人工智能在动力电池健康状态预估中的研究综述

目前先进的电动汽车开发和应用已成为实现“脱碳”的关键技术。准确的电池健康状态(State of health, SOH)预估可有效地表征动力电池性能,对电动汽车动力电池维护和寿命管理具有重要意义。近年来,以深度学习、强化学习和大数据技术等为代表的新一代人工智能技术在电动汽车电池状态预估的应用已成为研究热点。首先简要介绍人工智能技术、SOH的含义以及影响SOH主要因素,然后分别从电池单体与电池系统的角度对几种人工智能模型在SOH预估中的研究进行总结与讨论,最后结合大数据、云计算、区域链等新兴技术,对电池健康状态预估问题进行展望,为提升当前动力电池全生命周期管理能力提供一些思路。     

基于数据驱动的锂离子电池健康状态估计研究进展综述

锂离子电池(LIBs)在电气化交通、电化学储能和移动电子产品等领域广泛使用,精准评估其健康状态( SOH)是确保安 全可靠应用的基础。 数据驱动法是当前评估 SOH 的主流方法,该方法无需考虑电池内部复杂的物理化学反应,依赖于直接的 数据分析,且具有较高的精度。 本文从锂离子电池 SOH 影响因素入手分析了基于数据驱动的电池 SOH 估计方法的研究现状, 着重比较了机器学习、滤波器和时间序列等方法实施 SOH 估计的原理、优缺点。 最后,针对电动汽车实际应用场景,对 SOH 估 计方法的未来发展趋势进行了展望。     

基于电化学阻抗谱的退役动力电池荷电状态 和健康状态快速预测

针对现阶段检测退役动力电池健康状态存在的耗时长、精度低和能耗大等问题,提出了一种基于电化学阻抗谱(EIS)的电池荷电状态(SOC)和健康状态(SOH)的快速预测方法。通过对退役磷酸铁锂动力电池在不同SOH、不同SOC和不同温度下的EIS测试和分析,建立了EIS等效电路模型。然后,利用常相位元件参数与退役动力电池SOC和SOH之间的关系,建立数学模型,实现对退役动力电池SOC和SOH的快速估计。验证实验表明,利用这种方法,可以大大减少测试时间至20min以内、节约能源以及实现对未知荷电状态和健康状态的电池的快速估计,预测误差在4%以内。     

基于神经网络模型的动力电池SOC估计研究

针对电动汽车动力电池荷电状态(SOC)的估计问题,对动力电池的荷电状态估计方法进行了研究。对电池荷电状态的影响因素进行了归纳,提出了基于反向传播神经网络(BP神经网络)的动力电池荷电状态估计方法。利用汽车仿真软件ADVISOR对电动汽车行驶典型的汽车测试工况进行了模拟,得到了电动汽车动力电池荷电状态与电池的充放电电流、温度之间的关系。对得到的训练样本数据进行了归一化处理,经过训练,得到基于BP神经网络的动力电池荷电状态估计模型。同样,利用ADVISOR软件得到的测试数据,对得到的神经网络模型进行了测试。研究结果表明,该模型的估计值和输出值之间的误差最大值为4%左右,模型的精度符合动力电池荷电状态估计的使用要求。     

基于数据驱动的电池系统泛化SOH估计方法

准确可靠的电池健康状态估计是保证锂离子电池安全运行的关键,同时为失效预警提供参考。提出一种适用于电池单体和电池组的健康状态估计通用方法。首先,提出基于局部充放电数据的电池单体高效健康因子提取方法,保证健康因子和容量的高相关性和实现健康因子的在线可获取性。其次,提出考虑电池组容量衰减和不一致性的特征生成策略,利用主成分分析获取融合特征,利用双时间尺度滤波和电池组等效电路模型拓宽特征提取方法的应用范围。然后,基于高斯过程回归算法框架,考虑健康因子和容量衰减的整体关系和局部变化提出改进的高斯核函数提高估计精度和可靠性。最后,利用多个试验数据集验证算法在不同应用条件下的泛化能力。估计结果表明,对恒流放电工况的电池单体估计误差小于1.28%,在动态变温条件下电池单体估计误差小于1.82%;串联电池组的验证结果表明在各种应用场景下估计误差均小于1.43%。提高了电池系统健康状态估计的精度以及在广泛应用场景下的适应性。     

锂离子电池功率状态预测方法综述

随着锂离子电池在智能电网、新能源汽车等领域的大规模应用,其充放电能力,即峰值功率的准确预测对于保障系统的安全、可靠运行至关重要。从单体和系统两个层面归纳分析锂离子电池功率状态预测方法的研究进展：针对电池单体预测方法,主要包括测试查表法、黑箱法、等效电路及电化学模型法等,重点阐述多参量约束的等效电路模型法,并进行分类与对比分析;针对电池系统,从电池系统模型及功率状态预测算法两个角度出发,分别讨论了串联型、非串联型电池系统的功率状态预测算法和大数据驱动的智能预测方法,并分析各方法的优缺点及应用领域;结合下一代云计算、大数据、数字孪生等发展趋势,对锂离子电池功率状态预测方法进行展望,为促进电池全生命周期管理技术的研发与应用提供一些思路。     

