多状态影响下基于Bi‑LSTM网络的锂电池剩余寿命预测方法

现有基于深度学习的锂电池剩余寿命(Remaining Useful Life,RUL)预测方法中,锂电池多个内部状态所蕴含的寿命信息未得到充分考虑.鉴于此,提出了一种融合电池容量、阻抗与温度三个内部状态的RUL预测模型.首先,引入双向长短时记忆(Bi‑directional Long Short‑Term Memory,Bi‑LSTM)网络学习三种状态数据的时间相关性.其次,利用dropout技术与Bayesian变分推断技术间的等价性实现了RUL预测结果的不确定性量化,得到了预测结果的95%置信区间与概率密度分布(Probability Density Function,PDF),并分析了不同dropout率对预测不确定性的影响.最后,通过四种不同的深度学习模型框架与两种内部状态输入方案的对比实验,验证了本文方法的有效性.

Bi‑LSTM神经网络用于轴承剩余使用寿命预测研究

为有效获得轴承退化过程,设计一种改进损失函数的卷积自编码器(Convolutional Autoencode),使其可从多传感器采集的振动信号中提取轴承健康状态,避免了局部信息的丢失,同时得到了更深层次的故障特征。提出了一种基于双向长短时记忆网络(Bi‑directional LSTM)的循环神经网络结构,利用其对时间序列数据的处理能力,学习轴承在实际工作过程中的退化规律,实现对轴承的剩余使用寿命预测。此外,为进一步提升模型的预测准确率及泛化能力,设计接收随机长度样本的Bi‑LSTM网络进行训练,使得模型接收连续数据而不是分段的数据。最后,使用NASA的IMS数据集进行了验证和对比试验,得出本文所构建的CE‑Bi‑LSTM轴承健康预测模型相较于其他方法具有更准确的预测能力。