基于优化VMD-SSA-LSTM算法的锂离子电池RUL预测

目的为了避免锂电池在使用的过程中可能会出现容量虚假回升现象,从而导致电池在超出退化标准后继续使用造成风险。方法提出基于鲸鱼优化算法(WOA)、分模态分解(VMD)、麻雀搜索算法(SSA)和长短时记忆神经网络(LSTM)的组合预测算法对锂离子电池剩余寿命(RUL)进行预测。首先对于变分模态分解模态数K和惩罚因子a以往需要凭经验确定的问题,提出使用WOA对VMD的两个参数进行寻优。其次将原始容量退化数据根据上一步确定的参数进行模态分解,得到有限个模态分量。由于经过分解过后得到的残差分量的起伏性较大,因此将其作为其中的一个分量。最后,使用SSA优化LSTM的超参数,并对得到的模态分量和残差分量进行预测,并将预测的各个分量重构得到预测结果。结果采用NASA PCoE实验室公开的锂电池失效数据集进行实验,验证了所提出的WOA-VMD-SSA-LSTM优化算法相较于其他2种优化算法,在平均绝对误差(MAE)、均方根误差(RMSE)和平均相对百分误差(MAPE)3项评价标准中都是最低,且MAPE小于1%。结论该优化算法对于锂电池RUL预测具有不错的精度和稳定性,为锂电池RUL预测提供了一种新的预测模型的同时,也为VMD超参数的选择和确定提供了一种新方法。

基于ELM锂离子电池RUL预测优化方法研究

针对传统的极限学习机ELM(Extreme Learning Machine)算法对锂离子电池剩余使用寿命RUL(Remaining Useful Life)的预测效果不准确等问题,提出通过考察循环次数基础数据导入值对预测结果的影响,及通过集成度调整即前期降低算法RUL估计的频率,后期提高算法集成度和RUL估计的频率,进一步提高锂离子电池RUL预测的准确性。结果表明该方法具有测试时间短和误差小等优点,可为锂离子电池检测机构及生产企业提供一种更加快捷及低成本的电池剩余使用寿命或循环寿命测试方案。

基于决策树特征提取与RSM_LightGBM的涡扇发动机RUL预测

针对现有航空发动机剩余使用寿命预测(RUL)精度低及传感器监测参数提取困难等问题,提出了一种基于决策树特征提取与随机搜索算法优化LightGBM的航空发动机RUL预测模型。首先,对航空发动机历史监测参数进行分析,利用决策树算法计算监测参数对发动机寿命周期的重要性贡献程度,提取重要特征后对数据进行归一化处理,降低数据量纲对预测模型的影响;其次,根据航空发动机的历史衰退特征,为发动机设置阈值标签,表征发动机的性能退化特点。最后,利用随机搜索算法对LightGBM中的超参数进行寻优,获得RMSE最小值。在CMAPSS数据集上进行了实验验证。结果表明,与其他构建模型的最优值相比,所提方法在多个评价指标下具有更好的综合性能,有效提升了航空发动机RUL预测的精准度。

基于RUL和SVs-GFF的云服务器老化预测方法

针对云服务器中存在软件老化现象,将造成系统性能衰退与可靠性下降问题,借鉴剩余使用寿命(Remaining useful life,RUL)概念,提出基于支持向量和高斯函数拟合(Support vectors and Gaussian function fitting,SVs-GFF)的老化预测方法.首先,提取云服务器老化数据的统计特征指标,并采用支持向量回归(Support vector regression,SVR)对统计特征指标进行数据稀疏化处理,得到支持向量(Support vectors,SVs)序列数据;然后,建立基于密度聚类的高斯函数拟合(Gaussian function fitting,GFF)模型,对不同核函数下的支持向量序列数据进行老化曲线拟合,并采用Fréchet距离优化算法选取最优老化曲线;最后,基于最优老化曲线,评估系统到达老化阈值前的RUL,以预测系统何时发生老化.在OpenStack云服务器4个老化数据集上的实验结果表明,基于RUL和SVs-GFF的云服务器老化预测方法与传统预测方法相比,具有更高的预测精度和更快的收敛速度.

