锂离子电池剩余寿命预测方法研究综述

电池故障预测和健康管理(Prediction and Health Management, PHM)评价的主要方法是确定电池的健康状态和剩余使用寿命(Remaining Useful Life, RUL),以此保证锂离子电池安全可靠地工作和实现寿命优化。锂电池RUL预测不仅是PHM中的热点问题和挑战问题,其预测方法的准确性也会直接影响电池管理系统(Battery Management System, BMS)的整体性能。介绍了单体电芯测评标准,对影响锂电池循环寿命的主要因素进行详细分析。简述电池日历寿命和循环寿命。概括和总结了近几年锂离子电池剩余寿命预测方法,比较不同方法的优缺点。提出了当前实际应用中预测锂电池RUL仍存在的关键问题并进行探讨。     

基于ARIMA模型的工业锂电池剩余使用寿命预测

研究了随机建模技术在锂电池剩余使用寿命预测中应用.基于此,使用Box-Jenkins ARIMA模型模拟锂电池退化过程.在NASA PCoE获取锂电池测量数据集,采用ADF单根检验与差分法对锂电池容量原始数据平稳化处理.结合自相关函数与偏自相关函数进行参数估计,构建多个ARIMA模型,并通过评估各种估计参数验证各个模型的有效性,根据AIC、SC准则与正态化BIC选择最佳预测模型.在对所选模型进行严格评估之后,ARIMA （2,1,2）被识别为最佳拟合模型.使用ARIMA模型获得了比较精确的预测结果,结果表明ARIMA模型预测锂电池剩余使用寿命短期内具有较高的精确度和较强的可行性.     

基于IUPF的锂离子电池剩余使用寿命预测方法

随着新能源汽车的大力发展,其动力供应装置锂电池的健康评估也逐渐被重视。研究逐渐从关注锂电池的当前剩余电量转移到其剩余使用寿命的计算上。为有效准确地估计锂离子电池剩余使用寿命,本文提出一种基于改进的无迹粒子滤波（IUPF）的锂电池剩余使用寿命预测方法,通过对依托数据统计建立的锂离子电池状态方程和观测方程中的反映电池内阻的2个参数以及反映电池性能退化速率的2个参数进行估计,得到包含有失效时间的锂电池容量公式,并通过该公式计算出锂电池剩余使用寿命。利用美国国家航空航天局(NASA)艾姆斯预测数据库提供的锂离子电池寿命数据做相关的仿真验证,利用3种评价指标对该估计结果进行了性能评价,结果表明本文方法能够实现对锂离子电池剩余使用寿命的估计,而且能够提升UPF方法进行预测时的准确度。     

基于新容量退化模型的锂电池RUL预测研究

为准确预测锂离子电池剩余使用寿命(remaining useful life,RUL),建立能有效描述锂离子电池非线性退化特征的模型非常必要。采用新颖的回归方程构建容量退化模型,与双指数退化模型的对比表明:该模型具有更强的描述能力。依赖于此模型,提出了基于新容量退化模型和粒子滤波(particle filtering,PF)算法的锂离子电池剩余寿命预测方法,并与非线性退化自回归模型(nonlinear degradation auto regression,ND-AR)和正则化粒子滤波算法的混合方法(regularized particle filter,RPF)的预测结果做比较。结果表明:该方法对不同锂离子电池具有较好的适应性,能给出比ND-AR和RPF的混合方法更高精度的预测结果,且收敛性较好。     

基于混合网络的锂离子电池健康状态与剩余使用寿命联合估计方法

为高效准确实现锂电池健康状态(state of health, SOH)和剩余使用寿命(remaining useful life, RUL)预测,提出了一种基于混合网络的锂离子电池SOH与RUL联合估计方法。首先,建立锂电池间接健康特征(health factor, HF)提取框架,以HF为输入,容量为输出,使用卷积神经网络(convolutional neural network, CNN)和门控循环单元网络(gated recurrent unit, GRU)构成CNN-GRU电池SOH估计模型,对电池SOH进行估计;然后利用SOH估计结果和SOH真实值建立CNN-GRU电池RUL预测模型,对电池RUL进行预测。实验结果表明,SOH估计最大均方根误差在2.31%以内,RUL预测误差在5.29%以内,该方法可以实现锂电池SOH和RUL较为全面的评估。     

