锂离子电池剩余寿命在线预测

针对现有研究中的不足,提出一种改进的相关向量机模型对锂离子电池的剩余寿命进行实时预测。首先,利用锂离子电池容量数据和相空间重构技术,构造模型的训练集。其次,在传统的单核相关向量机模型上做出改进,采用多核核函数,从而提高相关向量机模型的泛化能力和剩余寿命预测的精度。此外,利用粒子群优化算法,自适应的确定多核相关向量机模型的最优参数组合。实验结果表明,相比单核相关向量机模型,本文提出的多核相关向量机模型能够更为准确的对锂离子电池的剩余寿命进行预测。     

基于传荷电阻的锂离子电池剩余寿命预测研究

锂离子电池的剩余寿命预测对实现高效、精准的电池管理和维护具有重要意义.电化学阻抗能够反映锂离子电池内部物理化学过程特性,在电池寿命问题研究中被广泛应用.特别地,传荷电阻描述电极界面过程进行的难易程度,可用来表征电池的寿命状态.通过开展四种工况的锂离子电池老化试验,获取传荷电阻随寿命衰减的演变规律.采用贝叶斯信息准则,对...     

改进卡尔曼滤波的融合型锂离子电池SOC估计方法

荷电状态(SOC)估计对于锂离子电池充放电优化控制、任务规划、可靠性提升等均具有重要价值,针对广泛应用的卡尔曼滤波(KF)一类方法存在的参数设置无具体标准、模型性能随工况环境改变而适应性降低等问题,提出一种噪声方差可变卡尔曼滤波方法(VVKF)的SOC估计算法,该算法每次迭代时估计并设定最适应当前系统状态的的噪声方差,克服了KF噪声方差初值依靠人为经验设定而造成精度下降的问题,同时采用最小二乘支持向量机作为KF的量测方程,通过建立样本库的方式克服电池型号以及工况改变对SOC估计精度的影响。采用马里兰大学CACLE中心锂离子电池数据集的实验证明了VVKF较KF性能的提升以及SOC估计的有效性。     

锂离子电池健康评估和寿命预测综述

随着锂离子电池的广泛应用,其健康管理和寿命评估成为很多领域的挑战和热点研究问题。为此,本文针对锂离子电池健康管理和寿命预测的研究现状进行分析,重点归纳和总结锂离子电池剩余寿命预测的方法和应用现状,涵盖锂离子电池管理系统、退化状态识别和循环寿命预测三部分核心内容。最后,给出一个面向空间应用的实例,并分析了未来的发展趋势和研究挑战。     

锂离子电池高精度机理建模、参数辨识与寿命预测研究进展

拥有高能量密度、低自放电率和长寿命的锂离子电池是电动车辆的主要储能单元,其性能直接影响了车辆的动力性和安全性。然而,锂离子电池是复杂的电化学系统,其内部状态具有时变性和不可观测性。此外,电池在使用过程中性能将不断衰减,将给车辆的安全性带来隐患。为保证电池在车用工况下的高效、安全和可靠运行,需要对电池实施有效管理。电池模型是管理算法的理论基础,参数辨识是模型应用的前提,而寿命预测是保证电池安全的关键技术。针对上述实际应用需求,综述了锂离子电池高精度电化学-热耦合机理建模、模型参数辨识和寿命预测的最新研究进展。重点关注宏观电化学模型中模型重构和模型简化两种模型降阶方法,对比分析参数辨识中试验测量和非拆解式辨识方法的特点,全面总结寿命预测中基于模型、基于数据驱动和融合式算法的算法架构。在此基础上,总结现有研究的不足并对未来研究方向提出展望。     

基于PSO-RBF神经网络的锂离子电池健康状态预测

针对传统方法估计锂离子电池健康状态(SOH)时内部参数测量困难等问题,提出一种基于粒子群优化径向基函数神经网络的锂离子电池SOH预测方法。通过对锂离子等效模型的研究,结合充放电过程的实验数据,确定了影响锂离子电池SOH特性的几个关键参数。将试验数据输入仿真模型进行网络训练和校验。仿真证明,相比BP神经网络和普通RBF神经网络,该算法的预测精度可提高20%,节省66.7%以上的优化时间。     