基于扩展卡尔曼滤波算法的燃料电池车用锂离子动力电池荷电状态估计

针对燃料电池汽车用锂离子动力蓄电池建立一个简单物理模型和一个复杂物理模型,它们分别以不同等效电路来描述电池的动态特性,然后将这两个物理模型中各物理量和状态量之间的关系表达成离散化的状态空间方程.在此基础上,利用在燃料电池汽车实车运行过程中测得的包括电流、电压等数据,基于扩展卡尔曼滤波算法对锂离子动力电池的荷电状态进行估计,并对利用两种模型进行估计的结果进行比较分析.分析结果表明,基于电池等效电路模型的卡尔曼滤波电池荷电状态估计算法是有效的,并且电池模型对估计结果的影响较大,利用精确的电池模型容易达到较高的估计精度.     

基于不同模型下EKF算法的锂离子电池SOC估计

动力电池的准确建模及荷电状态(SOC)的精准估计对提高电池的利用效率、延长使用寿命具有重要意义。本文对锂离子电池进行等效电路模型的建立并通过HPPC测试对模型进行参数辨识。利用Matlab软件,基于两种模型开展扩展卡尔曼滤波算法下的电池SOC估计精度对比实验研究。结果表明,在同一实验条件下,EKF-Ah SOC估计方法能够有效提高电池SOC的估计精度;与Rint模型相比,基于Thevenin模型的EKF-Ah SOC估计精度得到显著提高,SOC估计最大绝对误差为1.91%。     

镍氢动力电池管理系统研究

介绍对动力电池管理系统的研究,分析动力电池管理系统的组成以及该系统的难点。着重讨论电池组均衡控制、荷电状态(SOC)估计方法和电磁兼容性设计等三个关键问题,并指出纯电动汽车和混合电动汽车电池管理系统设计的差异。     

电动汽车动力电池SOH估计方法探讨

实时估计电动汽车动力电池健康状态(State of Health,SOH),对于充分保证每个电池组的充/放电性能,延长整个电池组的寿命具有重要意义。作为电池管理系统的重要组成部分,相比于电池荷电状态(State of Charge,SOC)和电池均衡系统的研究,SOH估计方法的研究明显落后。简单介绍了SOH的定义及影响因素,按照离线估计方法和在线估计方法进行分类,探讨了常见的SOH估计方法。最后展望了SOH估计方法的发展趋势,指出基于卡尔曼滤波的在线估计和智能学习神经网络的方法将是未来的主流方法。     

大数据分析技术在新能源汽车行业的应用综述——基于新能源汽车运行大数据

为应对化石能源危机和环境污染问题,新能源汽车技术的发展与应用引起广泛重视。新能源汽车具有高信息化的特点和智能网联化的发展趋势,在日常运行中会产生大量行驶数据信息。利用海量多源异构数据进行安全预警与监管、车辆技术分析,是推动我国新能源汽车行业发展的关键。综述了大数据分析技术在新能源汽车行业的应用情况,概述了大数据分析技术的基础理论、发展历程,介绍了新能源汽车国家监测与管理平台的架构和功能,并着重阐述了新能源汽车大数据分析过程。分别从动力电池数据、汽车运行数据和充电数据的角度出发,分析了现有的研究方向和研究方法,列举了部分研究成果和应用情况。最后,对当前新能源汽车大数据分析领域存在的问题和发展应用前景进行了总结和展望。     

[学科发展]大数据驱动的智能制造

数据是未来制造业的核心要素,工业大数据分析是赋予制造“智能”的关键。系统分析了大数据驱动的智能制造的科学范式、理论方法与使能技术,阐述了应用方向与工业实践;根据“第四范式：数据密集型科学发现”,提出了“关联-预测-调控”的大数据驱动智能制造科学范式;根据数据处理流程,总结了融合处理、关联分析、性能预测与优化决策四位一体的方法体系。围绕边缘层、平台层和应用层设计大数据平台,介绍了大数据驱动智能制造的使能技术;从智能设计、计划调度、质量优化、设备运维四个角度,综述工业大数据驱动的智能制造应用现状。     

Nonparametric time series modelling for industrial prognostics and health management

