基于WOA-ELM的锂离子电池剩余寿命间接预测

针对标准极限学习机在预测锂离子电池寿命方面算法不稳定以及使用电池容量作为健康因子不易直接测量的问题,提出一种基于等压降放电时间的鲸鱼优化算法(whale optimization algorithm,WOA)优化极限学习机(extreme learning machine,ELM)的锂电池剩余寿命间接预测的方法.首先提...     

基于BSA-RELM的纯电动汽车锂离子电池SOC估计

提出一种基于鸟群算法优化鲁棒极限学习机的锂离子电池荷电状态估计算法。鲁棒极限学习机克服了极限学习机不能处理异常值的缺点,提高了网络的预测准确率。利用鸟群算法优化鲁棒极限学习机的隐层节点数和调节因子等参数,解决隐层节点数和调节因子等参数难以确定的问题,可进一步提高网络的收敛速度,且利于寻找全局最优值。利用ADVISOR软件采集影响电池荷电状态的主要参数:电流、电压、温度和内阻等进行建模和测试。仿真结果表明,采用鸟群算法优化鲁棒极限学习机比BPNN、RBFNN和FNN的估计误差更小,具有更高的预测精度。     

基于放电过程信息的锂电池剩余寿命预测

容量或内阻是衡量锂离子电池健康状态的重要指标,但在锂电池实际运行中,其容量和内阻很难实时获取。为此,提出了基于放电过程信息获取新健康指标的方法,并对锂电池的剩余寿命进行预测。主要研究了锂电池放电过程中电压变化的规律,提出两种可在线测量的新健康指标,并通过Box-Cox变换修正了新健康指标的准确性。比较分析表明,所提取的健康指标与容量之间存在着强相关性,在某种程度上可以解决锂电池容量难以在线测量的问题。此外还基于新健康指标建立了锂电池退化过程模型,并利用相关向量机算法进行锂电池的剩余寿命预测。实验结果表明,在寿命预测性能上相关向量机算法优于其他算法,并且预测时间越晚,预测结果就越准确,所提取的健康指标也能够很好地描述锂电池的退化过程,并在剩余寿命预测结果上表现优越。     

浅析锂电池剩余寿命的ELM间接预测方法

锂离子电池在实际的使用过程中经常会出现性能退化现象,电池性能退化必然会影响到仪器设备的正常使用,严重时可能会引起设备故障,因此电池使用过程中通常会使用一定的方法对锂离子电池的剩余使用寿命进行预测,现阶段常用的锂离子电池剩余寿命预测主要有两类方法,但这两种方法都存在着一些问题,因此本文构建一种ELM间接预测的方法,本文将对这种方法进行详细地介绍。     

锂离子电池状态估计与剩余寿命预测方法综述

准确估计锂离子电池荷电状态(state of charge,SOC)、电池健康度(state of health,SOH)以及预测电池剩余寿命(remaining useful life,RUL)是电池管理的重要内容,对延长电池寿命和保证电池系统可靠性具有重要意义。各国研究人员对电池状态评估与寿命预测方法进行了大量研究,提出了多种方法。首先,介绍了SOC与SOH的定义及已有估算方法,并进行了对比;然后,介绍了RUL的定义,并对主要方法进行了分类与比较;最后,总结了锂离子电池状态估计与寿命预测方面存在的挑战,并提出了未来的发展方向。     

基于改进粒子滤波的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命预测精度不高的问题,提出一种基于随机扰动无迹粒子滤波的锂离子电池剩余寿命预测方法.首先采用无迹卡尔曼滤波算法改进粒子滤波的重要性采样过程,随机扰动重采样算法改进粒子滤波的重采样过程,提出随机扰动无迹粒子滤波算法;然后采用双指数经验模型拟合的方法得到模型参数的初始值;最后采用随机扰动无迹粒子滤波算法...     