基于ARMA模型的工业电容退化状态研究方法

随着中国制造2025计划的推广,工业电源正处于高速发展期,大型铝电解电容的需求越来越大.电容的故障会令工业流水线中断,产生极大的损失,因此工业电容的寿命预测（RUL）具有重要意义.本文通过对铝电解电容充电状态EIS频谱分析,建立电容的状态的量化模型.根据电容状态量化数据,建立ARMA电容退化预测模型.最后通过美国航天航空局的等效串联电阻EIS频谱数据集进行验证.结果表明ARMA电容退化模型对铝电解电容的状态预测有很大的准确性.     

基于卷积神经网络与双向长短时融合的锂离子电池剩余使用寿命预测

针对锂离子电池剩余使用寿命（remaining useful life,RUL）传统预测方法的精确度与稳定性较低等问题,融合卷积神经网络（convolutional neural network,CNN）和双向长短期记忆（bidirectional long short-term memory,BiLSTM）神经网络的...     

机电设备剩余使用寿命预测方法的研究

为提高机电设备运行效率和可靠性,以滚动轴承为研究对象,通过深度学习理论,分别构建基于多变量的CNN网络模型和CNN-LSTM混合网络模型,以此对机电设备剩余使用寿命进行预测,从对比分析结果看,两种网络模型均可取得较好的预测结果,CNN-LSTM混合网络模型有更好的优越性。     

基于间接健康指标与回声状态网络的航空锂电池剩余使用寿命预测

航空锂电池是飞机的重要组成部分,对其进行剩余使用寿命(RUL)预测至关重要。目前,一般采用锂电池容量作为RUL指标,但在飞机实际运行中,锂电池容量难以准确测量,同时面临长期寿命预测精度的问题。因此,提出一种基于间接健康指标和回声状态网络(ESN)的锂电池RUL预测方法,基于一阶偏相关系数分析方法提取最能代表电池寿命的间接健康指标来代替容量指标,建立间接健康指标预测模型。同时基于深度学习中的ESN,结合粒子群优化算法(PSO)对网络参数进行优化,建立退化预测模型,实现锂电池RUL预测,解决长期预测精度问题。使用NASA电池数据进行实验验证说明,该方法相较于其他方法具有更高的精度、稳定性以及良好的泛化能力。     

基于变分模态分解和高斯过程回归的锂离子电池剩余寿命预测方法

锂离子电池在实际工作中常处于间歇工作状态,存在容量再生现象,其性能退化呈现非单调性和随机性,无法采用传统的单一模型准确进行预测。针对上述问题,研究一种基于变分模态分解（Variational Mode Decomposition, VMD）和高斯过程回归（Gaussian Process Regression, GPR）的锂离子电池剩余寿命预测方法。首先,利用VMD将锂离子电池容量退化数据分解为一系列相对平稳的分量,并获取电池退化趋势分量及容量再生分量。然后针对不同分量的具体特性,构建合适的GPR预测模型以提高单个分量预测精度。最后,将分量预测结果叠加获取容量预测结果,进而实现电池剩余寿命预测。基于NASA研究中心锂电池容量退化数据进行实验分析,结果表明本文方法相比于直接采用GPR模型,降低了容量预测误差,并有效提高了剩余寿命预测精度。     

A Hybrid Ensemble Deep Learning Approach for Early Prediction of Battery Remaining Useful Life

Accurate estimation of the remaining useful life (RUL) of lithium-ion batteries is critical for their large-scale deployment as energy storage devices in electric vehicles and stationary storage. A fundamental understanding of the factors affecting RUL is crucial for accelerating battery technology development. However, it is very challenging to predict RUL accurately because of complex degradation mechanisms occurring within the batteries, as well as dynamic operating conditions in practical applications. Moreover, due to insignificant capacity degradation in early stages, early prediction of battery life with early cycle data can be more difficult. In this paper, we propose a hybrid deep learning model for early prediction of battery RUL. The proposed method can effectively combine handcrafted features with domain knowledge and latent features learned by deep networks to boost the performance of RUL early prediction. We also design a non-linear correlation-based method to select effective domain knowledge-based features. Moreover, a novel snapshot ensemble learning strategy is proposed to further enhance model generalization ability without increasing any additional training cost. Our experimental results show that the proposed method not only outperforms other approaches in the primary test set having a similar distribution as the training set, but also generalizes well to the secondary test set having a clearly different distribution with the training set. The PyTorch implementation of our proposed approach is available athttps://github.com/batteryrul/battery_rul_early_prediction.      

