CN111523727B - 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 - Google Patents
基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN111523727B CN111523727B CN202010323400.1A CN202010323400A CN111523727B CN 111523727 B CN111523727 B CN 111523727B CN 202010323400 A CN202010323400 A CN 202010323400A CN 111523727 B CN111523727 B CN 111523727B
- Authority
- CN
- China
- Prior art keywords
- uncertain
- data
- degradation
- time
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于不确定过程的考虑恢复效应的电池剩余寿命预测方法,其包括以下步骤:S1获取步骤,获取退化数据;S2建立不确定过程模型步骤,使用不确定过程中的刘过程对退化增量数据建模;S3参数初始化步骤,使用不确定最小二乘法进行估计得到参数估计值;S4参数更新步骤,使用加权最小二乘估计的方法进行参数更新;S5去噪步骤,基于不确定刘过程模型和更新后的参数,对退化数据进行去噪处理;S6参数再估计和再更新步骤,使用去噪后的退化数据对参数重新进行估计和更新;S7预测步骤,使用不确定仿真得到剩余寿命的预测结果。本发明改进了剩余寿命预测模型认知不确定性,并考虑了退化中的恢复现象,提高了退化预测准确性。
Description
技术领域
本发明涉及部件剩余寿命预测技术领域,特别是一种基于不确定过程的考虑恢复效应的电池剩余寿命预测方法。
背景技术
剩余寿命预测是指对于个体部件,其当前运行时刻与失效时刻之间的时间段的长度,剩余寿命预测在视情维修中起着重要作用,而视情维修是一种有效的维修策略,该方法基于相似部件的历史信息以及待预测部件的实时信息进行的。视情维修已经被广泛的应用于船舶,航空和运输等领域。该维修策略在近些年引起了广泛的关注,因为其能在保证产品安全可靠的前提下降低不必要的维修成本。值得注意的是,剩余寿命预测的准确性在视情维修中起着重要作用。在实际中,部件在失效前往往会呈现退化趋势,这是由于***本身的退化过程决定的,因此准确的退化建模对于剩余寿命预测的准确性就非常重要。
目前应用十分广泛的剩余寿命预测方法是基于统计模型的方法,例如自回归模型、随机系数模型和随机过程模型。然而该类方法存在如下的三个问题。第一,目前的基于统计模型的方法都是基于概率论的,在概率论与数据统计中,根据大数定理,当检测样本充足的时候频率趋近于概率,而在实际设备的退化中,能够监测到的数据往往是有限的,因此就会引入参数的认知不确定性问题;第二,对于一些实际应用场景,在退化过程中的恢复现象是必须被考虑的,然而该现象在现存的退化模型中往往被忽略了,一个常见的退化过程存在恢复现象的例子就是电池的退化,包含了锂离子电池的退化以及质子交换膜燃料电池的退化,在锂离子电池当中,当电池在充放电循环中暂停一段时间,电池内部的化学反应会让电池在下一个周期的可用容量上升,对于该恢复现象的发生存在着较多的认知不确定性;第三,在剩余寿命预测中,由于模型是基于相似部件的历史信息构建的,因此对于个体部件和群体部件之间的相似性程度就存在认知不确定性。以上三类认知不确定性对于剩余寿命预测的准确性中起着重要作用。
发明内容
本发明针对上述现有技术中的缺陷,提出了如下技术方案。
一种基于不确定过程的考虑恢复效应的电池剩余寿命预测方法,该方法包括:
S1获取步骤,获取群体历史部件的退化数据和待预测个体监测到的退化数据,群体历史部件共包括K个历史部件,分别记为i=1,2,…,K,第i个历史部件从投入使用到最后一次监测共得到Ni+1个数据点,因此第i个历史部件的退化数据为 对当前运行时刻为t的待预测个体退化数据为Y={y0,y1,…yt},再通过差分的方法得到了历史部件和待预测个体的退化增量数据,分别为和
S2建立不确定过程模型步骤,使用不确定过程中的刘过程对上述群体退化增量数据建模,建立的不确定刘过程模型为:
其中,x0是部件退化的初始状态,m是漂移参数,σ是扩散系数,b是时间尺度系数,tj代表设备运行时间,描述了退化的程度,是刘过程,用来在不确定过程中描述布朗运动,该过程服从不确定正态分布,服从不确定正态分布,描述了退化过程不确定性;
