基于改进型LSTM-RNN的锂离子电池SOH估计系统

本文提出和制作了一种基于改进型长短时记忆循环神经网络(LSTM-RNN)的锂离子电池健康度(SOH)估计系统。该系统可有效提取锂电池SOH值随老化过程的变化特征,不依赖电池内部模型,就能准确估计SOH。系统通过18650磷酸铁锂电池的循环寿命测试来进行训练数据集的搜集和该方法的验证。测试结果表明,该系统实现了对锂电池SOH值的精确估计。     

基于HI-DD-AdaBoost.RT的锂离子动力电池SOH预测

锂离子电池是一个复杂的电化学动态系统,实时准确的健康状态(SOH)估计对电动汽车动力锂电池的维护至关重要,传统建模方法难以实现SOH的在线估算.基于此,从实时评估电池的SOH出发,在增量学习的基础上,选取与电池健康状态相关的指标建立SOH预测模型.考虑到增量学习中的耗时性问题,提出融合滑动窗口技术的HI-DD算法,该算法可以检测概念漂移是否发生,从而指导和确定模型更新位置;设计出HI-DD与AdaBoost.RT结合的模型更新策略,进而提高模型的在线学习性能和预测精度,最后使用CALCE提供的电池老化实验数据对所提出的方法进行验证.结果表明,基于增量学习的HI-DD-AdaBoost.RT预测算法具有较强的在线更新能力和较高的预测精度,能够满足SOH在线预测的实际需求.     

基于自注意力和GRU的锂电池健康状态估计

为了解决锂离子电池使用中特征提取数据不足和模型需要大量历史数据的问题,通过分析锂离子电池使用中的数据,提出了放电过程中基于Self-Attention-GRU的锂离子电池健康状态估计方法。在没有历史数据的锂电池上使用相同型号锂电池历史数据训练的模型估计电池健康状态;拥有一定量老化数据后,使用锂电池自身的老化数据训练模型估计电池健康状态。提取放电过程的等压降放电时间、电压均方根和放电功率作为健康因子,利用融合自注意力机制的门控循环单元建立健康因子和健康状态(SOH)之间的映射关系。使用4组CALCE电池老化数据进行实验验证。模型在20%老化数据作为训练集时MAE和RMSE分别达到1.03%和1.25%;在30%,40%老化数据和相同型号电池全部老化数据作为训练集时模型的MAE和RMSE都小于等于1%。说明该方法在估计锂离子电池健康状态估计方面具有较高的精确性和可靠性。     

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。     

压缩感知结合高斯过程回归的锂电池SOH估计

针对锂电池健康状态(SOH)估计,提出一种结合了基于压缩感知(CS)的容量增量曲线(ICC)特征提取与高斯过程回归(GPR)的估计方法。该方法从充电电压中提取ICC特征数据作为电池的健康特征(HF);针对原始ICC不准确且易受噪声干扰的问题,使用CS扩充数据维度以得到更加准确且平滑的ICC;通过相关性分析法选取ICC中相关性高的分量作为描述电池HF的参数,然后使用GPR建立电池容量退化模型用于估计SOH,并利用遗传算法优化超参数。最后,使用美国航空航天局(NASA)公开的四个电池数据集验证所提方法的准确性。实验结果表明,所提方法具有较高的估计精度和可靠性。     

基于分层式证据推理的信息融合故障诊断方法

针对基于信息融合的故障诊断方法中,诊断证据的精细化获取问题和在线诊断信息量受限问题,提出分层式的证据推理(ER)诊断方法.在诊断证据获取过程中,给出故障特征参考值投点方法,按比例求取特征样本点对相邻参考值的相似度,生成点值型参考证据矩阵(REM)和在线故障特征样本的诊断证据,实现了诊断信息的精细化提取;在证据融合过程中,设计分层式ER融合模型.第1层融合中利用k-NN算法找到在线样本的近邻历史样本,然后利用ER规则实现在线样本与近邻历史样本对应证据的融合.在第2层融合中,将多个特征源提供的第1层融合结果再次融合,并根据两层融合所获证据进行故障决策;此外,在分层融合模型中,根据证据之间的欧氏距离构造目标函数及相应的证据重要性权重优化方法.最后,在多功能电机转子试验台上实施了故障诊断实验,与已有单层ER模型诊断结果进行比较,说明所提方法通过提升诊断证据的精确性、增加历史样本扩充诊断信息量,能够有效提升确诊率.     

