The development of machine learning-based remaining useful life prediction for lithium-ion batteries

Lithium-ion batteries are the most widely used energy storage devices,for which the accurate prediction of the remaining useful life(RUL)is crucial to their reliable operation and accident prevention.This work thoroughly investigates the developmental trend of RUL prediction with machine learning(ML)algorithms based on the objective screening and statistics of related papers over the past decade to analyze the research core and find future improvement directions.The possibility of extending lithium-ion battery lifetime using RUL prediction results is also explored in this paper.The ten most used ML algorithms for RUL prediction are first identified in 380 relevant papers.Then the general flow of RUL prediction and an in-depth introduction to the four most used signal pre-processing techniques in RUL prediction are presented.The research core of common ML algorithms is given first time in a uniform format in chronological order.The algorithms are also compared from aspects of accuracy and characteristics comprehensively,and the novel and general improvement directions or opportunities including improvement in early prediction,local regeneration modeling,physical information fusion,generalized transfer learning,and hardware implementation are further outlooked.Finally,the methods of battery lifetime extension are summarized,and the feasibility of using RUL as an indicator for extending battery lifetime is outlooked.Battery lifetime can be extended by optimizing the charging profile serval times according to the accurate RUL prediction results online in the future.This paper aims to give inspiration to the future improvement of ML algorithms in battery RUL prediction and lifetime extension strategy.

Remaining lifetime prediction for nonlinear degradation device with random effect

For the large number of nonlinear degradation devices existing in a project, the existing methods have not systematically studied the effects of random effect on the remaining lifetime(RL),the accuracy and efficiency of the parameters estimation are not high, and the current degradation state of the target device is not accurately estimated. In this paper, a nonlinear Wiener degradation model with random effect is proposed and the corresponding probability density function(PDF) of the first hitting time(FHT)is deduced. A parameter estimation method based on modified expectation maximum(EM) algorithm is proposed to obtain the estimated value of fixed coefficient and the priori value of random coefficient in the model. The posterior value of the random coefficient and the current degradation state of target device are updated synchronously by the state space model(SSM) and the Kalman filter algorithm. The PDF of RL with random effect is deduced. A simulation example is analyzed to verify that the proposed method has the obvious advantage over the existing methods in parameter estimation error and RL prediction accuracy.

Residual lifetime prediction model of nonlinear accelerated degradation data with measurement error

For the product degradation process with random effect (RE), measurement error (ME) and nonlinearity in step-stress accelerated degradation test (SSADT), the nonlinear Wiener based degradation model with RE and ME is built. An analytical approximation to the probability density function (PDF) of the product's lifetime is derived in a closed form. The process and data of SSADT are analyzed to obtain the relation model of the observed data under each accelerated stress. The likelihood function for the population-based observed data is constructed. The population-based model parameters and its random coefficient prior values are estimated. According to the newly observed data of the target product in SSADT, an analytical approximation to the PDF of its residual lifetime (RL) is derived in accordance with its individual degradation characteristics. The parameter updating method based on Bayesian inference is applied to obtain the posterior value of random coefficient of the RL model. A numerical example by simulation is analyzed to verify the accuracy and advantage of the proposed model.

基于注意力机制的滚动轴承剩余使用寿命预测方法

现有的轴承振动信号特征的提取方法过分依赖于专家的经验,同时在轴承的寿命预测过程中,存在因序列过长而导致的记忆力退化等问题,为此,结合卷积神经网络-注意力机制网络(CNN-attention)和基于注意力机制的Encoder-Decoder方法,提出了一种滚动轴承剩余使用寿命(RUL)的预测模型(方法)。首先,利用快速傅里叶变换(FFT)方法,将滚动轴承的初始振动信号转换成频域幅值信号;然后,设计了一种基于注意力机制的模型:其中,利用CNN-attention进行了退化特征提取,利用基于注意力机制的Encoder-Decoder网络进行了RUL预测,并进一步在远距离信号传输中解决了循环神经网络记忆衰退的问题;最后,为了验证特征提取模型以及寿命预测模型的有效性,采用PHM 2012轴承退化数据集,通过轴承加速退化PRONOSTIA实验平台进行了实验,并将其所得结果与未采用注意力机制模型的预测结果以及其他文献方法所得结果进行了对比。实验结果表明:与其他方法相比,基于注意力机制模型的方法平均绝对误差分别降低了29.41%、32.00%、29.56%、32.34%,平均得分分别提高了0.39%、0.98%、0.82%、15.46%。研究结果表明:在轴承RUL预测方面,基于注意力机制的轴承剩余使用寿命预测模型(方法)是有效的。

基于关联向量机回归的故障预测算法

针对一类故障预测问题提出了一种基于关联向量机(relevance vector machine,RVM)回归的故障预测算法。算法首先采用关联向量机模型对对象历史数据中隐含的故障演化信息进行学习,然后将所获取的关联向量机模型用于对象故障未来变化趋势的预测。预测过程采用多步时间序列预测中的递推计算的思想,并且将每一步预测的不确定性作为下一次预测迭代的输入要素加以充分的考虑。迭代过程中的一些关键量的获取采用了蒙特卡罗采样计算的思想,避免了对关联向量机核函数选取的限制。算法预测输出采用对象系统剩余寿命的随机分布形式,相对于传统预测算法的确定值形式的输出更加符合实际。将所提算法与传统算法进行比较,仿真实验结果证明所提算法要优于传统故障预测算法。

基于时变状态转移隐半马尔科夫模型的寿命预测

隐半马尔科夫模型在进行系统状态估计及寿命预测时,其状态转移概率矩阵是固定值,得到的剩余寿命预测值呈阶梯状变化,与系统的实际剩余寿命值之间存在着较大的误差.针对上述问题,提出了具有时变状态转移概率矩阵的隐半马尔科夫模型,根据系统的3种典型退化状态分析,给出3种不同的状态转移系数.与初始状态转移矩阵相结合,得到随时间变化的状态转移矩阵.提高系统在当前健康状态下的剩余持续时间估计精度,最终得到更为准确的总体剩余寿命预测值.结果表明,基于时变状态转移概率矩阵的隐半马尔科夫模型相比传统的隐半马尔科夫模型,可显著提高剩余寿命预测的准确性.

基于EM-EKF与隐含比例退化模型的机载电子设备剩余寿命自适应预测

针对现有机载电子设备剩余寿命自适应预测方法在新研小样本条件下,未能综合考虑设备隐含退化建模与漂移系数在线更新的问题,本文提出一种基于期望最大-扩展卡尔曼滤波(Expectation Maximization-Extended Kalman Filter,EM-EKF)与隐含比例退化模型的机载电子设备剩余寿命自适应预测方法.首先,基于非线性Wiener过程构建带比例关系的设备隐含退化模型;其次,在引入漂移系数更新机制的基础上建立设备退化状态方程,并采用EKF算法同步更新设备退化状态与漂移系数;然后,采用EM-EKF算法实现对退化模型参数的自适应估计;最后,基于全概率公式,推导出设备剩余寿命的概率密度函数.通过对单台微机械陀螺仪实测数据进行分析,验证了本文所提方法具有更好的模型拟合性与预测准确性.

融合寿命数据和退化数据的防喷阀剩余寿命预测

为了解决目前利用Wiener过程对产品进行寿命预测时,由于考虑个体差异至少需要对模型的三个参数进行估计从而导致计算量较大的问题,提出了利用个体方差和总体方差的相关关系以减少待估计参数个数的寿命预测方法。利用历史寿命数据和实时退化数据,采用Bayes估计和EM(expectation maximization)算法得到性能退化信息的参数值,从而得出防喷阀的剩余寿命的概率密度函数及相关分布。仿真结果表明所提方法不仅减少了待估计参数的个数,使计算过程更简单有效,而且有效提高了剩余寿命的预测精度。

基于状态监测数据的航空发动机剩余寿命在线预测

针对现有基于状态监测数据的航空发动机剩余寿命预测研究未能综合考虑隐含退化建模和同步更新漂移/扩散系数的问题,提出一种基于状态监测数据的航空发动机剩余寿命在线预测方法。首先,基于非线性Wiener过程构建带比例关系的航空发动机隐含退化模型;其次,基于多台同类发动机的历史状态监测数据,对退化模型参数进行离线估计;然后,基于目标发动机的实时状态检测数据,利用贝叶斯原理同步更新退化模型漂移/扩散系数;最后,推导出航空发动机的剩余寿命概率密度函数。结合实例分析,验证了本文所提方法较传统方法具有更高的预测准确性与精度,具备潜在工程应用前景。