基于最小二乘支持向量机的锂离子电池的SOC估算

由于储能系统是微电网中必不可少的一部分,锂离子电池因其寿命长、使用效率高和储能密度大等优点,成为微电网中较为理想的储能装置。在电池的使用过程中,由于要求对电池的容量有精确的判断,因此应检测电池的SOC。本文在分析了不同的SOC估算方法的基础上,针对微电网中储能使用的锂离子电池,提出了使用最小二乘支持向量机的方法估算其SOC,并进行了具体的试验验证。试验显示,预测数据与实际数据的最大误差约为6%,充分证明了该方法是可行和有效的。     

锂离子电池简化电化学模型理论误差分析研究

准确的电池模型是电池状态估计和能量管理的基础。锂离子电池电化学模型描述电池内部机理,具有物理意义明确和准确度高的优点。目前,常用的电化学模型为P2D伪二维电化学模型、SPM单粒子模型和SPMe考虑电解质动态的单粒子模型。其中,P2D模型的精度最高而计算量最大,而简化模型SPM或SPMe的计算效率高,但存在模型简化产生的误差。为探究误差的产生机理,首先比较SPM、SPMe和P2D模型的电极电流源、固相浓度和液相浓度,然后从平衡电势、过电势、液相浓差极化电势、液相欧姆压降和端电压对简化模型进行了误差分析,并指出误差传递路径。结果表明,电极电流源是模型端电压误差产生的根源,液相正负极欧姆压降和负极平衡电势误差是端电压误差的主要来源。上述结果可为SPM和SPMe模型的误差补偿方法设计提供理论依据。最后还提出了模型端电压误差补偿建议。     

可重构卫星锂离子电池剩余寿命预测系统研究

针对卫星锂离子电池剩余寿命预测问题,提出一种基于FPGA的可重构卫星锂离子电池剩余寿命预测系统设计方法.首先利用具备不确定性表达能力的相关向量机实现锂离子电池的RUL预测,进而采用FPGA动态重构技术,实现了基于相关向量机的预测算法的嵌入式计算,解决了核函数矩阵和矩阵求逆的计算方法和结构设计等关键问题,为解决硬件计算资源有限条件下的机器学习算法计算问题提供了一种新颖的思路.实验结果表明,在与PC平台保持相近计算精度的条件下,利用FPGA实现的剩余寿命预测计算效率提升了4倍,同时证明了机器学习的可重构计算方法在嵌入式计算体系中的应用具有良好的前景.     

面向SOC估计的计及温度和循环次数的锂离子电池组合模型

锂离子电池荷电状态(SOC)估计的准确性依赖于精确的电池模型,为此提出一种基于改进的Shepherd模型并耦合温度和循环次数因素的锂离子电池组合模型(SCM)。将Shepherd模型受温度和循环次数影响的满电开路电压、极化常数、可用容量、内阻等参数进行热建模和循环损失建模,同时将模型参数辨识方法简化为仅需两组不同环境温度下放电实验数据的非线性最小二乘法。通过对不同循环次数的锂离子电池在不同温度环境下模拟电动汽车实际工况,进行放电实验,并结合扩展卡尔曼滤波算法实现对SCM模型和ECM模型的SOC动态估计。仿真和实验结果表明所提模型相对误差小于1.5%,SOC估计误差小于3%,从而验证了所提出模型的优越性。     

基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法

锂电池剩余寿命(RUL)预测对于锂电池安全使用至关重要.由于锂电池使用过程中存在容量再生现象和随机干扰等因素,导致单一尺度信号下单一模型的预测精度及泛化性能较差.针对上述问题,提出一种新的基于变分模态分解(VMD)与集成深度模型的锂电池剩余寿命预测方法.首先,采用变分模态分解将锂电池容量数据进行多尺度分解,得到信号的全...     

支持向量回归粒子滤波器的故障预测方法

为了对系统进行故障预测,针对粒子滤波在故障预测中出现的样本贫化与退化问题,提出了一种支持向量回归粒子滤波器。采用支持向量回归方法建立粒子状态与其权值的非线性函数来估计粒子的连续后验概率密度模型。基于该模型进行重采样获得新的粒子集并更新各粒子的权重,增加样本的多样性与有效性,提高对故障的监控与预测能力。仿真结果表明,该方法是可行的,能够准确预报系统故障。     

