专家体系（EXPERT SYSTEM）是一个具有很多专门常识的程序体系，它运用人工智能（ARTIFICIAL INTELLIGENCE，简称AI）技能，依据一个或多个人类专家供给的特别范畴常识进行推理，模仿人类专家作决议的进程来处理那些需求专家才干处理的复杂问题。电池组毛病确诊含糊专家体系是电池办理体系的一部分，它以含糊数学与含糊确诊原理为根底，将电池专家和有关蓄电池运用和保护的书本上总结出的经历和规矩存入常识库中，以电池的历史档案、运转情况和上一次的确诊成果为依据，选用含糊归纳评判的办法对电池毛病进行确诊，一起给出电池的健康情况和保护信息。经过专家确诊体系，咱们能够挑选出功用较差的电池，确保纯电动车或许混合电动车的车用电池组功用上的共同，也使剩下电量估量模型能够更精确更好的运用于电动车上。
7.1 含糊数学与含糊确诊办法
在电池毛病确诊中专家所描绘的症状，如“电压上升快”、“充电缺乏”、“电压下降快”等，是边界不清的含糊调集。咱们经过含糊数学模型加以描绘。用含糊联系矩阵来反映某些毛病机理，并选用恰当的从属函数，用相应的从属度来描绘这些症状存在的倾向性。含糊毛病确诊办法便是依据某些症状的从属度来求出各种毛病的从属度，用以表征各种毛病存在的倾向性，为判别电池毛病和采纳补救措施的决议计划供给科学的依据。下面介绍含糊数学模型和咱们选用的归纳评判办法。
两论域之间显着存在着某种含糊联系。例如，某一毛病将引起若干强弱不同的症状，而某一症状也表征着若干个毛病的存在。这个含糊联系可经过从属度表明，例如，可定出症状x j相应于毛病v i的从属度：
它组成了论域U和论域V之间的含糊联系矩阵：
假如已知含糊联系矩阵R和含糊向量α，就可求得含糊向量β。
这便是多要素评判：
其间，各症状的从属度向量α能够从丈量数据和历史档案经过必定的从属函数求得。至于含糊联系矩阵，它是很多剖析、实验、测验和现场实践经历的总结，能够经过很多实验和总结有关专家，技能人员和工人的经历来决议。一起还能够参阅很多的相关材料和前人的经历。
在咱们的体系中选用的运算模型将含糊联系的运算式打开如下：
其间“*”为代数乘，运算（r1j *μxj）可看成是对从属度μxj的加权批改，rij可看成是加权值，因而要求rij归一化，即令
而代数和“+”则表明对诸要素的归纳。因为rij已归一化，因而在对诸要素的归纳进程中，用代数和能最好地反映出各要素的效果和影响。
7.2含糊确诊专家体系设计计划
电池组毛病确诊含糊专家体系将有关锂电池运用和保护的经历和规矩存入常识库中，以电池的历史档案、运转情况和上一次的确诊成果为依据，选用含糊归纳评判的办法对电池毛病进行确诊，一起给出电池的健康情况DOH（Degree Of Health）和保护信息。其功用结构如图7.1所示，SOR（State Of Running）为电池运转情况。
历史档案和规矩库组成了电池组确诊含糊专家体系的常识库，历史档案里寄存的是每个电池供给给专家体系确诊用的数据，而规矩库里寄存的是数字化了的专家供给的确诊规矩，专家体系运用这些规矩和历史档案中的数据给每个电池进行归纳评判，得出电池从归于各毛病存在的从属度。运用这些从属度，归纳后给出电池的失效程度DOF（Degree Of Failure）。核算DOF的办法是：假如一切故
障存在的从属度最多只要一个大于0.5，则DOF取从属度最大的一个；假如存在两个以上毛病存在的从属度大于0.5，则DOF取这几个毛病的并集，各毛病之间的归纳选用
运算。对其运算的界说如下：
其间a、b分别为两个毛病存在的从属度。选用这种运算办法是因为各个不同的毛病对电池失效所起的扶持和加强效果。例如，设电池极板损坏存在的从属度为a=0.8，电池老化存在的从属度为b=0.5.假如选用最大最小运算规律，则归纳的从属度μ=0.8.但实践上，因为电池老化的存在加强了咱们对判别电池失效的信仰。假如用运算，则可得μ=0.9，其值大于电池极板损坏的从属度，这样能对一切要素的影响和效果都给予恰当的考虑，比起极大极小运算模型只杰出主毛病的规律，能更全面地反映实践。