S4参数更新步骤,基于群体历史部件的退化数据和待预测个体的退化数据之间为定量的相似性指标,采用适用于剩余寿命预测的不确定参数估计方法,即基于相似性的不确定加权最小二乘估计方法,使得参数m,σ和b随时间发生变化进行更新;
S5去噪步骤,基于不确定刘过程模型和所述步骤S4中的参数,对步骤S1中的群体历史部件和待预测个体的退化数据进行去噪处理,得到考虑恢复效应后的去噪后退化数据;
S6参数再估计和再更新步骤,将根据步骤S5获得的群体历史部件和待预测个体的去噪后退化数据,计算去噪后退化增量数据,将去噪后退化数据和去噪后退化增量数据作为退化数据和退化增量数据再次执行执行步骤S3和S4,对参数重新进行估计和更新,获得去噪后的参数估计值;
S7预测步骤,使用不确定仿真对每一时刻的剩余寿命进行预测,得到预测结果。
S301信度计算步骤:
首先将群体历史部件中的第i个历史部件的退化增量数据按从小到大的顺序进行排序获得排序后的序列根据增量的秩次按照公式计算每一个增量对应的信度,获得信度序列再将信度序列按照初始的退化增量数据的顺序进行重新排序,重新排序后的信度序列为
S302参数估计步骤:
基于群体历史部件的退化增量数据对不确定刘过程模型进行参数初始化,其中的未知参数为m,σ和b,不确定刘过程模型中的参数估计表达式为:
其中,分别为m,σ和b的估计值,tj表示设备运行的j时刻,tj-1表示设备运行的j-1时刻,表示假设的不确定分布,表示增量数据对应的信度;对于线性形式的不确定刘过程模型,b=1,未知参数为m,σ;对于非线性形式的不确定刘过程模型,其中的未知参数为m,σ和b;
优选的,所述S4参数更新步骤,基于群体历史部件的退化数据和待预测个体的退化数据之间为定量的相似性指标,采用适用于剩余寿命预测的不确定参数估计方法,即基于相似性的不确定加权最小二乘估计方法,使得参数m,σ和b随时间发生变化进行更新,具体包括相似性度量步骤和参数更新步骤:
S401相似性度量步骤:
使用长度为L的滑动窗口从群体历史部件的退化数据和待预测个体的退化数据中滑动选取退化数据段,从群体历史部件中第i个历史部件和待预测个体中筛选的退化数据和退化增量数据分别用zL,i,yL,t和表示, 其中zj_j+L-1,i表示滑动窗口在Zi的序列中从时间j到时间j+L-1提取的退化数据段和退化增量数据段,其中表示滑动窗口在的序列中从时间j到时间j+L-1提取的退化数据段和退化增量数据段,每个zj_j+L-1,i和中都包含了长度为L的数据段;yL,t={yt-L+1,yt-L+2,…,yt-1,yt}和使用滑动窗口从待预测个体的退化数据和退化增量数据中取出从时间t-L+1到时间t的退化数据段和退化增量数据段;
该计算得到的指标值越大,表明群体部件与个体部件之间的相似性程度越低,因此对d1,j,i和d2,j,i分别取倒数,来表示距离相似性和方向相似性;
接着从第i个历史部件的多个退化数据段和退化增量数据段中挑选出距离相似性和方向相似性最大的值S1,i和S2,i作为第i个群体和个体之间的相似性指标:
接下来,将S1,i和S2,i按照下式进行归一化,归一化到(0,1)的范围内;
最后,考虑两类不确定性的第i个群体部件和个体部件之间的相似性权重可以通过下式计算得到:
S402参数更新步骤:
由于ωi的计算是与时间相关的变量,因此随着时间的变化,群体与个体之间的相似性权重会发生变化,参数估计的值也会随着时间发生变化,也就是对参数进行了更新,更新的表达式为:
优选的,所述S5去噪步骤,基于不确定刘过程模型和所述步骤S4中的参数,对步骤S1中的群体历史部件和待预测个体的退化数据进行去噪处理,得到考虑恢复效应后的去噪后退化数据,具体包括平滑处理步骤和双向回归步骤:
S501平滑处理步骤:
对于群体历史部件和待预测个体的N个原始测量值,X={x1,x2,…,xN-1,xN},i=1,2,...N-1时,基于第i个测量值xi,根据公式(10)和(11)分别计算下一个时刻即i+1时刻的上界和下界x i+1;
S502双向回归步骤:
引入宽度为M的滑动窗口,对于线性/非线性形式的不确定刘过程模型,分别使用现有技术中的线性/非线性回归方程来拟合窗口中的M个测量值{xi-M,xi-M+1,…xi-2,xi-1}i=M+1,M+2,...N-1;
优选的,所述S7预测步骤,使用不确定仿真对每一时刻的剩余寿命进行预测,得到预测结果具体为:
已知待预测个体t时刻的去噪后退化数据为xt,失效阈值为thre,t时刻的参数估计值mt,σt和bt,两个连续观测点之间的时间段长度Δt,仿真次数M,i=1,2,...M,i表示第i次仿真;
