1.一种基于自适应神经网络的软包电池故障检测方法,其特征在于,所述方法包括以下步骤:S100:建立考虑分布式热异常以及传感器故障的软包电池温度空间分布模型;
S200:构造辅助函数分解温度分布,将非齐次化边界条件转化得到齐次化边界条件,基于分离定理并应用伽辽金方法得到ODE降维的无限维系统;
S300:采集电池表面温度数据、电池电流和端电压数据,通过求解线性矩阵不等式得到满足神经网络观测器稳定性要求的设计参数,采用神经网络估计未知非线性热生成项,根据权重更新规律更新神经网络权重矩阵,构建神经网络观测器;
S400:根据无限维系统和神经网络观测器得到误差系统;
S500:引入集总残差评估方案,构造残差评估函数,通过核密度估计技术确定故障检测阈值;
S600:根据误差系统得到输出估计误差,将输出估计误差代入残差评估函数得到实时的评估值,将实时的评估值和故障检测阈值进行比较,实现在线故障检测。
2.根据权利要求1所述的方法,其特征在于,S100包括:S110:获取电池材料的密度、比热容、在 -方向和 -方向的热导率和,根据、、和参数,结合电池未知产热项和分布式热故障得到电池二维热传导方程;
S120:获取测量机制,结合电池温度分布量和温度传感器故障得到测量输出表达式;
S130:获取对流系数和环境温度参数,结合电池温度分布量得到边界条件和初始条件;
S140:通过联立热传导方程、测量输出表达式、边界条件和初始条件,建立软包电池温度空间分布模型。
3.根据权利要求2所述的方法,其特征在于,S100具体为:;
其中,表示软包电池温度分布量,表示电池的密度,表示电池的比热容,和分别表示在 -方向和 -方向的热导率,和表示空间变量,表示时间,表示未知产热量,表示测量输出,表示测量机制,和分别表示系统中发生的分布式热故障和温度传感器故障,表示对流系数,表示环境温度。
4.根据权利要求3所述的方法,其特征在于,S200具体为:S210:通过构造辅助函数分解温度分布,具体为:;
;
其中,为构造的辅助函数,为分解后对应齐次边界条件的部分;
S220:根据分解后的建立具有齐次边界条件的温度空间分布模型,具体为:;
其中:
;
其中,表示微分算子,表示相等的和方向的热导率,和是中间变量,无实际含义;
具有齐次边界条件的温度空间分布模型包含如下边界条件:;
其中,参数,输入由端电压和电流组成,是关于电流、端电压和的非线性函数;
S230:基于分离定理并应用伽辽金方法得到ODE降维的无限维系统,具体为:;
无限维系统具有以下初始条件:
;
其中:
;
其中,下标和分别表示慢子系统和快子系统,和分别表示慢子系统和快子系统对应的时间向量,和分别表示慢子系统和快子系统对应的降维后的未知非线性热生成项,和分别表示慢子系统和快子系统对应的降维后的分布式热故障,表示转换为齐次边界条件后的测量输出,和分别表示慢子系统和快子系统对应的降维后的测量输出,表示当时间为零时对应的状态变量,和分别表示慢子系统和快子系统对应的两种定义的运算符,表示空间算子,表示时间向量对应的空间基函数,表示的转置,和分别表示慢子系统空间基函数和快子系统空间基函数,、、和分别表示慢子系统和快子系统对应的系数矩阵,和分别表示慢子系统对应的特征值和空间基函数分量,和分别表示快子系统对应的特征值和空间基函数分量,、和分别表示、和的转置。
5.根据权利要求4所述的方法,其特征在于,S300包括:S310:通过求解线性矩阵不等式,得到满足神经网络观测器稳定性要求的设计参数观测器增益矩阵和辅助矩阵;
S320:采用神经网络估计未知非线性热生成项,根据权重更新规律更新神经网络权重矩阵;
S330:获取慢子系统时间向量的估计值,结合系数矩阵、和以及未知非线性热生成项,得到估计值对时间的导数的表达式和状态量的估计值的表达式,构建神经网络观测器。
6.根据权利要求5所述的方法,其特征在于,S300具体为:S310:通过求解线性矩阵不等式得到满足神经网络观测器稳定性要求的设计参数,线性矩阵不等式问题具体为:;
其中,和为定义的矩阵,为对称正定矩阵,为单位矩阵,为由对称性导出的分块矩阵,和为矩阵,,,为给定参数,和为中间变量,无实际含义,并且;
其中,为正标量,为对称正定矩阵,为矩阵的最大特征值,为高斯径向基函数向量元素的上确界;
S320:采用神经网络估计未知非线性热生成项,具体为:;
其中,表示神经网络的权重矩阵,是高斯径向基函数的向量,其第个分量的形式具体为:;
其中,输入向量定义为,中第个元素的第个中心和宽度分别由和表示,神经网络的节点数用表示;
通过结合输出估计误差,提出权重更新规律,根据权重更新规律更新神经网络权重矩阵,具体为:;
其中,表示一个常数系数,为表示学习速率的正定矩阵,表示常数辅助矩阵;
S330具体为:
;
其中,表示低阶状态变量的估计值,表示虚拟输出的估计值, 表示未知非线性函数的估计值,表示观测增益矩阵。
7.根据权利要求6所述的方法,其特征在于,S400包括:根据神经网络观测器、无限维系统和权重更新规律,联立方程组,化简后得到的估计误差对时间的导数的表达式,的估计误差的表达式,以及理想常数神经网络权重矩阵的估计误差对时间的导数的表达式,进而得到误差系统,具体为:;
其中,为低阶状态变量的估计误差,为理想常数神经网络权重矩阵的估计误差,为未知函数的估计误差。
8.根据权利要求7所述的方法,其特征在于,S500具体为:;
其中,表示评估时间窗口的长度,表示残差信号,表示残差评估函数,表示故障检测阈值。
9.根据权利要求8所述的方法,其特征在于,S600具体为:。
10.一种基于自适应神经网络的软包电池故障检测系统,其特征在于,包括软包电池温度空间分布模型建立模块、无限维系统确定模块、神经网络观测器构建模块、误差系统确定模块、故障检测阈值确定模块和在线故障检测模块;
软包电池温度空间分布模型建立模块,用于建立考虑分布式热异常以及传感器故障的软包电池温度空间分布模型;
无限维系统确定模块,用于构造辅助函数分解温度分布,将非齐次化边界条件转化得到齐次化边界条件,基于分离定理并应用伽辽金方法得到ODE降维的无限维系统;
神经网络观测器构建模块,用于采集电池表面温度数据、电池电流和端电压数据,通过求解线性矩阵不等式得到满足神经网络观测器稳定性要求的设计参数,采用神经网络估计未知非线性热生成项,根据权重更新规律更新神经网络权重矩阵,构建神经网络观测器;
误差系统确定模块,用于根据无限维系统和神经网络观测器得到误差系统;
故障检测阈值确定模块,用于引入集总残差评估方案,构造残差评估函数,通过核密度估计技术确定故障检测阈值;
在线故障检测模块,用于根据误差系统得到输出估计误差,将输出估计误差代入残差评估函数得到实时的评估值,将实时的评估值和故障检测阈值进行比较,实现在线故障检测。