基于V2G与XGBoost技术的锂电池SOH估计与RUL预测分析

阐述针对锂离子电池特征提取困难导致SOH预测精确度较低的问题,提出一种基于V2G技术的充放电过程与XGBoost的锂电池SOH预测及RUL预测方法。通过从充电曲线中提取的滤波后曲线峰值与峰值对应点电压作为充电过程中的健康因子,以及放电过程中的周期放电电压达到最低点的时间和平均电压衰减,作为放电过程中的健康因子XGBoost模型的输入,进行电池SOH预测,结合SOH估计值和估算模型实现RUL的长期预测。实验结果表明,改进后的模型具有更高的估算精度,SOH估计和RUI预测精度较高。

基于弛豫电压模型的锂离子电池RUL预测

锂离子电池在长期使用过程中呈非线性退化趋势,预测非线性退化对延长电池寿命和确保安全意义重大。提出一种利用弛豫电压作为特征序列的非线性退化拐点预测方法,进行拐点和剩余使用寿命(RUL)的联合预测,建立结合拐点退化特征的RUL预测框架,提高预测精度。通过迁移学习,在不同的电池数据集上验证所提联合预测方法的性能,拐点和RUL预测的平均绝对误差在26次循环内,均方根误差低于28次循环。该方法利用弛豫电压来预测拐点和RUL,从而间接预测电池健康状态(SOH),具有预测精度好、应用范围广等特点。

基于多尺度TCN的锂离子电池RUL预测

为降低容量回升和噪声对锂离子电池剩余使用寿命(RUL)预测的影响,提出利用运行数据和容量数据的时序信息,基于多尺度时序卷积网络(TCN)的RUL联合预测方法。使用变分模态分解(VMD)法分解锂离子电池原始容量数据,将衰减过程中的非线性特征和主要衰减趋势分别分解到高频分量和低频分量;针对高频分量,使用多尺度TCN进行滚动迭代预测,以捕获容量的短期变化;针对低频分量,从运行数据中提取特征,输入多尺度TCN进行预测,以捕获容量的长期趋势;最后,将预测结果还原为容量预测值。基于美国航空航天局(NASA)数据集验证的结果表明,该方法的容量预测误差均方根误差(RMSE)最小值为0.0111,相应的平均绝对误差(MAE)最小值为0.0086,RUL预测误差基本在2次循环以内。

基于多模型组合和EIS的锂电池SOH和RUL预测

电池健康状态(state of health, SOH)和剩余使用寿命(remaining useful life, RUL)是评价电池健康程度和剩余寿命的重要技术指标。SOH和RUL的估计是电池管理系统的重要组成部分,是实现电池管理系统智能监控和科学运营的基础。电池电化学阻抗谱(electrochemical impedance spectroscopy, EIS)是一种用于表征电池内部电化学过程的测试方法,它具备精度高和非侵入性损害等优点。多种研究表明,电池阻抗谱EIS与电池的SOH和RUL存在一些内在的联系,因此成为电化学领域的研究热点。基于EIS预测SOH和RUL,传统机器学习方法比较成熟,但预测精度和稳定性仍有局限,难以完全挖掘电池衰减规律。因此,需要与深度学习等方法相结合才能提高预测性能。将降维模型和多种深度学习模型引入SOH和RUL预测领域,并对模型进行有效组合,取得了很好的效果。将EIS所有频率对应的实部和虚部数据依次排列作为频率特征,首先使用主成分分析(principle component analysis, PCA)模型对EIS值进行降维,提炼出10个精炼的主成分,然后使用卷积神经网络(convolution neural network, CNN)模型提取EIS的空间特征,使用双向长短期记忆网络(bidirectional long short-term memory, BiLSTM)模型提取EIS时间序列变化规律,使用注意力(attention)机制进一步选取EIS数据的时空特征中的重要部分,共同预测SOH和RUL。在测试数据上进行实验表明,SOH预测的均方误差(root mean square error, RMSE)达到0.146 8,RUL预测的均方误差达到2.614 5,效果均好于传统的方法。

基于性能监测的聚合冷凝器结垢RUL预测

针对聚合反应气相冷凝过程易造成换热器结垢的问题,基于性能监测,对聚合冷凝器结垢剩余使用寿命(RUL)预测方法建立了在线监测系统。该系统利用实时采集的聚合冷凝器运行参数,对其相变过程性能参数进行计算和监测,并基于性能指标对其低劣化趋势进行定量化管理,对RUL进行预测。若结垢RUL指标达到阈值,则采用侧线冲洗的方法,对管板积聚污垢进行冲洗,从而有效地延长大修周期。最后,通过在企业实际工程中的应用,验证了系统的有效性和实用性。研究结果表明,应用基于性能监测和结垢RUL预测方法可以提高冷凝器的性能指标,降低能耗,优化冲洗效果,减少维修和运营成本,从而提高生产效率。

基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测

基于传统方法预测轴承剩余使用寿命(Residual Useful Life,RUL),步骤繁多,成本昂贵,且模型不具泛化性。现有的基于深度学习(Deep Learning,DL)的预测方法,由于数据量过大,经常导致模型出现过拟合现象,从而使模型精度不高。为了克服以上缺点,提出一种基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测方法。首先,使用无监督式网络流形正则化堆栈去噪自编码器(Manifold Regularization Stack Denoising Auto Encoder,MRSDAE)结合自组织映射(Self-Or-ganizing Mapping,SOM)构建轴承健康因子(Health Indicator,HI)。然后,通过分层门控循环单元(Hierarchical Gated Re-current Unit,HGRU)网络建立预测模型,HGRU网络通过加入多尺度层和密集层,使其具有捕获时序特征且集成不同时间尺度注意力信息的能力。最后,通过实验验证表明,相比于其他基于数据驱动的方法,所提方法构建健康因子使用无监督方式,高效快捷且便于应用;预测模型泛化能力好,并有效防止了过拟合现象,实现了更高的预测精度。

