二级故障层和三级故障层[6]。

故障表现层(证据层)：本层是电池管理系统人机界面指示的故障或具体故障表现的状态，故障能够第一时间被客户所观测到，为故障的定位提供方向。

一级故障层(子系统层)：是电池管理系统各个子系统的故障表现形式，如状态监测系统故障、状态分析系统故障、安全保护模块故障、能量管理模块故障、电池信息管理故障。

二级故障层：是子系统故障的具体表现形式，如电池安全保护子系统模块下的过流保护、过充过放保护、过温保护。

三级故障层，直接定位到电池管理系统的部件级别或者代码级别，温度传感器故障和电流传感器损坏即属于该层故障。

2.2 基于领域知识构建贝叶斯网络拓扑结构

在确定了贝叶斯网络的故障节点和层次后，将不同层次的节点用有向弧连接起来。具体连接取决于各个节点之间的因果关系。由于电池管理系统的专业性，网络结构的构造需要比较充分的专业知识。

(1)基于专家知识建立贝叶斯网络

结合专家领域知识建立如图2的层次贝叶斯网络拓扑结构。

图2 电池管理系统故障诊断贝叶斯网络拓扑结构

专家领域知识也存在着一些如知识自动获取能力不够完善、知识因果中引入人的偏好和判断等不充分的地方，而基于数据的结构学习法能够避免专家知识数据之间的冗余，但在建网之初学习数据往往又不够完善。结合以上两种方式，构建基于专家知识与数据训练的贝叶斯网络，提升贝叶斯网络的准确性和建网效率[7－8]。

(2)故障检修记录的离散化

在电池管理系统出现故障后，需要由售后服务网点进行检修。形成检修记录表具体记录了故障现象、维修的时间及维修方法。某条检修记录表如表2所示。

将该故障记录和贝叶斯网络的故障节点对应如表3所示。

为了方便处理，将故障节点矩阵化，可得该条故障信息对应的节点故障矩阵为：

依此方法可将其它故障检修记录加入节点故障矩阵。

(3)网络结构学习

贝叶斯网络结构学习被证明是非多项式算法(NP)难题。而在贝叶斯网络建网的初期，故障的样本还属于不完整数据集。结构化期望最大化(SEM)学习法如式(2)所示是将参数期望最大化方法引用到不完备数据集的贝叶斯网络的学习中，是期望最大化算法的一个推广。该种学习方法效率和准确度上达到很好的效果。

式中：X为一组变量；J为一组缺值数据；z0为初始网络结构；q0，0为初始参数值；R为两次结构优化之间的参数优化次数；d为参数估计的收敛阈值。

从某电池管理系统初始模型结构z0和参数q0，0出发开始迭代，在进行了t次迭代得到了(zt，qt)后，第t+1次迭代由以下两个步骤组成：基于(zt，qt)对数据进行修补，使之完整；基于修补后的完整数据Jt对模型及参数进行一步优化，得到(zt+1，qt+1)。

SEM不是每次迭代都同时优化模型结构和参数，而是先固定模型结构，即规定zt+1=zt进行数次参数优化后，再进行一次结构加参数优化，如此交替进行。当参数估计满足收敛阈值条件d时迭代停止。

利用收集到的200条维修记录构造节点故障矩阵进行网络结构学习，学习后的结构如图3所示。

图3 200条检修记录学习后的网络结构

专家领域知识认为故障节点8(SOC异常)和故障节点11 (状态检测模块)之间没有关联，经过一次结构学习后说明他们之间是有关联的，学习后更新网络结构如图4所示。

图4 结合领域知识和一次结构学习后的贝叶斯网络

结合专家领域知识和结构学习法对贝叶斯网络结构进行了更新。获得较多的故障数据后，网络结构会得到更进一步的完善。

2.3 电池管理系统贝叶斯故障诊断网络参数学习

电池管理系统中的信息管理子系统具有电池历史信息存储的功能，该功能记录下电池状态监测模块检测到的电池历史数据。具体数据格式如表4所示。

假设α(Xi)表示贝叶斯网络中i(i=1，2，3，…，10)根节点历史记录数据总数目，β(t，Xi)(t∈{Nor，Fa})代表Xi节点中处于t状态的设备数目。由此可以得到贝叶斯网络根节点的先验概率：

正常状态(t=Nor)的概率计算方式如式(3)：

故障状态(t=Fa)的概率概率计算方式如式(4)：

表4中对根节点荷电状态异常(8)的正常状态和故障状态

的数据条目数进行了统计，其故障概率和正常概率计算方式分别如式(5)、式(6)所示。确定贝叶斯网络的结构和根节点先验概率后，就可以进行参数学习了，即计算每个故障节点在贝叶斯网络中的条件概率分布，作为下一步推理的依据。

