基于改进CNN-SVM的动力电池组故障诊断研究OA北大核心CSTPCD

针对卷积神经网络(CNN)在动力电池组故障诊断中容易过拟合和准确度低的问题,提出了一种改进的基于卷积神经网络的锂离子电池故障诊断模型。首先,对CNN网络的结构和参数进行调整和优化,利用小波包变换将故障信息提取到CNN中,然后用支持向量机(SVM)代替CNN中的SoftMax分类器构建CNN-SVM模型,再利用粒子群算法(PSO)对SVM中的超参数进行优化,以得到用于电池组故障诊断的最优模型,最后,通过故障实验对比来验证所提出方法的优越性。实验结果表明,CNN-SVM模型的故障分类准确率可达97%以上,远高于传统深度学习网络,对锂离子电池组的故障诊断具有实际意义。