基于SVD-SAE-GPR的锂离子电池RUL预测

锂离子电池是重要的储能手段之一,对其剩余使用寿命(RUL)进行预测具有非常重要的实际意义。本工作首先针对传统特征提取方法依赖参数设置且对于不同锂离子电池数据集适应性差的缺陷,将电池数据视作矩阵,并引入奇异值分解(SVD)从测量数据和包含更多退化信息的特征提取对象中提取潜在健康因子(HIs)。其次,潜在HIs的冗余和不足会影响RUL的预测,同时考虑到主成分分析(PCA)的缺点,使用Spearman相关分析和堆叠自编码器(SAE)处理HIs得到一个融合HI。在此基础上,利用高斯过程回归(GPR)算法构建了融合HI与容量之间的模型,得到了带有不确定性表达的最终预测结果。最后,通过NASA提供的四个老化电池数据验证了所提预测模型的可行性和有效性。并额外选取MIT电池数据集验证特征提取方法的适应性。实验结果表明,所提出的RUL预测框架具有较好的预测性能,SVD特征提取方法在避免参数设置的前提下具有较好的适应性。本工作提取的HI与经过PCA融合的HI、其他HI相比,预测精度有显著提高。

基于GAN-BiLSTM的锂电池RUL预测

针对深度学习方法在锂电池剩余寿命(Remaining Useful Life,RUL)预测中因样本数据较少所产生的准确率较低的问题,提出了基于GAN-BiLSTM的锂电池RUL预测方法,通过生成对抗网络(Generative Adversarial Network,GAN)对小样本的电压、电流、温度、时间所组成的数据集进行扩充,然后采用双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)提取输入数据的特征并对RUL在线预测,并提出适用于锂电池RUL预测的基于MSE-v的损失函数评价指标,对预测值大于实际值时给予模型更高的惩罚,解决了小样本下深度学习方法精度不高、准确率不高的问题。与其他数据驱动方法对比,实验证明了所提出的模型在测试集上有着较好的拟合效果:损失达到了最低值1.043。实验验证了模型的实用价值。

基于GRU Encoder-decoder和注意力机制的RUL预测方法

深度学习模型可直接建立机械设备的状态与剩余使用寿命(RUL)之间的映射关系,从而避免人工提取特征和建立健康指标的过程。文中基于深度学习理论,提出一种基于注意力机制和时序编码解码器(Encoder-decoder)相结合的RUL预测方法。首先,基于门控循环神经网络(GRU)构建一个时序编码解码器以实现输入序列的重构,其中GRU-Encoder对输入的多元时间序列进行编码;再引入注意力机制对GRU-Encoder在每个时刻的输出向量进行加权融合,以融合后的向量作为编码结果,并将其输入到GRU-Decoder中实现输入序列的重构,同时将编码结果映射为输入样本的RUL。采用CMAPSS数据集对所提方法的有效性进行验证,结果表明,该方法预测精度较高,可行且有效。

基于双重注意力机制的电池SOH估计和RUL预测编解码模型

锂电池的健康状态(SOH)和剩余使用寿命(RUL)精确评估对电池安全稳定运行极为重要,而现有预测模型内部运行机制透明性低,导致评估可靠性较差。文中提出一种基于双重注意力机制的双向长短期记忆网络编解码模型进行SOH估计和RUL预测。编码侧的特征注意力机制和解码侧的时序注意力机制不仅通过动态分配特征和时序信息的权重提升了模型预测精度,还通过可视化权重的方法实现了模型可解释性。最后,利用NASA和CALCE公开的电池数据集进行实验测试,验证了所提方法具有较高的精度和可靠性。

