通过对称点图和卷积神经网络对电池模块进行故障诊断

科学领域:

• 电气工程 电气工程
• 材料科学 材料科学 材料科学
• 人工智能的人工智能

背景情况:

• 在各种应用中,电池的安全性和可靠性至关重要.
• 早期和准确的故障检测对于防止故障和确保运营完整性至关重要.
• 现有的方法可能缺乏复杂故障签名所需的精度.

研究的目的:

• 开发一种新的混合算法,用于在电池模块中进行可靠的故障检测.
• 识别和分类特定的故障类型,包括过度充电,过度放电,老化和泄漏.
• 通过全面的测试来验证拟议方法的有效性和准确性.

主要方法:

• 一种混合方法,将对称点格式 (SDP) 方法与卷积神经网络 (CNN) 结合起来.
• 应用一个80.5kHz高频正方波信号作为电池模块的输入.
• 使用高速数据采集卡进行信号记录和SDP进行特征图像生成.
• 采用深度学习算法进行最终状态评估和故障诊断.

主要成果:

• 混合SDP-CNN算法成功生成了用于故障诊断的特征图像.
• 深度学习模型实现了99.9%的高整体识别准确率.
• 该方法在区分四种不同的故障类型方面表现出有效性:过度充电,过度放电,老化和泄漏.

结论:

• 拟议的混合算法对电池模块的准确故障检测非常有效.
• SDP和CNN的结合为实时电池健康监测提供了一个强大的工具.
• 这项研究为提高电池安全性和性能提供了可靠和精确的方法.