对可充锂离子电池保养的困惑

由于可充锂离子电池具有工作电压高、体积小、重量轻、比容量大、使用寿命长、自放电小以及记忆效应不明显的种种优点，现在被广泛应用于数码照相机、摄像机、手机等处。     

基于PF-LSTM的锂电池剩余使用寿命预测

针对锂电池剩余使用寿命(RUL)难以准确预测的问题,提出一种考虑多种寿命衰退特征与数据时序性的基于粒子滤波改进长短期记忆网络(PF-LSTM)的预测模型,并应用于锂电池的RUL预测。从电池历史充放电老化数据中提取与容量衰退密切相关的健康因子作为LSTM网络的输入,利用PF算法全局优化的能力寻优超参数,包括神经元个数、学习率、节点丢弃率、批尺寸大小、训练步数等6个参数,提高网络的预测能力;引入Dropout层,避免网络过拟合,提高模型的泛化能力。基于NASA PCoE电池数据集进行实验验证,对4块电池在不同预测起始点下的容量估计和寿命情况进行预测,并与经网格搜索的LSTM,SVR等算法进行比较。实验结果表明,PF-LSTM容量估计的RMSE与MAE均在2%以内,且寿命预测误差在3个循环以内,相比于其他算法精度最高。     

电动车锂离子电池的材料问题

简要介绍了我国电动车的开发现状, 指出了发展电动车的瓶颈是电池；阐明了锂离子电池对发展电动车的作用，特别强调目前的关键是研发适于电动车的锂离子电池材料；简述了作者的实验室在电动车锂离子电池关键材料研究方面的最新进展。     

动力型锂离子电池的研究进展

动力型锂离子电池已成为目前众多学者研究的热点。从活性材料,导电剂以及粘结剂等,简要介绍了动力型锂离子电池的发展及研究现状,并对未来做了展望。     

An ensemble model considering health index based classification for remaining useful life prediction

Accurate prediction of remaining useful life (RUL) plays an important role in the formulation of maintenance strategies. However, due to the diversity of the failure mode of equipment, there are significant differences between the degradation data, which greatly affects the accuracy of RUL prediction. In this case, an ensemble prediction model considering health index-based (HI-based) classification is proposed in this paper. Firstly, the stacked autoencoder (SAE) is employed to construct the HI. Then, the time window is used to sequentially process the HI sequence, so that many data segments with the same length can be achieved. To differentiate the data with the similar degradation process, K-means and Xgboost are selected to construct offline and online data classification models respectively. Finally, according to the results of the data classification, the ensemble model that integrates multiple machine learning methods are separately trained and then adaptively used for RUL prediction. In addition, integrating multiple methods helps to improve the generalization ability of the model. The NASA C-MAPSS dataset is applied to verify the effectiveness of the proposed method, and the results show that the proposed method achieves a higher prediction accuracy and shorter computational time than other existing prediction models.     

基于改进最优觅食算法的锅炉NOx排放预测研究

提出了一种改进的最优觅食算法(POFA),在最优觅食算法中引入自适应惯性权值与全局最优解来改进算法的更新公式,同时加入相空间搜索的机制。利用改进的最优觅食算法优化极端学习机(ELM)构建一个改进的极端学习机模型(POFA-ELM),并用该模型对锅炉NO_x的排放特性进行建模。将该模型与ELM、差分进化算法、粒子群算法、人工蜂群算法以及基本的最优觅食算法优化的ELM模型进行比较。结果表明:该模型的预测精度更好,泛化能力更强,可以更加准确地预测NOx的排放质量浓度。     

基于GSA-PELM的锅炉NOx预测模型

为了更加精确地实现对电厂循环流化床锅炉NOx排放量进行预测,提出了一类基于并行极端学习机的GSA-PELM模型。由于PELM的泛化能力及精度依赖于其权值的选择,因而利用万有引力算法优化PELM的权值,采用从某火电厂300MW的循环流化床锅炉在不同工况下实时采集的数据来检验模型的预测性能,并将GSA-PELM模型分别与PELM模型、ELM模型、万有引力算法优化的最小二乘支持向量机模型（GSA-LSSVM）、GSA-ELM模型进行比较,仿真结果表明GSA-PELM模型的精度相比其它所有模型提高了9个数量级以上,可以更加有效、准确地用于预测火电厂锅炉的NOx排放浓度。     