3 贝叶斯网络电池管理系统故障诊断的实现

BNT(Bayesian Net-work Toolbox)是Kevin P.Murphy基于Matlab语言开发的关于贝叶斯网络学习的Matlab附加工具箱。提供了多种底层基础函数库，支持精确推理和近似推理、静态模型和动态模。BNT是完全免费的软件包，其代码完全公开，系统的可扩展性良好，选择BNT作为贝叶斯网络推理的实验工具。

推理的过程是由故障表现找出故障原因的过程，考虑本电池管理系统故障节点较多，网络层次复杂、规模较大。本文采用BNT工具包中的联合树推理引擎来进行精确推理。如故障节点7(过/低压不保护)=Nor，节点13(电池安全保护)=Nor，节点22(电池安全保护)=Nor，推理可得P(29=Nor|7=Nor)= 0.125 7，P(30=Nor|7=Nor)=0.423 3，P(31=Nor|7=Nor)=0.079，P (32=Nor|7=Nor)=0.895 2。因此认为当电压保护出现故障时，应该首先检察回路开关MOS的好坏。

不同数量故障检修记录下的贝叶斯网络故障诊断情况如图5所示。

从几组数据对比可见，当训练数据较少时贝叶斯网络故障诊断准确率较低。随着历史数据和检修记录表的完善，诊断准确率会显著增加。说明该故障诊断方法有利于电池管理系统故障状态下，迅速准确的定位故障点。

图5 不同数据下的贝叶斯网络故障诊断正确率

4 结论

本文根据锂电池管理系统故障的相互关系和交互信号，建立用于故障诊断的分层贝叶斯网络，结合故障记录表、专家领域知识建立和更新网络结构、基于历史数据确定根节点先验概率。最后选用联合树传播算法进行联合概率推理，从而实现了电池管理系统的故障诊断，并验证当训练数据达到2 000以上时便可以具有较高的的精度。

贝叶斯网络故障诊断能为故障定位提供参考，进而提升故障维修效率。同时也有利于确认系统重要度较高的模块和组件，为系统的冗余设计提供指导，从而有效提升系统可靠性。

[1]许守平，侯朝勇，胡娟，等.储能用锂离子电池管理系统研究[J].电网与清洁能源，2014，50(2)：70-78.

[2]韩焱红，矫梅燕，陈静，等.基于贝叶斯理论的集合降水概率预报方法研究[J].气象，2013，39(1)：1-10.

[3]陈东宁，姚成玉，党振.基于T-S模糊故障树和贝叶斯网络的多态液压系统可靠性分析[J].中国机械工程，2013，55(7)：899-905.

[4]叶进，林士敏.基于贝叶斯网络的推理在移动客户流失分析中的应用[J].计算机应用，2005，47(3)：673-675.

[5]黎清海，高庆.基于系统分层的故障诊断方法[J].仪器仪表学报，2005，29(10)：914-916.

[6]王双成，林士敏，陆玉昌.用Bayesian网络处理具有不完整数据的问题分析[J].清华大学学报：自然科学版，2000，65(9)：65-68.

[7]KHAKZAD N，KHAN F，AMYOTTEP.Safety analysis in process facilities:comparison of fault tree and bayesian network approaches[J].Reliability Engineering and System Safety，2011，96(8)：925-932.

[8]BROOKE P J，PAIGE R F.Fault trees for security system design and analysis[J].Computersand Security，2003，22(3)：256-264.

Faultdiagnosismethods forbatterymanagementsystem based on Bayesian network

CHEN Lan，FAN Yong-qing，ZHANGQian，FENG Xiao-hua，XIONG Fu-qiang
(Shanghai Institute ofTechnology，Shanghai201418，China)

A faultdiagnosismethod for batterymanagementsystem based on Bayesian networks was put forward to overcome the complex environment and the uncertainty of the faults.Expert know ledge was used to create failure nodes;the hierarchy was established around batterymanagement;the history data and maintenance records in the battery management system were used to build network structure and learn parameter.The fault diagnosis system based on Bayesian network for the battery management system was built.The network was applied to the battery managementsystem for faultdiagnosis.The resultof the experimentaimed atdifferent faults shows that themethod has higher range accuracy.Themethod provides a new means for faultdiagnosis，and is key to optim ize the battery managementsystem.

Bayesian network;lithium battery;batterymanagementsystem;faultdiagnosis

TM 912

A

1002-087X(2016)07-1396-03

2015-12-02

上海市科委重点项目(12ZZ189)

陈岚(1968—)，女，江西省人，教授，主要研究方向为高速数字信号处理。