对于第i次仿真:
令x=xt,n=0,当x比thre大,进行如下操作:
n=n+1 (12)
产生一个服从0-1分布的随机数f,依据如下公式计算t时刻到t+1时刻的仿真退化增量:
其中,Δx为仿真退化增量,mt,σt和bt为t时刻的参数估计值,n为仿真退化增量的累积次数,f为(0,1)之间的一个随机数;
接着令x=x+Δx
判断此时是否满足x比thre小,如果是就退出循环进行后续操作,如果不是就直接跳转到公式(12);
第i次仿真的剩余寿命的预测值可以根据公式RULi=n*Δt来计算;
对M次仿真都采用和第i次仿真相同的步骤,获得M个剩余寿命的预测值,然后将M个剩余寿命的预测值求平均,得到最终的剩余寿命预测结果。
优选的,所述电池为锂离子电池或质子交换膜燃料电池。
本发明的技术效果为:
本发明提供了一种基于不确定过程的考虑恢复效应的电池剩余寿命预测方法。本发明基于部件的退化数据,采用了不确定过程中的刘过程来表述退化过程,考虑到了在信息不充分时认知的不确定性;本发明还利用基于相似性的加权最小二乘估计方法,通过量化群体与个体之间的相似性,可以随着个体信息的不断增多对模型的参数进行更新;此外,本发明采用在获得参数估计值后,利用参数估计值对退化数据进行去噪,再次计算参数估计值的方式,可以减轻恢复现象、随机波动和测量误差等噪声的影响。本发明可以改进已有的剩余寿命预测模型未准确考虑认知不确定性的问题,并考虑了退化中的恢复现象,从而提高了退化预测准确性。
附图说明
图1是本发明的一种基于不确定过程的考虑恢复效应的电池剩余寿命预测方法流程图;
图2是去噪步骤中对数据进行去噪处理过程中数据变化的演示图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
本发明的方法可以针对存在恢复现象的退化过程记性建模计算,输出的是对存在该退化过程的部件的剩余寿命预测结果,可被应用于故障评估、维修决策等领域。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的一种基于不确定过程的考虑恢复的剩余寿命预测方法,该方法包括以下步骤:
S1获取步骤,获取监测设备中群体历史部件的性能参数的退化数据和待预测个体不断更新的监测到的性能参数的退化数据,对监测到的群体历史部件进行编号,群体历史部件共包括K个历史部件,分别记为i=1,2,…,K,群体历史部件中的每一个历史部件的性能参数随使用时间退化,对于第i个历史部件,其从投入使用到最后一次监测共得到Ni+1个数据点,分别编号为j=0,1,2,…,Ni,因此第i个历史部件监测到的退化数据为对于待预测个体的退化数据,假设当前的运行时刻为t,待预测个体的退化数据为Y={y0,y1,…yt}。再通过差分的方法(即后一个数减去前一个数)计算得到了历史部件和待预测个体的退化增量数据,分别为和
在本发明的一个实例中,监测到了四个锂离子电池全寿命周期的退化数据,任意选用其中的两个用于模型训练,即作为历史部件,另外两个作为待预测个体,进行剩余寿命预测。根据S1获取步骤,获取检测设备的性能参数退化数据。
S2建立不确定过程模型步骤,使用不确定过程中的刘过程对上述群体退化增量数据建模,建立的不确定刘过程模型为:
其中,x0是部件退化的初始状态,xj是tj时刻部件退化的状态,m是漂移参数,σ是扩散系数,b是时间尺度参数,tj代表设备运行时间,描述了退化的程度,是退化的主体,是刘过程,用来在不确定过程中描述布朗运动,该过程服从不确定正态分布,服从不确定正态分布,描述了退化过程不确定性。
根据公式(1)可知,tj和tj-1之间的退化增量xj-xj-1服从不确定正态分布。
不确定正态分布的定义如下,若不确定变量ε是不确定正态变量,如果其有如下分布形式为:
则称ε服从不确定正态分布N(e,ω),其中e为期望值,ω为方差,e和ω都是实数,且ω>0。
在本发明的实施例中,对建立的不确定刘过程模型采用了线性和非线性的两种形式,即分别令b=1,b≠1。
S3参数初始化步骤,对于上述的不确定刘过程模型中的未知参数使用不确定最小二乘法进行估计,包括信度计算步骤和参数估计步骤:
S301信度计算步骤:
首先将群体历史部件中的第i个历史部件的退化增量数据根据退化增量数据中每个的数值大小,按从小到大的顺序进行排序,并且获得排序后的序列根据增量的秩次即每个增量对应的秩次j,按照公式计算每一个增量对应的信度,获得信度序列再将信度序列按照初始的退化增量数据的顺序进行重新排序,重新排序后的信度序列为此时信度序列和退化增量数据相对应。
S302参数估计步骤:
基于群体历史部件的退化增量数据对不确定刘过程模型进行参数初始化,其中的未知参数为m,σ和b。则不确定刘过程模型中的参数估计表达式为:
其中,分别为m,σ和b的估计值,tj表示设备运行的j时刻,tj-1表示设备运行的j-1时刻,表示假设的不确定分布,表示增量数据对应的信度。对于线性形式的不确定刘过程模型,b=1,未知参数为m,σ;对于非线性形式的不确定刘过程模型,其中的未知参数为m,σ和b。
S4参数更新步骤,基于群体历史部件的退化数据和待预测个体的退化数据之间为定量的相似性指标,提出了适用于剩余寿命预测的不确定参数估计方法,即基于相似性的不确定加权最小二乘估计方法,包括相似性度量步骤和参数更新步骤:
S401相似性度量步骤:
使用长度为L的滑动窗口从群体历史部件的退化数据和待预测个体的退化数据中滑动选取退化数据段,即使用长度为L的滑动窗口从群体历史部件中第i个历史部件和待预测个体的退化数据Zi、Y和退化增量数据Y*中筛选数据。从群体历史部件中第i个历史部件和待预测个体中筛选的退化数据和退化增量数据分别用zL,i,yL,t和表示,其中zj_j+L-1,i表示滑动窗口在Zi的序列中从时间j到时间j+L-1提取的退化数据段, 其中表示滑动窗口在的序列中从时间j到时间j+L-1提取的退化增量数据段,每个zj_j+L-1,i和中都包含了长度为L的数据段。yL,t={yt-L+1,yt-L+2,…,yt-1,yt}和为使用滑动窗口从待预测个体的退化数据和退化增量数据中取出从时间t-L+1到时间t的退化数据段和退化增量数据段。
该计算得到的指标值越大,表明群体部件与个体部件之间的相似性程度越低,因此对d1,j,i和d2,j,i分别取倒数,来分别表示距离相似性和方向相似性。
接着从第i个历史部件的多个退化数据段和退化增量数据段中挑选出距离相似性和方向相似性最大的值S1,i和S2,i作为第i个群体和个体之间的相似性指标:
接下来,将S1,i和S2,i按照下式(7)进行归一化,归一化到(0,1)的范围内。
最后,考虑两类不确定性的第i个群体部件和个体部件之间的相似性权重ωi可以通过下式计算得到:
S402参数更新步骤:
在不确定刘过程模型中的参数估计表达式中增加权重,则参数估计表达式变为带有权重的参数估计表达式:
由于的计算是与时间相关的变量,因此随着时间的变化,群体与个体之间的相似性权重会发生变化,参数估计的值也会随着时间发生变化,也就是对参数进行了更新。
S5去噪步骤,基于带有权重的参数估计表达式(9),对步骤S1中的群体历史部件和待预测个体的退化数据进行去噪处理,考虑恢复效应后得到去噪后退化数据,对退化数据的去噪处理包括平滑处理步骤和双向回归步骤,具体如下:
S501平滑处理步骤:
现在,对于群体历史部件和待预测个体的N个原始测量值,即监测得到的退化数据Zi、Y进行平滑处理。由于两者处理方式相同,为简单起见,现使用两者的通用公式X={x1,x2,…,xN-1,xN}作为说明,本领域技术人员根据通用公式,可知两者的去噪方法。当i=1,2,...N-1时,基于第i个测量值xi,根据公式(10)和(11)分别计算下一个时刻即i+1时刻的上界和下界x i+1。
此处若m,σ,b为没有更新,使用公式(3)获得的参数估计值若m,σ,b根据公式(9)获得更新后的参数估计值,则公式(3)使用更新后的参数估计值和根据公式(10)和(11)计算下一个时刻即i+1时刻的上界和下界x i+1;若将xi+1用替换;若xi+1<x i+1,将xi+1用x i+1替换。得到初步去噪后的测量值。
S502双向回归步骤:
引入宽度为M的滑动窗口,对于线性/非线性形式的不确定刘过程模型,分别使用现有技术中的线性/非线性回归方程来拟合窗口中的M个测量值{xi-M,xi-M+1,…xi-2,xi-1}i=M+1,M+2,...N-1。
图2示意性的演示了采用本步骤对数据进行去噪处理过程中数据变化的过程。
S6参数再估计和再更新步骤,将去噪后的数据放入到不确定刘过程模型中进行新的参数估计和更新。
将根据步骤S5获得的群体历史部件和待预测个体的去噪后退化数据,计算去噪后退化增量数据,将去噪后退化数据和去噪后退化增量数据作为退化数据和退化增量数据再次执行执行步骤S3和S4,对参数重新进行估计和更新,获得去噪后的参数估计值。
表1中列出了在某个具体实施例中线性形式的不确定刘过程模型去噪前后的初始化参数估计值;表2中列出了某个具体实施例中非线性形式的不确定刘过程模型去噪前后的初始化参数估计值;在具体实施例中总共有四个锂离子电池的全寿命周期退化数据,依次选取其中的两个作为训练集,因此组合数为