电池的健康情况DOH（Degree Of Health），是咱们为反映电池运用功用的现有情况而提出的，将电池依照其功用的好坏程度而进行分类的概念。在咱们的体系中，电池的DOH被分为十级，被确定为第四级以下的电池应该被替换，第四级至第六级电池应该加强保护，第七级至第十级电池为健康电池。
DOF、最近两个CYCLE的SOR和上一次的确诊成果DOH^的加权和作为此次确诊的终究确诊成果：电池的健康情况DOH值。其间，C1 + C2 + C3 =1，在咱们现在体系中它们分别为（3/10，4/10，3/10），加权值的巨细是在实验中不断调整得出的。
确诊模块依据这些规矩和含糊化的数据对每个电池进行确诊，给出电池从归于每种毛病的从属度，依据从属准则得出确诊成果。
DOH值作为电池的一个重要信息被保存在电池办理体系中，用户可经过显现模块进行检查。一起确诊成果、确诊得出的中心成果和历史档案数据都可被传到上位机上，供专业人士检查。
7.3电池确诊含糊专家体系所用规矩
咱们对电池专家供给的电池毛病确诊规矩、电池确诊和保护的材料进行剖析收拾后写入专家体系。然后经实验验证，完成取舍和添加。以铅酸电池为例，体系中的规矩首要有：
1.放电电压下降快、电压低，充电电压上升快、电压高，则电池容量变小或极板损坏；
2.静置时电池端电压下降快，长时刻放置电压低，则自放电过大；
3.放电时电池端电压下降很快，电压比均匀电压低0.4伏左右，则有单元电池损坏；
4.蓄电池开路电压很低、不能带负载，则电池损坏或衔接不正常；
5.充电时电压偏高，放电时电压偏低，则蓄电池内阻过大；
6.充电时电压极高，则蓄电池内部开路；
7.电池自开端放电起，其电压就一向比其他电池略低，其放电渠道功用正常，则电池或许充电缺乏；
7.4历史档案数据内容及其树立
以铅酸电池为例，保存在历史档案中的数据首要有：
- 电池出厂时的要害数据（如出厂日期、标称容量、开路电压等）；
- 运用的总安时数；过充和过放时最大电压、电流、温度的记载；
- 最近10个充放电周期内充电周期归于电压最高的次数和放电周期归于电压最低的次数；
- 最近10个周期内充电时温度升降数据和充电功率；
- 最近10个周期内小电流充电时电压不同；
- 最长的两次充电时刻距离；
- 最近2个周期内的SOR；
- 上一次确诊的健康程度（DOH）成果；
在体系运转的榜首次，对历史档案进行初始化。初始化的准则是除了一些已知的基本参数外，其他部分都设置为最佳状况。在今后的运转进程中，体系自动地把与电池有关的重大事件记载下来，对历史档案进行修正。假如电池组中的某一个电池被调换下来，则应对刚换上的电池的历史档案进行初始化。对历史档案中的运用总安时数、总充放电周期数、过充、过放及充电缺乏等影响电池健康和运用寿命的记载选用长时刻回忆并进行累加的办法；关于别的体现功用的历史数据则选用定时改写的办法。
历史档案的详细完成计划是：在体系中选用长时刻回忆芯片来保存历史数据，一起在体系中加一个时钟电路和一个供电电池为历史数据供给时刻信息。
7.5电池组运转功用点评——静态SOR点评算法
电池组运转功用点评的重要目标是SOR.体系中选用了静态SOR点评算法。
此办法的中心思维是：因为各个电池在某段时刻内所充放电的电流和安时数是共同的，这样各个电池在此段时刻内的电压改变U能够体现电池功用的好坏，U小的其功用也就相对好。
静态情况下充电时功用点评算法中的电压体现函数分别是：
其间，“*”为代数乘，l为点评次数，Fkl是第k号电池在第l段时刻内的电压体现值，△Unk为第k个电池在第n段时刻内改变的电压数，（△Un）min为第n段时刻内电压改变最小的电池的电压改变值，C（n）为加权函数，常量P为电池组中电池个数。（以下用法同）