基于证据推理规则的信息融合故障诊断方法

本文针对不确定性故障特征信息的融合决策问题,给出基于证据推理(evidence reasoning,ER)规则的故障诊断方法.首先基于故障特征样本似然函数归一化的方法求取各传感器(信息源)提供的诊断证据;从传感器误差以及故障特征对各故障类型辨别能力的差异出发,给出获取诊断证据可靠性因子的方法;给出双目标优化模型训练得到诊断证据的重要性权重,最后利用ER规则融合经可靠性因子和重要性权重修正后的诊断证据,利用融合结果进行故障决策.该方法继承了Dempster-Shafer证据理论处理不确定性信息融合问题的优点,同时克服了它在实际应用中无法区分证据可靠性和重要性的不足,使得所获诊断证据更为客观、可信.最后,通过在多功能电机转子试验台上的故障诊断实验,验证了所提方法的有效性.     

基于交叉熵方法和支持向量机的模拟电路故障诊断

针对故障诊断系统中存在的大量无关或冗余的特征会严重影响故障诊断性能的缺陷,提出了基于交叉熵和支持向量机方法进行特征选择和参数优化的故障诊断方法．首先以某种概率分布产生若干随机样本,并依据交叉熵最小原理建立分布参数的更新规则进行特征搜索和ＳＶＭ 参数优化;然后利用优化后的特征向量和参数训练支持向量机获得故障诊断模型．故障诊断实验结果表明,该故障诊断方法能有效地优化故障特征和模型参数,提高故障诊断性能．     

改进D-S证据理论在电动汽车锂电池故障诊断中的应用

针对电动汽车电池系统的故障采用基于神经网络的改进D-S证据理论组合规则完成诊断过程。为了避免单一途径的诊断可能造成故障漏检误检的状况,决策层采用D-S证据理论组合规则来确定基于BP网络和RBF网络两种故障诊断算法结果。然而为了克服D-S证据理论处理高度冲突证据的缺陷,本文提出了一种基于神经网络改进的D-S证据理论组合规则。首先,采用神经网络对电池故障进行初步诊断,结合网络诊断准确率来分配不确定信息并构造证据体,又引入了证据间的支持矩阵来确定新的加权证据体。然后,把各个焦元的信任度融入D-S证据理论组合规则,从而融合神经网络证据体及新加权证据体。最后,依据决策准则确定锂电池系统的故障状态。通过仿真实验验证了本文提出的改进D-S证据理论融合诊断方法在电动汽车锂电池故障诊断中的有效性。     

基于卷积自编码神经网络的锂离子电池健康状况评估方法研究

目前锂离子电池已被广泛用作能量存储系统,在手机、电动汽车和飞机中均有广泛的应用。然而锂离子电池在使用过程中存在一定的危险性,若不能及时对电池健康状态评估（SOH）发现危险将会导致十分严重的后果。因此,研究一种基于卷积神经网络的锂离子电池健康状况评估方法,该方法通过使用卷积自编码神经网络对电池状态数据进行特征提取,有效提升了评估的准确率,并且神经网络能够在使用过程中不断进行学习,具有较高的灵活性,最后通过使用NASA公开的锂电池数据集测试,评估准确率达到93.6%,相比传统方法有较大提升。     

电站储能调频系统电池SOH估计算法应用研究

对锂离子电池进行多次充放电试验,记录充放电试验的数据,根据这些记录的数据来分析电池的性能,寻找电池寿命的变化规律.根据试验数据建立电池寿命的数学模型,使用该模型预测电池的寿命.根据电池的充电电压曲线来估算电池的寿命,分析其效率、容量随电池寿命的变化规律.根据试验得到的数据,对使用的锂离子电池进行SOH估算,验证算法的准...     