从表1、2中可以看出去噪前后的初始化参数估计值不同,去噪后的σ相比于去噪前其值变小,因此去噪后的初始化参数估计值可以减轻恢复现象、随机波动和测量误差等噪声的影响。
表1
表2
S7预测步骤,使用不确定仿真对每一时刻的剩余寿命进行预测,得到预测结果,具体为:
已知待预测个体t时刻的去噪后退化数据为xt,失效阈值为thre,t时刻的参数估计值mt,σt和bt,两个连续观测点之间的时间段长度Δt,仿真次数M,i=1,2,...M,i表示第i次仿真。
对于第i次仿真:
令x=xt,n=0,当x比thre大,进行如下操作:
n=n+1 (12)
产生一个服从0-1分布的随机数f,依据如下公式计算t时刻到t+1时刻的仿真退化增量:
其中,Δx为仿真退化增量,mt,σt和bt为t时刻的参数估计值,n为仿真退化增量的累积次数,f为(0,1)之间的一个随机数。
接着令x=x+Δx
判断此时是否满足x比thre小,如果是就退出循环进行后续操作,如果不是就直接跳转到公式(12)。
第i次仿真的剩余寿命的预测值可以根据公式RULi=n*Δt来计算。
对M次仿真都采用和第i次仿真相同的步骤,获得M个剩余寿命的预测值,然后,将M个剩余寿命的预测值求平均,得到最终的剩余寿命预测结果。
在本发明的一个实施例中,对NASA锂离子电池的数据进行剩余寿命预测,设M=1000,失效阈值thre为待预测个体初始时刻测量值的70%,即待预测个体的退化数据Y={y1,y2,…yt}中的y0的70%,为0.7y0,两个连续观测点的时间间隔为Δt=1。采用本发明的方法对锂离子电池剩余寿命预测的误差结果如下表所示:
表3
通过上表可以看出,使用不确定过程建模的方法在处理有恢复效应的剩余寿命预测时,其预测结果精度要比随机过程精度要高。
本发明的方法可以对以下存在恢复现象的退化过程进行预测:锂离子电池、质子交换膜燃料电池等。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种基于不确定过程的考虑恢复效应的电池剩余寿命预测方法,其特征在于:该方法包括:
S1获取步骤,获取群体历史部件的退化数据和待预测个体监测到的退化数据,群体历史部件共包括K个历史部件,分别记为i=1,2,…,K,第i个历史部件从投入使用到最后一次监测共得到Ni+1个数据点,因此第i个历史部件的退化数据为Zi={z0,i,z1,i,…zj,i,…,zNi,i},j=0,1,…,Ni,对当前运行时刻为t的待预测个体退化数据为Y={y0,y1,…yt},再通过差分的方法得到了历史部件和待预测个体的退化增量数据,分别为和
S2建立不确定过程模型步骤,使用不确定过程中的刘过程对上述群体退化增量数据建模,建立的不确定刘过程模型为:
其中,xj是tj时刻部件退化的状态,x0是部件退化的初始状态,m是漂移参数,σ是扩散系数,b是时间尺度系数,tj代表设备运行时间,描述了退化的程度,是刘过程,用来在不确定过程中描述布朗运动,该过程服从不确定正态分布,服从不确定正态分布,描述了退化过程不确定性;
S4参数更新步骤,基于群体历史部件的退化数据和待预测个体的退化数据之间为定量的相似性指标,采用适用于剩余寿命预测的不确定参数估计方法,即基于相似性的不确定加权最小二乘估计方法,使得参数m,σ和b随时间发生变化进行更新;
S5去噪步骤,基于不确定刘过程模型和所述步骤S4中的参数,对步骤S1中的群体历史部件和待预测个体的退化数据进行去噪处理,得到考虑恢复效应后的去噪后退化数据;
S6参数再估计和再更新步骤,将根据步骤S5获得的群体历史部件和待预测个体的去噪后退化数据,计算去噪后退化增量数据,将去噪后退化数据和去噪后退化增量数据作为退化数据和退化增量数据再次执行步骤S3和S4,对参数重新进行估计和更新,获得去噪后的参数估计值;
S7预测步骤,使用不确定仿真对每一时刻的剩余寿命进行预测,得到预测结果。
2.根据权利要求1所述的基于不确定过程的考虑恢复效应的电池剩余寿命预测方法,其特征在于:所述S3参数初始化步骤,对于不确定刘过程模型中的未知参数使用不确定最小二乘法进行估计,得到不确定刘过程模型中参数m,σ和b的估计值具体包括信度计算步骤和参数估计步骤:
S301信度计算步骤:
首先将群体历史部件中的第i个历史部件的退化增量数据按从小到大的顺序进行排序获得排序后的序列j=1,2,...Ni;根据增量的秩次按照公式计算每一个增量对应的信度,获得信度序列j=1,2,...Ni,再将信度序列按照初始的退化增量数据的顺序进行重新排序,重新排序后的信度序列为j=1,2,…Ni;
S302参数估计步骤:
基于群体历史部件的退化增量数据对不确定刘过程模型进行参数初始化,其中的未知参数为m,σ和b,不确定刘过程模型中的参数估计表达式为:
其中,分别为m,σ和b的估计值,tj表示设备运行的j时刻,tj-1表示设备运行的j-1时刻,表示假设的不确定分布,表示增量数据对应的信度;对于线性形式的不确定刘过程模型,b=1,未知参数为m,σ;对于非线性形式的不确定刘过程模型,其中的未知参数为m,σ和b;
3.根据权利要求1所述的基于不确定过程的考虑恢复效应的电池剩余寿命预测方法,其特征在于:所述S4参数更新步骤,基于群体历史部件的退化数据和待预测个体的退化数据之间为定量的相似性指标,采用适用于剩余寿命预测的不确定参数估计方法,即基于相似性的不确定加权最小二乘估计方法,使得参数m,σ和b随时间发生变化进行更新,具体包括相似性度量步骤和参数更新步骤:
S401相似性度量步骤:
使用长度为L的滑动窗口从群体历史部件的退化数据和待预测个体的退化数据中滑动选取退化数据段,从群体历史部件中第i个历史部件和待预测个体中筛选的退化数据和退化增量数据分别用zL,i,yL,t和表示,j=1,2,...Ni-L+1,其中zj_j+L-1,i表示滑动窗口在Zi的序列中从时间j到时间j+L-1提取的退化数据段和退化增量数据段,j=1,2,...Ni-L+1,其中表示滑动窗口在的序列中从时间j到时间j+L-1提取的退化数据段和退化增量数据段,每个zj_j+L-1,i和中都包含了长度为L的数据段;yL,t={yt-L+1,yt-L+2,…,yt-1,yt}和使用滑动窗口从待预测个体的退化数据和退化增量数据中取出从时间t-L+1到时间t的退化数据段和退化增量数据段;
该计算得到的指标值越大,表明群体部件与个体部件之间的相似性程度越低,因此对d1,j,i和d2,j,i分别取倒数,来表示距离相似性和方向相似性;
接着从第i个历史部件的多个退化数据段和退化增量数据段中挑选出距离相似性和方向相似性最大的值S1,i和S2,i作为第i个群体和个体之间的相似性指标:
接下来,将S1,i和S2,i按照下式进行归一化,归一化到(0,1)的范围内;
最后,考虑两类不确定性的第i个群体部件和个体部件之间的相似性权重可以通过下式计算得到:
S402参数更新步骤:
由于ωi的计算是与时间相关的变量,因此随着时间的变化,群体与个体之间的相似性权重会发生变化,参数估计的值也会随着时间发生变化,也就是对参数进行了更新,更新的表达式为:
4.根据权利要求1所述的基于不确定过程的考虑恢复效应的电池剩余寿命预测方法,其特征在于:所述S5去噪步骤,基于不确定刘过程模型和所述步骤S4中的参数,对步骤S1中的群体历史部件和待预测个体的退化数据进行去噪处理,得到考虑恢复效应后的去噪后退化数据,具体包括平滑处理步骤和双向回归步骤:
S501平滑处理步骤:
对于群体历史部件和待预测个体的N个原始测量值,X={x1,x2,…,xN-1,xN},i=1,2,...N-1时,基于第i个测量值xi,根据公式(10)和(11)分别计算下一个时刻即i+1时刻的上界和下界x i+1;
S502双向回归步骤:
引入宽度为M的滑动窗口,对于线性/非线性形式的不确定刘过程模型,分别使用现有技术中的线性/非线性回归方程来拟合窗口中的M个测量值{xi-M,xi-M+1,…xi-2,xi-1},i=M+1,M+2,...N-1;
5.根据权利要求1所述的基于不确定过程的考虑恢复效应的电池剩余寿命预测方法,其特征在于:所述S7预测步骤,使用不确定仿真对每一时刻的剩余寿命进行预测,得到预测结果具体为:
已知待预测个体t时刻的去噪后退化数据为xt,失效阈值为thre,t时刻的参数估计值mt,σt和bt,两个连续观测点之间的时间段长度Δt,仿真次数M,i=1,2,...M,i表示第i次仿真;
对于第i次仿真:
令x=xt,n=0,当x比thre大,进行如下操作:
n=n+1 (12)
产生一个服从0-1分布的随机数f,依据如下公式计算t时刻到t+1时刻的仿真退化增量:
其中,Δx为仿真退化增量,mt,σt和bt为t时刻的参数估计值,n为仿真退化增量的累积次数,f为(0,1)之间的一个随机数;
接着令x=x+Δx
判断此时是否满足x比thre小,如果是就退出循环进行后续操作,如果不是就直接跳转到公式(12);
第i次仿真的剩余寿命的预测值可以根据公式RULi=n*Δt来计算;
对M次仿真都采用和第i次仿真相同的步骤,获得M个剩余寿命的预测值,然后将M个剩余寿命的预测值求平均,得到最终的剩余寿命预测结果。