State estimation of discrete event systems for RUL prediction issue

This paper concerns Remaining Useful Life (RUL) estimation of discrete event systems. For that purpose, physics-based models with partially observed stochastic Petri nets are used to represent the system and its sensors. The advantage of the proposed modelling approach is to provide a realistic representation of the system, including the interaction between the normal behaviours and the failure processes. From the proposed modelling and collected measurements, timed trajectories, which are consistent with the observations, are obtained. Based on the event dates, our approach consists in evaluating the probabilities of the consistent behaviours using probabilistic models. State estimation is obtained as a consequence. The most probable future degradations, from the current state, are then considered and a method for fault prognosis is presented. Finally, the prognosis result is used to estimate the RUL as a time interval. A case study is proposed to show the applicability of the proposed method.     

基于机器学习的钛合金弹性模量预测方法研究

目的 探索一种高效可行的预测方法以提高钛合金弹性模量的预测精度,采用第一性原理计算方法与机器学习相结合的方式建立高精度的预测模型。方法 通过数据挖掘获取材料数据库中钛合金的力学性质微观结构参数,结合第一性原理计算方法构建初始数据集,并对其进行预处理,包括噪音消除、归一化及标准化,以得到高质量的数据集。同时,采用随机森林特征重要性分析法对输入参数进行筛选,去除弱相关变量以降低预测模型的复杂度。在此基础上,构建随机森林模型、支持向量机模型、BP神经网络模型及优化后的GA-BP神经网络模型,综合对比各模型的回归能力,分析误差后选出最优的算法模型。结果 最终建立了钛合金弹性模量预测模型,其中随机森林模型、支持向量机模型、BP神经网络模型、GA-BP神经网络模型的预测相关系数R分别为0.836、0.943、0.917、0.986。结论 GA-BP模型对弹性模量的预测误差基本保持在5%～7%。遗传算法可以优化BP神经网络的权值和阈值,使预测精度大幅提升。说明通过该方法可以实现钛合金弹性模量的预测,大大节省研发和实验成本,加快高性能材料的筛选。     

基于模糊综合评价的锂离子电池健康状态评估

锂离子电池健康状态的准确评估,对于储能系统的安全性具有重要意义。基于某实际运行的锂离子储能电站数据,通过提炼影响锂离子电池健康状态的关键参数,分别对电池电压标准分、充电容量和库伦效率进行单因素分析,通过变异系数法对单因素指标进行赋权,最后采用模糊综合评价法对电池整体健康状态进行量化评分。经评估,该储能电站锂离子电池整体健康状态良好,其中91.67%的锂离子电池健康度评分在85分以上,剩余8.33%的锂离子电池健康度评分低于85分但仍高于80分,且从单因素评估过程中发现,该部分电池开始出现一致性较差等现象,需要对该部分电池加强观测。研究提供了一种基于运行数据的、量化的、原位无损的锂离子电池健康状态评估方法,对储能电站的运行维护、安全稳定运行具有借鉴意义。     

Degradation Feature Selection for Remaining Useful Life Prediction of Rolling Element Bearings

Rolling element bearings are among the most widely used and also vulnerable components in rotating machinery equipment. Recently, prognostics and health management of rolling element bearings is more and more attractive both in academics and industry. However, many studies have been focusing on the prognostic aspect of bearing prognostics and health management and few efforts have been performed in relation to the optimal degradation feature selection issue. For more effective and efficient remaining useful life predictions, three goodness metrics of correlation, monotonicity and robustness are defined and combined for automatically more relevant degradation feature selection in this paper. Effectiveness of the proposed method is verified by rolling element bearing degradation experiments. Copyright © 2015 John Wiley & Sons, Ltd.