一种锂电池SOH估计的KNN-马尔科夫修正策略

锂离子电池的健康状态(State of health, SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异, 因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进行特征提取, 使用贝叶斯正则化神经网络对锂电池SOH进行预测, 同时引入KNN-马尔科夫修正策略对预测结果进行修正.实验结果证明, 贝叶斯正则化算法对锂电池SOH的预测准确度较高, KNN-马尔科夫修正策略提高了预测的精确度和鲁棒性, 组合预测模型对锂电池SOH的平均预测误差小于$1\,\%$, 与采用数据分组处理方法(Group method of data handling, GMDH)、概率神经网络(Probabilistic neural network, PNN)、循环神经网络(Recurrent neural network, RNN)的预测精度进行对比, 该模型的预测精度分别提高了$33.3\,\%$、$48.7\,\%$和$53.1\,\%$.     

Combining empirical mode decomposition and deep recurrent neural networks for predictive maintenance of lithium-ion battery

Predictive maintenance of lithium-ion batteries has been one of the popular research subjects in recent years. Lithium-ion batteries can be used as the energy supply for industrial equipment, such as automated guided vehicles and battery electric vehicles. Predictive maintenance plays an important role in the application of smart manufacturing. This mechanism can provide different levels of pre-diagnosis for machines or components. Remaining useful life (RUL) prediction is crucial for the implementation of predictive maintenance strategies. RUL refers to the estimated useful life remaining before the machine cannot operate after a certain period of operation. This study develops a hybrid data science model based on empirical mode decomposition (EMD), grey relational analysis (GRA), and deep recurrent neural networks (RNN) for the RUL prediction of lithium-ion batteries. The EMD and GRA methods are first adopted to extract the characteristics of time series data. Then, various deep RNNs, including vanilla RNN, gated recurrent unit, long short-term memory network (LSTM), and bidirectional LSTM, are established to forecast state of health (SOH) and the RUL of lithium-ion batteries. Bayesian optimization is also used to find the best hyperparameters of deep RNNs. Experimental results with the lithium-ion batteries data of NASA Ames Prognostics Data Repository show that the proposed hybrid data science model can accurately predict the SOH and RUL of lithium-ion batteries. The LSTM network has the optimal results. The proposed hybrid data science model with multiple artificial intelligence-based technologies also demonstrates critical digital-technology enablers for digital transformation of smart manufacturing and transportation.     

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.     

State-of-health estimator based-on extension theory with a learning mechanism for lead-acid batteries

The main objective of this paper is to design and implement an improved intelligent state-of-health (SOH) estimator for estimating the useful life of lead-acid batteries. Laboratory studies were carried out to measure and record the distributed range of characteristic values in each SOH cycle for the battery subject to cycles of charging and discharging experiments. The measured coup de fouet voltage, internal resistance, and transient current are used as characteristics to develop an intelligent SOH evaluation algorithm. This method is based on the extension matter-element model that has been modified in this research by adding a learning mechanism for evaluation SOH of batteries. The proposed algorithm is relatively simple so that it can be easily implemented with a programmable system-on-chip (PSOC) microcontroller achieve rapid evaluation of battery SOH with precision by using a concise hardware circuit.     

Estimation of Battery State of Health Using Back Propagation Neural Network

100 pieces of 26650-type Lithium iron phosphate（LiFePO4） batteries cycled with a fixed charge and discharge rate are tested, and the influence of the battery internal resistance and the instantaneous voltage drop at the start of discharge on the state of health（SOH） is discussed. A back propagation（BP） neural network model using additional momentum is built up to estimate the state of health of Li-ion batteries. The additional 10 pieces are used to verify the feasibility of the proposed method. The results show that the neural network prediction model have a higher accuracy and can be embedded into battery management system（BMS） to estimate SOH of LiFePO4 Li-ion batteries.     

PSO优化的BiLSTM-Attention网络的锂电池健康状态评估

锂离子电池作为一种高效的储能元件,被广泛应用到生产生活的各个领域,其健康状态事关系统的安全性,受到越来越多的重视.基于粒子群优化算法,优化了具有注意力机制的双向长短期记忆网络,实现了锂离子电池的健康评估.首先,考虑到锂电池数据的时序特征,采取了一种双向长短期记忆网络提高预测效果,并且引入注意力机制解决信息过载问题,提高...