6.根据权利要求1所述的基于不确定过程的考虑恢复效应的电池剩余寿命预测方法,其特征在于:所述电池为锂离子电池或质子交换膜燃料电池。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323400.1A CN111523727B (zh) | 2020-04-22 | 2020-04-22 | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323400.1A CN111523727B (zh) | 2020-04-22 | 2020-04-22 | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523727A CN111523727A (zh) | 2020-08-11 |
CN111523727B true CN111523727B (zh) | 2022-05-10 |
Family
ID=71910592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010323400.1A Active CN111523727B (zh) | 2020-04-22 | 2020-04-22 | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523727B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949068B (zh) * | 2021-03-05 | 2022-04-19 | 北京航空航天大学 | 基于核密度估计的锂离子电池循环寿命预测方法 |
CN112966400B (zh) * | 2021-04-23 | 2023-04-18 | 重庆大学 | 一种基于多源信息融合的离心风机故障趋势预测方法 |
CN114859231B (zh) * | 2022-04-27 | 2023-06-09 | 电子科技大学 | 基于维纳过程和极限学习机的电池剩余寿命预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336248A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 基于电池退化状态模型的锂离子电池循环寿命预测方法 |
CN107688687A (zh) * | 2017-07-10 | 2018-02-13 | 山东科技大学 | 一种考虑长程相关性和部件不确定性的寿命预测方法 |
CN108664700A (zh) * | 2018-04-04 | 2018-10-16 | 北京航空航天大学 | 基于不确定数据包络分析的加速退化信息融合建模方法 |
-
2020
- 2020-04-22 CN CN202010323400.1A patent/CN111523727B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336248A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 基于电池退化状态模型的锂离子电池循环寿命预测方法 |
CN107688687A (zh) * | 2017-07-10 | 2018-02-13 | 山东科技大学 | 一种考虑长程相关性和部件不确定性的寿命预测方法 |
CN108664700A (zh) * | 2018-04-04 | 2018-10-16 | 北京航空航天大学 | 基于不确定数据包络分析的加速退化信息融合建模方法 |
Non-Patent Citations (2)
Title |
---|
A Prognostic Model for Stochastic Degrading Systems With State Recovery: Application to Li-Ion Batteries;Zheng-Xin Zhang;《 IEEE Transactions on Reliability》;20171231;第66卷(第4期);全文 * |
Estimating Remaining Useful Life With Three-Source Variability in Degradation Modeling;Xiao-Sheng Si;《IEEE Transactions on Reliability》;20140331;第63卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111523727A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523727B (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