基于改进相似性的装备部件剩余寿命预测及经济性储备策略

针对传统基于相似性的剩余寿命(remaining useful lifetime,RUL)预测方法未考虑运行条件差异,从而影响预测准确性及部件储备策略科学性的问题,提出一种基于改进相似性的装备部件RUL预测及经济性储备策略。基于提出的改进相似性方法,区分装备部件的运行条件类别,通过各类别内服役部件和参考部件的性能状态相似性,预测服役部件的RUL;基于RUL预测结果,以装备部件维修储备总费用最低为目标,以资源利用率为约束,建立经济性储备策略决策模型;采用差分进化算法对模型寻优求解,得到最优装备部件储备策略。实例分析表明,所提方法能够有效提升RUL预测的准确性和部件储备策略的科学性,具备工程应用价值。

考虑测量误差和随机效应的设备剩余寿命预测

针对非线性退化设备的剩余寿命预测问题,尚未系统研究考虑测量误差和随机效应的退化建模、先验参数估计及相应的剩余寿命预测方法。首先建立考虑测量误差和随机效应的非线性Wiener退化模型;利用同类设备历史监测数据,基于期望最大化算法估计出退化模型中固定系数和随机系数先验分布;采用状态空间模型描述目标设备当前监测状态,基于Kalman滤波算法迭代估计出随机系数后验分布和当前真实退化状态;利用全概率公式,推导出考虑隐含状态估计不确定性的设备剩余寿命的概率密度函数;仿真实例分析表明,所提方法较现有方法在参数估计误差和剩余寿命预测精度上具有一定优势。

基于步进加速退化建模的剩余寿命在线预测

针对同类产品在步进应力加速退化试验中观测数据,采用非线性Wiener过程,建立了带测量误差的加速退化模型;采用两步极大似然估计法,求解出退化模型中固定系数估计值和随机系数先验值;基于首达时的概率分布,推导出剩余寿命的概率密度函数近似表达式;引入随机系数贝叶斯更新方法,利用目标产品当前观测数据来更新随机系数后验值,实现剩余寿命预测结果在线更新;结合某型激光器仿真实例分析,验证了所建模型的正确性和优势。

基于比例关系加速退化建模的设备剩余寿命在线预测

针对传统基于加速退化建模的剩余寿命在线预测方法需在特定共轭分布条件下才能实现漂移系数和扩散系数同步更新的问题,提出一种基于比例关系加速退化建模的设备剩余寿命在线预测方法。首先,在传统Wiener退化模型中引入扩散系数与漂移系数的比例关系,从建模角度保证了扩散系数与漂移系数同步更新的可能性。其次,提出一种基于两步极大似然的参数估计方法,实现对模型参数的合理估计。然后,基于加速因子不变原则制定退化数据折算规则,并采用卡尔曼滤波原理在线更新设备退化状态。最后,基于全概率公式,推导出常应力条件下设备剩余寿命的概率密度函数。以某型加速度计加速退化数据为例进行分析验证,证明了所提方法能够有效提升剩余寿命预测的准确性,具备工程应用价值。

融合随机退化过程与失效率建模的设备剩余寿命预测方法

剩余寿命预测对于设备的维修与保养具有十分重要的意义。现有的剩余寿命预测方法大多只利用了设备的当前退化信息,对设备的历史寿命信息没有充分利用,而这些信息往往包含着设备寿命的演化信息,对于准确预测设备的剩余寿命具有重要意义。针对这个问题,提出了一种融合随机退化过程与失效率建模的设备剩余寿命预测方法。该方法首先将设备的退化过程建模为Wiener过程,然后利用Cox比例失效模型建模的方法融合设备退化过程对设备失效率的影响,由此达到利用设备历史监测信息的目的。进一步通过Bayes方法,利用当前退化监测信息对退化过程模型的参数进行更新,基于此进行剩余寿命预测,从而实现设备历史数据与当前数据的有效融合。最后,通过激光发生器的退化测量数据验证了提出的方法,说明该方法是有效的,具有一定的应用价值。