基于EG-SSMA-DELM的数控铣床刀具RUL预测研究

在工件的加工过程中,刀具失效会造成工件报废和关键部件损坏等问题,为此,提出了一种基于精英反向学习与黄金正弦优化黏菌算法结合深度极限学习机(EG-SSMA-DELM)的刀具磨损剩余寿命预测模型。首先,在黏菌算法(SMA)中,采用精英反向学习(EOBL)与黄金正弦(GSA)算法优化初始黏菌种群,提高了初始种群的多样性,改进了初始SMA搜索个体位置的更新方式,提高了算法的收敛速度与全局搜索能力,得到了最优参数;然后,利用改进的SMA算法,对深度极限学习机(DELM)中编码器的偏置与输入权重进行了联合优化,定义了不同数量的隐藏层神经元,利用ReLU激活函数对DELM的参数进行了理想排列;最后,根据最优参数,将投影特征输入DELM中进行了训练和预测,从而对刀具进行了剩余使用寿命预测。研究结果表明:相比于经典的深度极限学习机方法,EG-SSMA-DELM方法的均方根误差(RMSE)平均下降了19.60%,预测精度提高了16.00%;与其他深度学习算法相比,该算法模型具有更好的可行性、单调性和更强的鲁棒性。该算法模型对实际工程刀具磨损剩余寿命研究有一定的应用价值。

基于数据驱动的锂离子电池RUL预测综述

剩余使用寿命预测技术对于锂离子电池的安全使用及维护具有重要意义。由于锂离子电池的长寿命特性以及复杂的非线性退化机制,目前剩余使用寿命预测仍是电池状态预测的难点问题。数据驱动方法不需要考虑电池内部电化学特性,而仅从数据角度出发,是目前主流的预测方法。通过实例介绍了剩余使用寿命概念,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,针对现有方法的不足,提出未来需要改进的方向。

不同温度下基于PSO-LSSVM的锂电池SOH估计与RUL预测

电池的健康状态(SOH)和剩余寿命(RUL)是电池管理系统(BMS)的重要参数,准确地估计SOH和预测RUL对保障电池长期安全有效运行至关重要。选择锂电池等压降放电时间序列为间接健康因子,通过Pearson相关系数和Spearman秩相关系数说明所选健康因子与电池实际容量的相关性高;使用粒子群优化(PSO)算法寻找最小二乘支持向量机(LSSVM)的参数最优解,建立SOH估计及RUL预测模型。采用锂电池数据集对该方法进行验证,结果表明:在4,24,43℃三种不同环境温度下PSO-LSSVM的电池SOH估计结果平均绝对百分比误差(MAPE)均在1.05%以内,RUL预测结果与实际结果误差均在2.5%以内,说明所选方法具有良好的适用性和可行性。

基于TRNN和FA-PF融合的锂离子电池RUL预测

预测锂电池剩余使用寿命RUL(remaining useful life)可以提高电池供电系统的稳定性和安全性,从而明确故障的发生并及时做出响应。在预测过程中粒子滤波PF(particle filter)常用于在线辨识模型参数,但当PF在线辨识参数时易出现粒子贫化问题,需要大量粒子才能完成状态估计,这将会导致预测结果不准确。为了提高RUL预测的准确性,提出一种基于时间递归神经网络TRNN(time recurrent neural network)和萤火虫算法FA(firefly algorithm)优化PF融合的锂电池RUL预测方法。首先,由于TRNN的泛化能力优于经验模型,并且易于捕捉容量退化的长距离依赖问题,因此选用其模拟各种条件下的电池退化模型;其次,基于FA优化的PF技术对TRNN模型参数进行递归更新,使粒子群移动到高似然区域,从而减少PF的贫化;最后,选择不同条件下不同电池的实验数据进行验证和比较。结果表明,与传统方法相比,该方法具有更高的RUL预测精度。

基于差分电压和Elman神经网络的锂离子电池RUL预测方法

锂离子电池剩余使用寿命(remaining useful life,RUL)预测对电池的使用维护极为重要,提出一种基于差分电压和Elman神经网络预测锂离子电池RUL的方法。首先,根据美国国家航天航空局(National Aeronautics and Space Administration,NASA)的锂离子电池数据集,分析电池差分电压曲线和充放电曲线,提取电池容量退化特征量;其次,通过Pearson法分析特征量之间的相关性,将充电差分电压曲线初始拐点值、放电差分电压曲线峰值、放电时间、静置时间作为电池RUL预测的间接健康因子;最后,建立以上述间接健康因子为输入,电池容量为输出的Elman神经网络,进行锂离子电池的RUL预测。基于不同间接健康因子和不同神经网络的四种电池容量预测对比实验表明,在间接健康因子中加入充电差分电压曲线初始拐点值和放电差分电压曲线峰值可以提高电池寿命预测精度,Elman神经网络可准确预测电池容量。基于不同循环次数预测电池RUL,预测的平均均方根误差为1.55%。

基于DS数据融合与SVR-PF的锂离子电池RUL预测方法

为防止锂离子电池失效导致的系统失效,提出一种基于DS数据融合与支持向量回归机粒子滤波(Support Vector Regression-Particle Filter,SVR-PF)的锂离子电池剩余有效工作时间(Remaining Useful Life,RUL)预测方法.结果表明:该预测方法能够融合不同数据源对锂离子电池RUL的预测结果,改进可用数据较少时RUL的预测准确度.