双时间尺度下的设备随机退化建模与剩余寿命预测方法

基于退化建模的剩余寿命预测（Remaining useful life,RUL）是当前可靠性领域研究的热点.现有的退化模型都是针对单个时间尺度下的退化设备,缺少对设备性能变化与多个时间尺度相关的退化建模与剩余寿命预测方法.鉴于此,本文基于Wiener过程提出了一种双时间尺度随机退化建模与剩余寿命预测方法,用随机比例系数描述不同时间尺度之间的不确定关系,推导出丫首达时间意义下设备的双时间尺度剩余寿命分布,讨论了其与基于单时间尺度退化模型得到的剩余寿命分布之间的关系,并给出了基于历史退化数据的未知参数极大似然估计方法.最后,将所提方法应用到惯性平台关键器件陀螺仪的退化建模与剩余寿命预测中,验证了方法的有效性.     

带测量误差的非线性退化过程建模与剩余寿命估计

剩余寿命(Remaining useful lifetime, RUL)估计是设备视情维护和预测与健康管理(Prognostics and health management, PHM)中的一项关键问题. 采用退化过程建模进行剩余寿命估计的研究中,现有方法仅考虑了具有线性或可以线性化的退化轨迹的问题.本 文提出了一种基于扩散过程的非线性退化过程建模方法,在首达时间的意义下,推导出了剩余寿命的分布.该方法可以描述一般的非线性退化轨迹, 现有的线性退化建模方法是其特例.在参数的推断中,考虑到真实的退化过程受到测量误差的影响,难以直接测量得到, 因此,在退化建模的过程中引入了测量误差对退化观测数据的影响,通过观测数据,提出了一种退化模型未知参数的极大似然估计方法. 最后,通过激光发生器和陀螺仪的退化测量数据验证了本文方法明显优于线性建模方法,具有潜在的工程应用价值.     

Effective Latent Representation for Prediction of Remaining Useful Life

AI approaches have been introduced to predict the remaining useful life (RUL) of a machine in modern industrial areas. To apply them well, challenges regarding the high dimension of the data space and noisy data should be met to improve model efficiency and accuracy. In this study, we propose an end-to-end model, termed ACB, for RUL predictions; it combines an autoencoder, convolutional neural network (CNN), and bidirectional long short-term memory. A new penalized root mean square error loss function is included to avoid an overestimation of the RUL. With the CNN-based autoencoder, a high-dimensional data space can be mapped into a lower-dimensional latent space, and the noisy data can be greatly reduced. We compared ACB with five state-of-the-art models on the Commercial Modular Aero-Propulsion System Simulation dataset. Our model achieved the lowest score value on all four sub-datasets. The robustness of our model to noise is also supported by the experiments.     

注意力ConvLSTM模型在RUL预测中的应用

预测性维护的应用能够极大地降低企业运维成本,而设备剩余使用寿命(Remaining Useful Life,RUL)预测是预测性维护的关键技术之一.针对传统RUL预测算法难以提取时序数据的潜藏特征以及特征权重分配不合理的问题,本文提出一种基于注意力机制(Attention Mechanism)的卷积长短时记忆(Conv...     

基于两阶段自适应Wiener过程的剩余寿命预测方法

针对退化过程呈现两阶段特征的一类随机退化设备, 现有剩余寿命预测方法不适用于测量间隔分布不均匀、监测数据的测量频率与历史数据频率不一致的情况, 并且忽略了自适应漂移的可变性. 鉴于此, 提出了一种新的考虑个体差异性的两阶段自适应Wiener过程剩余寿命预测模型与方法. 首先, 基于自适应Wiener过程分阶段构建随机退化模型, 在首达时间意义下推导出寿命和剩余寿命解析式. 然后, 结合Kalman滤波技术和期望最大化算法进行参数自适应更新, 同时利用赤池信息准则实现退化模型变点的辨识. 最后, 通过蒙特卡洛仿真和锂电池实例, 验证了本文所提方法的有效性和实用价值.