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。     

基于模型的锂离子电池健康状态预测

健康状态预测对于锂离子电池安全高效的使用至关重要。提出并建立了一种锂离子电池集总参数模型,在对模型的适应性验证的基础上,设计了一种粒子滤波算法来预测锂离子电池健康状态。通过对放电终止时间的仿真和实验表明,粒子滤波算法能对锂离子电池健康状态给出正确的预测。     

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。     

基于粒子群优化粒子滤波的电容剩余寿命预测

在电路系统中,电解质电容的故障与否对电路的健康状态有着很大的影响。提出应用一种粒子群优化粒子滤波算法对电解质电容进行状态估计以及剩余寿命的预测。该算法使用NASA已公布的电容数据集,建立一种指数结合多项式的经验退化模型,用粒子群优化算法优化粒子滤波算法中的序贯重采样环节,改善粒子滤波中的粒子贫化问题,实现更准确的电解质电容剩余寿命预测。     

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。     

基于粒子滤波与线性自回归的故障预测算法

粒子退化是粒子滤波在故障预测应用中存在的主要问题.针对粒子滤波算法样本贫化问题,提出一种基于粒子滤波与线性自回归的故障预测算法.在算法的状态估计阶段,使用混合状态系统模型和粒子滤波算法对系统状态的概率密度函数进行估计,并实时给出故障发生概率;在算法的状态预测阶段,采用线性自回归模型对故障征兆随时间的演化情况进行估计及修正,同时给出剩余使用寿命的概率密度函数.故障预测仿真实验结果证明了算法的有效性.     

改进PSO-RBF算法的锂电池额定容量实时估计

针对在实际工况下对锂离子电池额定容量进行估计时,数学建模困难、内部参数测量复杂、模型自适应性差等问题,提出一种对粒子群聚类算法的参数组合进行优选并结合优选结果对径向基函数(RBF)神经网络进行改进的方法,以实现对锂电池额定容量的实时估计。将电池额定容量的影响因素划分为内部退化因素和特性影响因素,通过分析电池内部退化规律的相关性,进行剩余寿命预测;结合电池健康状态影响因素(温度、充放电倍率),进行动态额定容量标定。实验结果表明,改进的RBF算法预测结果平均误差约为2.1%。     

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。     

基于扩展卡尔曼滤波的锂离子电池寿命预测方法

锂离子电池寿命预测是掌握电源性能衰退趋势的重要手段,已成为电子系统健康管理领域的研究热点。针对锂离子电池的寿命预测问题,基于NASA艾姆斯中心的锂离子电池地面试验采集的数据,将扩展卡尔曼滤波(EKF)算法应用于锂离子电池寿命预测过程中,并针对预测过程中存在的问题,采用最优Loess平滑原理进行改进,从而提高了预测的稳定性和精确性。实验结果表明,提出的预测方法能够有效地用于锂离子电池寿命预测中,在工程应用方面具有较高的实用价值。     

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。