电动汽车动力锂电池模型参数辨识

针对纯电动汽车上动力锂电池等效模型参数辨识的问题,以某纯电动汽车的由87个单体串联的84 Ah的镍钴锰三元锂电池组为研究对象,基于市区行驶的电池数据,选用了二阶RC电池等效模型,辨识了等效模型的参数。基于整体电池数据,选取出了8段在连续的12个(及12个以上)采样周期内相邻两个采样点的电流变化绝对值超过0.2 C的电池数据段,分别对初始开路电压最大和最小的单体进行了参数辨识。以最小二乘法对电流连续变化最长的一段电池数据段作为参数辨识的结果,并结合整体电池数据对辨识得的结果进行了参数的验证。研究结果表明,初始开路电压最大单体的绝对误差平均值为3.62%,初始开路电压最小单体的绝对误差平均值为3.24%,满足工程要求,可运用于工程实践中。     

基于PCA-SVM融合离子迁移谱与拉曼光谱的毒品鉴别方法

光学检测的指纹图谱具有专属性强、稳定性好、重现性好的特性。通过离子迁移谱毒品探测仪(IMS)与易制毒化学品拉曼快速检查仪分别采集离子与拉曼光谱的双谱图数据,然后将两个谱图进行创新数据融合后,结合主成分分析(PCA)和支持向量机(SVM)分类法对毒品进行鉴别。实验结果表明,融合后的数据相较于分别用单谱图数据进行鉴别,有效提高了对毒品的识别率和准确性。为鉴别毒品提供了一种安全、快速、可靠的新分析方法。     

电动汽车车载锂电池分段充电策略研究

为了实现电动汽车（EV）车载锂电池快速充、放电,研究了电动汽车锂电池分段充电策略,给出了充电拓扑图。通过监控电池端电压和电流,采用了恒流、恒压和涓流3种充电方式结合的方法,控制功率变换器对电池进行智能充电。实验结果表明,利用分段充电方法可以在30min内使电池端压达到额定值,并通过恒压充电使电池迅速得以充满。该研究为提高车载电池充电效率、缩短充电时间和保证充电安全奠定了基础。     

圆柱锂电池端面凹坑缺陷检测方法研究

端面凹坑是圆柱锂电池缺陷检测的重要指标之一。因为明暗对比度小的浅凹坑极易受金属表面上随机出现的亮点暗斑等强噪声的干扰,造成浅凹坑自动检测十分困难。为此,提出了一种解决方案：首先针对在单一光源角度下难以获取清晰的浅凹坑图像问题,采集6张凹坑在不同光源角度下的图像;其次采用时域平均和剔除异常值方法对6张图像进行融合得到基准面图像,并采用基于滑动窗口和奈奎斯特采样定理的空间滤波方法,减弱了信息强度较强的干扰噪声,再根据误差分析理论,提取灰度分布曲线的平均偏差;然后根据凹坑在灰度分布曲线中的形态,提取凹凸曲线段峰谷差和宽度比;最后采用BP神经网络方法建立检测模型来实现凹坑检测。对现场采集到的样本进行了测试,算法的正确检测率为100%。     

基于传感器数据融合的倾斜角度测量方法研究

倾斜角度的测量精度直接决定了状态控制系统的工作效果。在单一传感器测量倾斜角度的研究基础上,探讨了传感器数据融合技术用于倾斜角度测量的方法。首先分析基于加速度计和陀螺仪测量倾斜角度的原理,并研究加速度计和陀螺仪测量结果的频率特性;然后根据加速度计和陀螺仪测量结果的频率特性选定互补滤波器作为数据融合的方法;最后选定量子粒子优化群(QPSO)算法作为互补滤波器的参数寻优方法,并对比量子粒子优化群算法和粒子群优化算法的参数寻优效果。实验结果表明,互补滤波器可以在广泛频域范围内准确测量倾斜角度值,并且量子粒子群优化算法相对于粒子群优化算法具有更好的参数寻优效果。     

Detection method of spot welding based on multi-information fusion and fractal

A novel detection method of support vector machine （SVM） based on fractal dimension of signals is presented. And models of SVM are made based on nugget size defects of spot welding. Classification using these trained SVM models is done to signals of spot welding. It is shown from effect of different SVM models that these models with different inputs. In detection of defects, these models with inputs including sound signal have a high percentage of accuracy, the detection accuracy of these models with inputs including voltage signal will reduce. So the SVM models based on fractal dimensions of sound are some optimal nondestructive detection ones. At last a comparison between SVM detection model and ANNS detection model is researched which indicates that SVM is a more effective measure than Artificial neural networks in detection of nugget size defects during spot welding.