不确定失效阈值影响下考虑设备剩余寿命预测信息的最优替换策略

为了进一步提升设备维修决策的科学性,通过建立综合设备剩余寿命预测数据与不确定失效阈值的最优维修决策模型,实现了不可维修设备的最优替换策略。构建基于非线性Wiener过程的设备性能退化模型,并采用极大似然法估计退化模型参数;提出一种基于期望最大(Expectation Maximization,EM)算法的不确定失效阈值分布系数估计方法,通过引入虚拟失效阈值数据实现对失效阈值分布系数的同步迭代更新;基于首达时的概念推导出不确定失效阈值条件下设备剩余寿命的概率密度函数,并基于更新报酬理论建立维修决策模型,从而实现设备的最优维修决策。算例分析表明,设备的失效阈值会对维修决策结果产生重要影响,考虑设备失效阈值的不确定性既有助于提升剩余寿命预测的准确性,又可以有效降低设备的寿命周期费用。

考虑随机失效阈值的设备剩余寿命在线预测

退化失效阈值是影响设备剩余寿命预测的重要因素。针对现有剩余寿命预测方法忽略失效阈值随机性影响的问题,提出考虑随机失效阈值的设备剩余寿命在线预测方法。首先,基于带测量误差与随机效应的非线性Wiener过程构建设备退化模型;其次,采用极大似然估计(maximum likelihood estimation,MLE)算法估计退化模型参数与随机失效阈值分布系数;然后,在考虑随机失效阈值的基础上推导出设备剩余寿命的概率密度函数(probability density function,PDF),并基于Bayesian原理实时更新退化模型参数,实现对剩余寿命的在线预测。最后,将该方法应用于陀螺仪剩余寿命在线预测分析,结果表明该方法能够有效提高剩余寿命预测的精度与准确性。

基于集成学习的涡扇发动机剩余寿命预测

针对现有基于神经网络的剩余使用寿命预测方法存在训练时间较长的问题,提出一种基于XGBoost(extreme gradient boosting,XGBoost)算法的预测模型。首先,清洗历史数据,重构出涡扇发动机剩余使用寿命的完整退化轨迹数据;其次,分析各个特征与剩余使用寿命之间的相关性,依据零方差标准筛选可用特征;最后,通过XGBoost算法建立剩余使用寿命预测模型,并采用网格搜索法优化模型参数。结果表明,基于XGBoost算法的模型预测性能优于GBDT(gradient boosting decision tree),其中,拟合优度(r^(2))提升了约5%;均方根误差(RMSE)降低约6.83%;训练时间缩短近4/5。与CNN-LSTM方法相比,虽然XGBoost方法的预测精度略低,但训练时间较短,综合效率更高。

基于融合CNN的滚动轴承剩余寿命预测

针对现有一维卷积神经网络(one dimension convolutional neural net,1D-CNN)与二维卷积神经网络(two dimension convolutional neural net,2D-CNN)寿命预测方法使用的信息单一性问题,提出融合CNN网络模型(fusion 1D-CNN and 2D-CNN)。将单一的输入转换为多维度的输入,使CNN模型能充分的提取轴承振动信号时域和时频域的退化特征。首先使用FFT变换得到频谱信息,然后提取轴承故障频率能量,根据初始时刻的能量来划分退化阶段;再利用退化阶段的数据训练构建的融合网络,最后使用该网络预测滚动轴承的剩余寿命。通过对西交大轴承数据集(XJTU-SY轴承数据集)的验证表明,提出的融合CNN模型能够很好的学习到退化阶段的关键信息,从而有效的对轴承进行剩余寿命预测。

基于比例加速退化建模的单台机载设备剩余寿命自适应预测

针对现有机载设备剩余寿命(remaining useful lifetime,RUL)预测方法在新研单一样本条件下,无法应用于加速退化试验场景的问题,本文基于比例关系模型提出了一种加速退化场景下适用于单个试验样本的自适应RUL预测方法。首先,依据加速退化环境下Wiener过程存在的漂移/扩散系数比例关系,构建考虑设备个体差异与测量误差的非线性随机退化模型;其次,针对加速退化试验存在单一受试样本的情况,提出了基于期望最大和卡尔曼滤波联合算法的参数自适应估计方法;然后,基于卡尔曼滤波原理在线更新目标设备的退化状态,并推导出设备剩余寿命的概率密度函数;最后,通过对单台行波管加速退化实测数据进行分析,验证了方法的正确性和优势。