锂离子电池的多状态模型剩余寿命预测方法

针对锂离子电池的容量恢复现象导致的剩余寿命预测精度不高的问题,提出了一种锂离子电池的多状态模型剩余寿命预测方法.首先通过分析锂电池的衰退数据将锂离子电池的退化过程分为正常退化、容量恢复和加速退化三种状态,然后分别对三种状态的退化过程进行建模并验证了模型的有效性,将3种状态的模型组合得到锂离子电池多状态容量衰退模型.然后基于建立的模型提出了粒子群优化粒子滤波算法,用于多状态容量衰退模型进行参数识别和状态更新.最后实现了锂离子电池的剩余寿命预测和预测结果的不确定性表达.与其他方法相比,实验结果表明:所提出方法精度更高,鲁棒性更强.     

锂离子电池剩余寿命间接预测方法

针对锂离子电池在线剩余寿命预测时容量难以直接测量以及预测表达的不确定性等问题,提出一种利用锂离子电池充放电监测参数构建剩余寿命预测健康因子的方法框架,实现了锂电池健康状态的表征,同时利用高斯过程回归(Gaussian process regression,GPR)方法给出剩余寿命预测的不确定性区间,从而构建了锂离子电池在线剩余寿命预测的方法体系。基于NASA锂离子电池数据集和卫星锂离子试验数据的剩余寿命预测验证和评估实验,表明本文提出的方法框架可以很好地支撑电池在线剩余寿命预测的应用,具备较好的电池剩余寿命预测精度和不确定性管理能力。     

锂离子电池剩余寿命间接预测方法简

针对锂离子电池在线剩余寿命预测时容量难以直接测量以及预测表达的不确定性等问题,提出一种利用锂离子电池充放电监测参数构建剩余寿命预测健康因子的方法框架,实现了锂电池健康状态的表征,同时利用高斯过程回归（Gaussian process regression,GPR）方法给出剩余寿命预测的不确定性区间,从而构建了锂离子电池在线剩余寿命预测的方法体系。基于NASA锂离子电池数据集和卫星锂离子试验数据的剩余寿命预测验证和评估实验,表明本文提出的方法框架可以很好地支撑电池在线剩余寿命预测的应用,具备较好的电池剩余寿命预测精度和不确定性管理能力。     

基于等压差充电时间的锂离子电池寿命预测

针对锂离子电池寿命在线预测时直接测量困难及容量再生的现象,提出一种基于等压差充电时间和改进高斯过程回归模型的电池寿命预测方法.建立了具备不确定性表达能力的高斯过程回归模型,并采用组合核函数与粒子群算法进行了模型优化.在恒流充电过程中提取等压差充电时间参数,将其作为健康因子建立了广义线性回归模型,通过预测等压差充电时间进行电池容量估计与寿命预测,根据电池充放电循环数据进行实验验证.结果表明:基于等压差充电时间的高斯过程回归模型预测方法可以预测容量非线性退化轨迹,具备较高的锂离子电池寿命预测精度及在线预测能力.     

基于新健康因子的锂电池健康状态估计和剩余寿命预测

容量和内阻是评估锂离子电池健康状态和预测其剩余寿命的重要指标,然而电池容量和内阻难以直接在线测量.通过分析锂离子电池充电过程中电流和电压的变化特征后提取出两种健康因子,并且证明所提因子与电池容量高度相关,进一步建立了用于锂电池容量估计的两因子线性回归模型.在此基础上,通过结合BP(back propagation)神经网络和粒子群优化思想设计锂离子电池健康状态估计算法.考虑到锂电池的健康状态和剩余使用寿命之间存在一定的映射关系,因此再利用所提取的健康因子和其健康状态估计结果设计了锂电池的剩余使用寿命预测算法.实验结果表明,所提取的健康因子能够准确地进行电池容量估计并应用于在线评估锂离子电池的健康状态和预测其剩余使用寿命.     

考虑随机退化和信息融合的剩余寿命预测方法

针对性能退化过程服从Wiener过程的产品,运用贝叶斯统计推断法,提出了一种融合产品现场实测性能退化数据与同类产品常规退化试验信息、历史寿命信息的个体剩余寿命预测方法.建立了基于Wiener过程的产品剩余寿命模型;考虑到个体之间的性能退化差异性,假定Wiener过程参数服从随机分布模型,建立了个体现场实测退化数据下分布参数的贝叶斯估计模型,给出了超参数后验估计公式;分别建立了退化数据和寿命数据下的完全似然函数,构建了基于最大期望算法的超参数先验估计模型;通过实例分析验证了所提方法的正确性和优势,结果表明本方法可有效处理个体现场实测退化信息与同类产品先验信息之间的剩余寿命预测问题.     

基于融合方法预测锂离子电池剩余寿命

为了准确地预测锂离子电池剩余寿命,创新性地用无迹卡尔曼、遗传算法和粒子滤波算法融合得到的融合方法研究了锂离子电池剩余寿命预测。用无迹卡尔曼算法的滤波结果所构造的建议分布代替标准粒子滤波算法中的重要性密度函数,用遗传算法的选择、交叉和变异过程代替其重采样过程,将3种算法相融合,用于电池的剩余寿命预测。结果表明,相较于标准粒子滤波算法的估算结果,所提的融合方法有效地降低了粒子退化程度,并抑制粒子多样性丧失,其对电池剩余寿命预测的误差更小,更接近实际值。用该融合方法预测锂离子电池剩余寿命时有更高的精确性和适用性。     

基于改进粒子滤波的锂离子电池RUL 预测

在基于粒子滤波算法的锂离子电池剩余使用寿命预测过程中, 由于基本粒子滤波算法存在粒子退化问题, 难以保证电池寿命预测的精度。为此, 提出一种基于MCMC(Monte Carlo Markov Chain)的无迹粒子滤波改进算法, 从选取适当的重要性密度函数和重采样过程两方面入手, 更全面地克服基本粒子滤波算法中的粒子退化问题, 进而提高锂离子电池剩余使用寿命预测的精度。实验仿真结果表明, 改进后的粒子滤波算法能更好地跟踪电池容量衰退趋势, 预测精度也明显优于基本粒子滤波算法, 为锂离子电池剩余使用寿命的预测提供了新思路。     

基于状态空间的惯性测量组合剩余寿命在线预测

实时准确的剩余寿命预测能够为惯性测量组合的维护策略安排提供有效的决策支持。由于反映惯性测量组合退化状态的性能指标不能直接监测或直接测量带有噪声,因此需要构建状态空间模型预测惯性测量组合的剩余寿命。考虑到惯性测量组合的性能退化指标随时间呈现非线性特征,首先采用基于非线性漂移的Brown运动(Brownian motion,BM)建模其退化状态,然后基于构建的状态空间模型,利用期望最大化(expectation-maximization,EM)算法和Kalman滤波(Kalman filter)实时估计和更新退化状态和模型未知参数。并且将状态估计的分布函数引入剩余寿命的预测过程,近似得到了剩余寿命分布的解析形式,实现了剩余寿命的实时预测与更新。最后,对惯性测量组合的剩余寿命实时预测问题进行了实验分析,结果表明该方法具有较高的预测精度与较小的预测不确定性。     

面向一类混合退化装备RUL预测的平行仿真技术

针对一类带离散冲击的混合退化装备剩余寿命预测问题,研究了面向混合退化装备剩余寿命预测的平行仿真技术.提出以混合Wiener状态空间模型为基础仿真模型,以泊松冲击到达为模型选择判据,在实时退化数据驱动下,实现仿真模型在线选择,利用强跟踪滤波和期望最大化算法进行仿真模型数据同化和未知参数在线估计,从而实现仿真模型演化,提高仿真模型逼真度.在此基础上,实现了基于平行仿真的剩余寿命实时预测.利用某轴承性能退化数据对平行仿真方法进行了实例验证,仿真结果表明平行仿真方法能有效仿真轴承的性能退化过程,剩余寿命预测的不确定性小、精度高.      

具有不确定测量的非线性随机退化系统剩余寿命预测

提出了一类同时考虑不确定测量和非线性随机退化的退化建模方法,通过Kalman滤波技术对受不确定测量影响的潜在退化状态进行实时估计;基于此,通过首达时间的概念得到了同时考虑退化非线性特征、退化状态不确定性及测量不确定性的剩余寿命分布;此外,提出了一种基于极大似然方法的退化模型参数估计方法,并通过陀螺仪的退化测量数据验证了所提方法可以提高剩余寿命估计的准确性.     

考虑不确定测量的惯性平台剩余寿命自适应预测

针对现有剩余寿命预测方法未考虑测量误差引起的不确定性,且存在预测不确定性大的问题,提出了一种基于Wiener过程的退化过程建模方法,并将测量的不确定性考虑到剩余寿命预测中,推导出了剩余寿命的概率分布。为了实时更新模型参数,利用Kalman滤波算法实时估计Wiener过程中的漂移系数,并利用期望最大化算法实时估计其它相关参数。以某型号惯性平台的退化测量数据为例,进行了实验验证,结果表明,相比其它算法,文中算法能够降低剩余寿命预测的不确定性,提高预测精度。     

基于劣化数据的综合传动装置剩余寿命预测

研究不确定测量多维劣化监测数据下的综合传动装置剩余寿命预测.采用主元分析与状态空间模型融合得到装置劣化程度指标;根据随机过程首中时间的概念定义了装置的剩余寿命,利用Wiener过程建立了装置劣化过程模型,模型中考虑了装置劣化随机性与监测数据测量不确定性;采用极大似然估计方法估计了模型参数,并利用Kalman滤波技术实现了劣化模型的实时估计与更新,得到了装置的剩余寿命分布.研究结果表明,文中的方法能够客观描述装置性能劣化规律,优于不考虑测量不确定性的方法,能够提高剩余寿命预测的准确性,为装置的视情维护提供指导.      