Prognostics and health management (PHM) methods aim at detecting the degradation, diagnosing the faults and predicting the time at which a system or a component will no longer perform its desired function. PHM is based on access to a model of a system or a component using one or combination of physical or data-driven models. In physical-based models, one has to gather a lot of knowledge about the desired system and then build an analytical model of the system function of the degradation mechanism that is used as a reference during system operation. On the other hand, data-driven models are based on the exploitation of symptoms or indicators of degradations using statistical or artificial intelligence methods on the monitored system once it is operational and learn the normal behaviour. Trend extraction is one of the methods used to extract important information contained in the sensory signals, which can be used for data-driven models. However, extraction of such information from the collected data in a practical working environment is always a great challenge as sensory signals are usually multidimensional and obscured by noise. Also, the extracted trends should represent the nominal behaviour of the system as well as the health status evolution. This paper presents a method for nonparametric trend modelling from multidimensional sensory data so as to use such trends in machinery health prognostics. The goal of this work is to develop a method that can extract features representing the nominal behaviour of the monitored component, and from these features, smooth trends are extracted to represent the critical component’s health evolution over the time. The proposed method starts by multidimensional feature extraction from machinery sensory signals. Then, unsupervised feature selection on the features’ domain is applied without making any assumptions concerning the number of the extracted features. The selected features can be used to represent the nominal behaviour of the system and hence detect any deviation. Then, empirical mode decomposition algorithm is applied on the projected features with the purpose of following the evolution of data in a compact representation over time. Finally, ridge regression is applied to the extracted trend for modelling and can be used later for the remaining useful life prediction. The method is demonstrated on accelerated degradation data set of bearings acquired from PRONOSTIA experimental platform and another data set downloaded from NASA repository where it is shown to be able to extract signal trends.     

基于充电曲线特征的锂离子电池容量估计

准确的容量估计对锂离子电池管理具有重要意义。通过电池循环老化试验,归纳出老化过程中与电池容量衰减相关的充电曲线特征。通过计算充电曲线特征与衰减容量的相关系数进一步确定特征的电压区间。建立以径向基函数为核函数的相关向量机模型,以5个特征为输入量、电池容量为输出量进行数据训练,然后以筛选出的相关矢量进行在线容量估计。结果表明,该电池容量估计算法精度在2.2%以内,且算法收敛性较好。     

喷管式翼缝对垂直轴风力机气动性能影响研究

具有良好动态性能是垂直轴风力机叶片高效捕获风能的关键,合理的流动控制方法可有效改善叶片气动性能,提高风能利用率。基于二维H型垂直轴模型研究不同椭圆形渐缩式翼缝及其开口宽度对垂直轴风力机动态失速的影响。结果表明,翼缝的主要作用机理是通过控制流动分离以延缓动态失速,较之原始翼型,椭圆形翼缝翼型在尖速比为0.5时转矩系数提高53.8%,显著增强了垂直轴风力机的起动转矩,但在尖速比大于1.5时因流动分离并不明显,从而作用效果并不明显;与传统渐缩式直翼缝相比,椭圆形翼缝因出口处流体与翼型表面相切而未显著影响外流场,从而使其在尖速比较大时功率系数相对更高。此外,椭圆形翼缝因减弱吸力面逆压梯度使叶片失速相位角推迟,从而有效抑制了流动分离,提高了风力机运行稳定性。     

考虑产品运行大数据的装载机变速箱优化设计

准确获知产品运行大数据对于产品研发与创新具有重要意义。传感网、物联网和CPS等技术的发展使得越来越多的产品运行数据获取成为可能,在此基础上,提出基于运行大数据采集、分析和应用的装载机变速箱优化设计流程。首先选取原生土、铁矿石、细沙和煤渣四种作业对象的典型作业工况,设计采集方案并完成运行大数据采集;然后将获取的挡位信号转化为累积挡位利用率,液压泵压力信号转化为液压系统分流功率,并以此作为轮式装载机动力性和燃油经济性的建模优化因素;最后利用MOPSO和NSAG-Ⅱ两种优化算法权衡动力性、经济性及约束条件的多目标竞争与冲突关系,最终获得保证最优动力性基础上,实现最佳经济性的可行域解集。两种算法获得的最优解集相对于原始设计,在同等仿真条件下,分别使功率损失率降低8.83%、4.80%,工况油耗降低0.19%、0.34%。研究表明,将在役产品运行大数据反馈应用于产品研发前端的设计方法,是实现产品升级和创新设计的一个有效途径。     

不平衡分布的数据驱动故障诊断的研究进展

故障诊断是工业系统健康监测的重要内容，现有的数据驱动故障诊断方法多是利用类别平衡的数据集进行建模的。但在实际应用中，工业系统往往产生大量类别不平衡的样本，给数据驱动故障诊断带来挑战。这一问题受到了学术界和工业界的广泛关注，围绕该方面的研究取得了丰硕的成果。但是，目前针对不平衡分布的数据驱动故障诊断的研究进展综述相对较少，因此无法明确现实的挑战以及未来的研究方向。本文针对不平衡分布的约束问题，从数据驱动诊断方法和诊断应用场景这两个方面综述了国内外的研究进展，并提出了面临的挑战及未来的展望，为故障诊断的研究与应用提供参考。