静态情况下放电时功用点评算法中的电压体现函数和充电时相同，仅仅加权函数不同，应为D（n）：
电压体现函数的首要思维是将第k号电池在榜首到第l段时刻内每个时刻段的电压改变值减去在此段时刻内电压改变最小的电池的电压数，并用这些核算得到的差值的加权和来点评此段时刻内这个电池的电压体现。
加权是因为在不一起间段的电压体现对电池功用的反映程度不相同。例如在充电进程中，榜首段充电电流刚加到电池组上时电池的电压体现，比后来充电时刻段内电池的电压体现，更能反映电池功用；在放电进程中，放电电流大的时刻段内的电压体现，比放电电流小的时刻段内的电压体现，更能反映电池功用；等等。此外，加权用的函数C（n）、D（n）应依据电池组在不同的运用场合进行调理。
把电池组P个Fkl中非零值的最小一个作为（Fmin）l，用它与Fkl的比值来点评其核算Skl
S越小越好，最理想的电池可为零。SORk是在Sk的根底上得出的定论：
静态SOR点评算法的要害在于△T时刻内一切电池的△U相对巨细的比较。
这种点评算法以为电压改变越小电池运转功用越好。它依据的一种确定便是：没有任何一种毛病，它体现为电池充电电压上升慢或放电电压下降慢；任何电压改变动摇小的电池就会被以为是运转功用好的。
实验证明静态SOR点评算法具有实时性好和高精确率等特色。以锂电池为例，在串联的锂电池的放电后期，假如有一个电池中忽然有一个单体电池电量耗尽，那么在放电曲线族大将看出该电池的放电曲线有一个显着下降的台阶，这个台阶的巨细便是一个单体电池的标称电压。锂电池单体电压往常为4V左右，放电后期大约3V，因而锂电池的下降台阶为3V到4V之间。从图7.2中咱们能够看出，在电池组放电的前期U会有必定的不同（这是因为电池内阻的不同引起的，内阻表征大的，下降越显着），那么相应Skl将有必定的差异；在电池组放电的中期，电池放电曲线族的走向都很平稳，虽然在电压凹凸上有差异，但在U上没有很大差异，因而在中期的Skl相差将不是很大。最要害的阶段是放电后期，好坏电池间的差异十分显着，一旦某个电池呈现显着下降的台阶，这个电池的第L时刻段的Skl将忽然变大，天然终究对第k号电池的运转功用点评值SORk不会高，并且必定是低于正常放电完毕的其他电池的SORk.
7.6电池组含糊确诊专家体系的完成
7.6.1症状含糊化
历史数据是专家体系的数据输入，专家体系进行确诊的前期工作便是运用历史档案求出电池从归于各症状的从属度。体系考虑实践需求从属度值用（0——10）表明（0——1）。由历史档案求从属度是很多实验和电化学专家的经历总结，本体系以锂电池为例来阐明。
依据上面的规矩，专家体系中用到的症状首要有：
- 充电时电压高、上升快；
- 放电时电压低、下降快；
- 静置时电压下降快，电压低；
- 开路电压低，不能带负载；
- 充电时电压极高等等。
下面以充电电压极高这一症状从属度的求解为例，阐明症状从属度的求解进程。设其电压为V，则充电电压极高这一症状的从属度函数为：
从属度函数可在实验中修正。
7.6.2毛病确诊
相同依据规矩，体系的能确诊的毛病首要有：
- 电池容量下降；电池自放电大；
- 电池充电缺乏；
- 电池内阻过大；
- 电池极板损坏；
- 电池损坏等等。
这m种毛病和这n个症状的含糊联系矩阵被保存在数组DIAG[m][n]中，这个数组里保存的是代表规矩里各个症状要素对毛病的效果和影响巨细的加权批改值。假如症状i对毛病j的效果为零，
则DIAG[j][i]=0.
设某电池的症状从属度依次为：
数组DIAG中各元素的巨细是专家体系的各规矩的要害部分，需求同专家深化评论并不断用实验验证，不契合的要重复调整，直到成果与电池的毛病状况契合停止。