基于PF-GPR算法的锂离子电池剩余使用寿命预测

针对锂离子电池退化过程中不可避免的容量再生现象建立了电池退化模型,提出了融合粒子滤波(PF)和高斯过程回归(GPR)的电池剩余使用寿命(RUL)预测算法.仿真实验结果表明,所提出的算法能够实现准确的锂离子电池RUL预测.     

基于长短期记忆网络的齿轮剩余寿命预测研究

设备运行数据蕴含了大量的状态退化信息,利用状态退化信息对设备进行剩余寿命预测,可以为预测性维修提供重要的依据。针对监测过程中接收到表征设备退化的大量数据,提出一种改进的基于记忆机理循环神经网络实时剩余寿命预测模型。该模型利用随机搜索选择模型超参数,采用加入动量考虑的随机梯度下降算法优化模型参数,防止陷入局部最优,从而提高剩余寿命预测模型的预测精度。通过齿轮弯曲疲劳试验,验证了该模型剩余寿命预测的准确性。     

基于改进比例失效率模型的设备剩余寿命预测

产品的剩余寿命预测能够为产品的维修和更换提供重要的决策依据.传统的比例失效模型方法在剩余寿命预测中得到了广泛的应用,然而此方法没有充分利用产品的历史寿命信息,对产品的退化过程也没有很好地描述.针对此问题,提出了一种融合退化过程与失效率建模的产品剩余寿命预测方法.该方法首先利用线性过程对产品的退化过程建模,然后利用比例失效模型融合退化过程对失效率的影响,达到充分利用产品历史信息的目的.此外,与传统比例失效模型方法不同,模型中的比例参数分为两部分,分别将产品退化的初始信息和产品的退化增量联系起来,进一步利用产品的当前退化信息对产品的参数进行Bayes更新,基于此进行剩余寿命预测,从而实现产品历史数据和当前退化数据的有效融合.通过激光发生器的退化数据验证了所提方法的有效性.     

改进Elman网络在锂离子电池容量预测中的应用

为了准确估算锂离子电池的荷电状态(SOC),在分析影响锂离子电池剩余容量时变特性的基础上,综合国内外几种常用的预测锂离子电池方法,将改进Elman网络应用到锂离子电池的容量预测和模型建立中。实验结果表明:该网络不仅局部泛化能力好,而且有较好的动态性能和逼近能力,能够满足电池容量预测的误差要求。     

粒子滤波在锂离子电池剩余寿命预测中的应用

为有效预测锂离子电池剩余寿命,引入了粒子滤波算法.对粒子滤波的基本概念和算法实现步骤进行介绍,在给出锂离子电池寿命统计数据的基础上,应用粒子滤波算法计算其剩余寿命,解决了锂离子电池剩余寿命预测的问题.对相同的锂离子电池统计数据,利用扩展卡尔曼滤波方法计算进行对比实验.分析结果表明:粒子滤波算法比扩展卡尔曼滤波算法可靠,能较好地预测出锂离子电池的剩余寿命,误差小于5％.     

应用交互式多模型算法的设备剩余寿命预测

针对目前异常检测与剩余寿命预测联合研究中存在的问题,基于交互式多模型算法,提出了一种考虑退化模式动态转移的设备剩余寿命预测模型。首先根据模式动态转移的状态空间模型对设备进行退化建模,然后使用IMM算法对设备的隐含退化状态与退化模式后验概率进行联合估计,根据后验概率判别异常点,并采用期望最大化(Expectation Maximum,EM)算法对模型参数进行在线估计与更新,最终实现设备的实时剩余寿命预测。数值分析结果表明:该模型能够准确地检测异常点、降低剩余寿命概率分布的不确定性与提高剩余寿命的预测精度,为实现设备的视情维修提供决策依据。     

基于数据驱动的锂离子动力电池剩余使用寿命预测方法综述

准确预测锂离子动力电池的剩余使用寿命(remaining useful life, RUL),确保相关行业和设施的可靠性和安全性具有重要意义。数据驱动方法仅通过实验数据总结电池性能参数变化规律从而预测电池剩余寿命,突破了传统基于模型方法精度低、难以建模、通用性差的局限。首先针对基于数据驱动的锂离子动力电池寿命预测的研究进行分析,归纳总结出锂离子动力电池寿命预测建模思路。其次,分类阐述了各种基于数据驱动的预测方法,并对其优缺点进行了分析。最后,给出了锂离子动力电池剩余寿命预测的发展趋势。