CN112241608B (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
Le Son et al. | Remaining useful lifetime estimation and noisy gamma deterioration process | |
Liao et al. | A hybrid framework combining data-driven and model-based methods for system remaining useful life prediction | |
Hu et al. | A particle filtering and kernel smoothing-based approach for new design component prognostics | |
CN110851980B (zh) | 一种设备剩余寿命预测方法及*** | |
Xing et al. | An ensemble model for predicting the remaining useful performance of lithium-ion batteries | |
Zhang et al. | Remaining useful life prediction for degradation with recovery phenomenon based on uncertain process | |
Fan et al. | A novel machine learning method based approach for Li-ion battery prognostic and health management | |
CN109829136B (zh) | 一种带随机跳变的退化设备的剩余寿命预测方法及*** | |
CN111046564A (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN109766745B (zh) | 强化学习三态组合长短时记忆神经网络***及训练和预测方法 | |
CN112949026B (zh) | 一种考虑年龄和状态依赖的退化设备剩余寿命预测方法 | |
CN113420509A (zh) | 一种风电机组状态评价方法、装置及存储介质 | |
CN114462259B (zh) | 基于soc的电池剩余寿命预测方法、***、汽车及介质 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN111044926A (zh) | 质子交换膜燃料电池寿命预测方法 | |
CN106203481B (zh) | 基于混合核rvm的电子装备状态预测方法 | |
Yiwei et al. | A model-based prognostics method for fatigue crack growth in fuselage panels | |
CN111783242B (zh) | 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置 | |
CN114660497A (zh) | 一种针对容量再生现象的锂离子电池寿命预测方法 | |
Kim et al. | Inspection schedule for prognostics with uncertainty management | |
Wei et al. | Remaining useful life estimation based on gamma process considered with measurement error | |
CN115979310A (zh) | 一种惯导***性能退化评估方法、***、电子设备及介质 | |
Fredette et al. | Finite-horizon prediction of recurrent events, with application to forecasts of warranty claims |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |