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。     

一种改进的锂离子电池剩余寿命预测算法

锂离子电池故障往往会使系统性能下降甚至瘫痪,故障部件剩余寿命的精确估计对整个系统的寿命预测和健康管理至关重要。粒子滤波是一种有效的序列信号处理方法,然而应用于锂离子电池剩余寿命预测准确性并不高。根据锂离子电池电学特性,提出一种改进的粒子滤波算法,基于锂离子电池容量退化指数模型,结合训练数据对锂离子电池剩余寿命进行预测。仿真及实验结果表明,改进的粒子滤波算法对锂离子电池剩余寿命预测误差小于5%。     

不完美维护下基于剩余寿命预测信息的设备维护决策模型

基于剩余寿命预测信息进行设备维护决策的研究中,现有方法通常仅考虑不完美维护对退化量或退化率的单一影响,忽略了不完美维护对两者的双重影响.鉴于此,针对随机退化设备,提出一种考虑不完美维护影响的性能退化模型与维护决策模型,融合了维护活动对设备退化量和退化率的双重影响.首先基于Wiener过程分阶段构建存在不完美维护干预的随机退化模型,在首达时间的意义下推导出剩余寿命的解析概率分布;然后基于剩余寿命的预测结果,以检测间隔和预防性维护阈值为决策变量建立维护决策模型;最后数值仿真实验验证了本文模型的有效性,并对费用参数进行了敏感性分析.实验结果表明本文模型具有潜在的工程应用价值.     

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.     

锂离子电池RUL预测方法综述

随着电子设备的增长和电动车辆的普及,保障锂离子电池的安全和稳定成为研究人员的重要课题,其中电池的剩余使用寿命(RUL)为监测电池的手段之一.锂离子电池在其充放电循环期间会经历不可逆过程,可使电池容量持续衰减,最终导致电池故障,为进行合理的充放电管理,满足实际应用中的高可靠性要求,对使用过程中的RUL预测进行研究,介绍对锂电池RUL预测的基于机理模型、基于数据驱动、基于机理模型与数据驱动融合和基于数据驱动的模型融合等4种方法,并讨论基于数据驱动的各RUL预测方法的优缺点,总结并展望未来研究方向和发展趋势.     

退化数据驱动的设备剩余寿命在线预测

为在线预测单台服役设备的可用剩余寿命,提出一种融合先验退化数据和设备自身现场退化数据的剩余寿命预测方法。建立符合非线性Wiener过程描述的设备退化模型,利用先验数据采用极大似然法估计模型中的未知参数,使用贝叶斯方法融合新增的现场退化数据实时更新模型参数,进一步实现对设备实时剩余寿命评估。数值仿真和实例计算的结果表明,与固定参数法相比,该方法能够根据现场退化数据不断更新设备剩余寿命分布,进而更好地体现设备的个体差异,显著降低剩余寿命分布的不确定性。     

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.     

基于HMM的设备剩余寿命预测框架及其实现

在设备退化状态识别中剩余寿命预测是设备实施状态维修的一个重要内容,也是实现真正意义上精确维修的前提和基础。隐马尔可夫模型作为一种统计分析算法,具有较强的模式分类能力,能够对设备退化过程进行有效识别。但是传统隐马尔可夫模型状态持续时间分布的不合理性,不能直接用于剩余寿命的预测。考虑状态识别和剩余寿命预测的连续性,应用隐马尔可夫模型的改进算法——隐半马尔可夫模型,构建设备剩余寿命的预测框架,实现了在设备退化状态识别基础上的剩余寿命预测。通过对滚动轴承实测数据的仿真试验,对框架进行了仿真验证。仿真结果表明框架能够有效识别设备退化过程和实现剩余寿命的预测。     

基于改进神经网络算法的医疗锂电池PHM系统设计

针对医疗电子设备锂电池不确定性发生故障耽误病人救治的问题,提出了一套医疗电子设备锂电池故障预测与健康管理系统(Prognostics and Health Management-PHM);搭建了一套医疗电子设备锂电池数据测试与退化状态模拟的实验平台;为了反映医疗电子设备锂电池健康状态,将锂电池四个健康因子作为医疗电子设备锂电池退化状态的特征进行提取,并通过非线性自回归(Nonlinear Autogressive with Exogenous Inputs-NARX)神经网络,对四个健康因子的数据进行训练,训练后用于容量估计,得出等间隔放电时间序列能够较好地表征锂电池健康状态;为了提高基本粒子滤波算法(Particle Filter-PF)的精度从而更精确地预测锂电池剩余寿命(Remaing Useful Life-RUL),通过人工免疫粒子滤波算法(Artificial Immune Particle FilterAIPF)与经验模型对锂电池进行剩余寿命预测,并将PF预测的结果与AIPF预测的结果进行对比,发现AIPF预测更加准确,说明AIPF有效抑制了PF重采样过程中粒子退化问题,验证了医疗电子设备锂电池故障预测与健康管理系统的可行性与可实施性。     

基于改进粒子滤波算法的医疗锂电池PHM系统设计

针对维持生命的医疗电子设备的锂离子电池维修问题,设计了一套故障预测与健康管理系统(Prognostics and Health Management-PHM),提出了PHM系统的实现框架。通过搭建一套电池控制应力水平实验平台并将故障注入锂离子电池中,来进行数据采集。建立基于阿列纽斯模型(Arrhenius Model)的医疗电子设备的锂离子电池模型,通过无迹粒子滤波(Unscented Particle Filter-UPF)算法和粒子滤波(Particle Filter-PF)算法计算出实时故障的概率并给出剩余寿命预测以及健康管理维护方法。通过Matlab对比UPF和PF的预测剩余寿命的仿真结果与实验所测数据的吻合度,选出UPF算法为最优算法并及时诊断故障,为后续维护提供建议。     

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。     

A sample entropy based prognostics method for lithium-ion batteries using relevance vector machine

Over the increasing number of charging and discharging cycling processes of lithium-ion batteries, the aging and even failure of lithium-ion batteries may occur. If anomalies are not detected in time, lithium-ion batteries could cause major safety accidents. In this paper, a prognostics method integrating the sample entropies and relevance vector machine (RVM) is proposed to estimate the remaining useful life (RUL) of lithium-ion batteries. First, RUL prediction using multiple inputs, including the voltage sample entropy and the current sample entropy, are compared with prediction methods based on a single entropy input. The multiple entropy input method indicates better capability of describing the battery degradation process. In addition, the wavelet denoising method is used to pre-process the inputs to remove sudden and unusual changes in the battery capacity degradation data. A prediction model using the denoised entropy inputs is constructed through linearly weighting the entropy inputs in the RVM model. The weight for each input is assigned according to the individual contribution to the prediction accuracy. Experimental data from lithium-ion battery testing are applied to three prediction models with different entropy inputs. The results indicate that the proposed method has higher prediction accuracy than those in existing models only using a single sample entropy. The proposed method has potentials for the RUL estimation of industrial machinery in manufacturing.     

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.     

Lithium-ion battery remaining useful life estimation based on fusion nonlinear degradation AR model and RPF algorithm

The lithium-ion battery cycle life prediction with particle filter (PF) depends on the physical or empirical model. However, in observation equation based on model, the adaptability and accuracy for individual battery under different operating conditions are not fully considered. Therefore, a novel fusion prognostic framework is proposed, in which the data-driven time series prediction model is adopted as observation equation, and combined to PF algorithm for lithium-ion battery cycle life prediction. Firstly, the nonlinear degradation feature of the lithium-ion battery capacity degradation is analyzed, and then, the nonlinear accelerated degradation factor is extracted to improve prediction ability of linear AR model. So an optimized nonlinear degradation autoregressive (ND–AR) time series model for remaining useful life (RUL) estimation of lithium-ion batteries is introduced. Then, the ND–AR model is used to realize multi-step prediction of the battery capacity degradation states. Finally, to improve the uncertainty representation ability of the standard PF algorithm, the regularized particle filter is applied to design a fusion RUL estimation framework of lithium-ion battery. Experimental results with the lithium-ion battery test data from NASA and CALCE (The Center for Advanced Life Cycle Engineering, the University of Maryland) show that the proposed fusion prognostic approach can effectively predict the battery RUL with more accurate forecasting result and uncertainty representation of probability density distribution (pdf).     

随机振动对矿用车载隔爆型锂离子蓄电池的影响分析

目前矿用锂离子蓄电池正弦振动试验方法无法全面反映蓄电池结构疲劳寿命、可靠性及其内部结构振动响应和激励状态下的振动特性.针对上述问题,采用随机振动中常用的虚拟激励法对矿用车载隔爆型锂离子蓄电池进行振动响应分析,从加速度响应、接触电阻、温度和隔爆腔体间隙变化4个方面分析了锂离子蓄电池在振动工况下可能产生的防爆性能和电气性能变化:被测锂离子蓄电池经过8 h的振动试验,隔爆腔体和壳盖处的隔爆间隙虽然还满足I类防爆电气设备的要求,但隔爆间隙显著增大,在该工况下长期使用存在隔爆失效(传爆)的风险;蓄电池正极接线柱由于工艺、材质或紧固期间装配的原因,接触电阻变大,导致局部发热量明显增加,如果温度持续上升可导致锂离子蓄电池薄膜融化,存在燃烧甚至爆炸风险.分析结果表明:随机振动试验方法可以充分暴露产品结构设计缺陷,可为车载锂离子蓄电池整体结构、应力变化、工作稳定性分析及疲劳寿命预测提供有效的数据支持.     

基于非线性数据融合的设备多阶段寿命预测

为解决设备监测数据具有维数高、非线性且退化过程中存在多阶段的问题,提出了一种基于非线性数据融合和多阶段退化的设备寿命预测模型.首先,利用神经网络理论中的自编码器对表征设备退化的多维参数进行了融合,构建出设备的退化指示量;然后,利用CUSUM算法提取出设备退化过程中的分段点;最后,构建了多阶段维纳退化模型,从而实现对设备寿命的预测.利用航空发动机状态监测数据对所提模型进行了验证,剩余寿命预测的平均误差为0.254 5,低于传统的基于线性数据融合方法和基于单阶段维纳过程退化模型的寿命预测方法.结果证明,基于非线性数据融合的多阶段退化模型具有很好的鲁棒性,对设备的寿命预测更加精准.