CN112036084B - 一种相似产品寿命迁移筛选方法和*** - Google Patents

Abstract

本发明公开一种相似产品寿命迁移预测方法及***，涉及似产品迁移学习技术领域，包括预处理待测配方相似产品短期循环寿命测试数据和其他配方电池全寿测试数据，得到目标样本数据和多个训练数据；通过进行曲线形态、容量退化率相似度、寿命分布相似度和距离度量最小筛选，获得用于跨配方相似产品寿命预测的可迁移样本数据，利用适应于所述可迁移样本数据的寿命预测模型对跨配方相似产品进行寿命迁移预测，获得寿命预测结果；本发明实现了锂离子电池跨配方剩余寿命的准确预测，预测准确度最高可以达到99.9％，可以有效节省锂电池设计开发过程中的测试时间和费用，具有可观的经济效益和应用价值。

Description

一种相似产品寿命迁移筛选方法和***

技术领域

本发明涉及相似产品迁移寿命预测技术领域，尤其涉及一种相似产品寿命迁移筛选方法和***。

背景技术

随着储能技术和能源产业的发展，锂离子电池因其质量轻、低放电率和长寿命等优点，广泛应用于军事电子产品、航空电子器件、电动汽车以及各种便携式电子装置(例如笔记本电脑、数码相机、平板电脑、手机等)的主要储能器件。循环寿命是锂电池产品的重要设计性能。在锂电池的设计开发过程中，为了准确的获得设计矩阵中不同配方电池的寿命情况，并为配方选择和设计优化提供反馈，需要针对设计矩阵中各个配方的电池开展循环寿命测试。该项测试需要持续进行到电池容量保持率达到规定的阈值，即锂电池的寿命终止点。然而，由于设计矩阵中的锂电池配方数量众多，导致现有的循环寿命测试时间和资金成本太高，尤其对寿命周期长达多年的动力锂电池的而言，其设计开发效率过低，企业难以承受。

锂电池寿命预测，通常被用于锂电池的使用阶段，主要根据少量的已知历史数据，预测电池当前时刻的剩余寿命。由于被预测锂电池的测试循环数量要尽可能少，难以获得足够多的电池测试数据量以满足剩余寿命预测模型的设计开发需要。因此，利用电池企业同一电池平台的其他配方海量历史循环寿命测试数据，可为设计开发所需的剩余寿命预测模型提供数据支持。然而如何定义和度量数据可迁移性，并用于设计可迁移样本的筛选策略，从其他大量差异化配方电池数据中获得最相似的样本，如何利用最相似的样本对相似产品的寿命预测具有重大意义和应用需求。

发明内容

为解决现有技术存在的问题，本发明利用短期实测数据及迁移学习预测方法提供了一种更适用于电池设计开发过程中不同配方间的电池寿命预测的可迁移样本筛选方法及***，本发明提供的可迁移样本筛选方法及***能提高寿命预测的准确率，有效避免由于长期测试所产生的能耗及资源浪费，预测准确度高，普适性强。

为实现本发明的技术目的，本发明一方面提供一种相似产品寿命迁移预测方法，其特征在于，包括：

预处理待测配方相似产品短期循环寿命测试数据得到目标样本数据，预处理其他配方相似产品全寿测试容量数据得到多个训练数据；

通过进行曲线形态筛选，从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据；

通过容量退化率相似度筛选，从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据；

通过寿命分布相似度筛选，从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据；

通过距离度量最小筛选，从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据；

将第四训练数据作为跨配方相似产品寿命预测的可迁移样本数据；

利用适应于所述可迁移样本数据的寿命预测模型对跨配方相似产品进行寿命迁移预测。

其中，利用适应于所述可迁移样本数据的寿命预测模型对跨配方相似产品进行寿命迁移预测包括：

利用所述可迁移样本数据对预先针对其他配方相似产品训练的模型进行精调训练，得到所述寿命预测模型；

利用所述寿命预测模型对待测配方相似产品的当前测试数据进行寿命预测处理，得到待测配方相似产品的剩余使用寿命RUL。

其中，所述预处理包括对目标样本数据和训练数据进行归一化处理；

所述利用所述寿命预测模型对待测配方相似产品的当前测试数据进行寿命预测处理，得到待测配方相似产品的剩余使用寿命RUL包括：

将待测配方相似产品的当前测试数据输入所述寿命预测模型，输出待测配方相似产品的剩余使用寿命RUL标签值；

对待测配方相似产品的剩余使用寿命RUL标签值进行反归一化处理，得到待测配方相似产品的剩余使用寿命RUL预测值。

其中，从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据包括：

将目标样本数据和多个训练数据分别图形化为目标样本数据曲线和多个训练数据曲线；

将目标样本数据曲线和多个训练数据曲线分为直线，凹曲线和凸曲线三类；

根据直线、凹曲线和凸曲线类型进行筛选，排除与目标样本数据曲线类型不同的训练数据曲线，得到第一训练数据。

其中，从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据包括：

计算第一训练数据从初始状态退化到测试结束时容量曲线的变化率，保留与目标样本数据最近接的几个第一训练数据；

将保留的第一训练数据作为第二训练数据。

其中，从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据包括：

通过测量运行到试验停止阈值时的循环次数，比较第二训练数据的寿命分布，并保留最接近目标样本数据的寿命分布的几个第二训练数据；

将保留的最接近目标样本数据的寿命分布的第二训练数据作为第三训练数据。

其中，从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据包括：

选用切比雪夫距离对容量曲线进行筛选，计算几个第三训练数据的退化曲线与目标样本数据的容量退化曲线间的切比雪夫距离；

选择切比雪夫距离最小的第三训练数据作为第四训练数据。

其中，所述预处理还包括：

剔除待测配方相似产品短期测试样本数据和其他配方相似产品全寿测试容量数据库中不稳定的起始数据和未体现退化趋势的数据；

对剔除后的短期测试样本数据和全寿测试容量数据库中的数据进行平滑处理，得到目标样本数据和预测训练数据。

其中，所述相似产品是锂电池。

进一步的，所述相似产品为锂离子电池。

为实现本发明的技术目的，本发明另一方面提供一种跨配方相似产品寿命迁移预测***，其特征在于，包括处理器、存储器，存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间连接通信的数据总线，所述程序被处理器执行时实现跨配方相似产品寿命迁移预测方法。

有益效果：

由于被预测电池较短的测试数据难以有效凸显其容量退化规律，导致寿命预测模型难以有效训练和给出准确的预测结果。针对这一问题，本发明提供一种基于迁移学习的思想，采用四次筛选的可迁移样本筛选方法，从不同配方电池的历史全寿测试数据中，获得与被预测电池容量退化规律相似度最高的数据，并迁移应用于被预测电池寿命预测模型的训练，实现了锂动力电池跨配方剩余寿命的准确预测，预测准确度最高可以达到99.9％，可以有效节省锂电池设计开发过程中的测试时间和费用，具有可观的经济效益和应用价值。

附图说明

图1是本发明实施例1提供的相似产品寿命迁移预测方法流程图；

图2是本发明应用实施例1提供的锂离子电池寿命迁移预测方法流程；

图3是本发明应用实施例1提供的基于Tr-LSTM的RUL转移预测模型的构建和测试过程图；

图4是本发明应用实施例1提供的RNN结构示意图；

图5是本发明应用实施例1提供的LSTM单元结构示意图；

图6是本发明应用实施例1提供的基于Tr-LSTM的RUL预测模型及其转移学习策略图；

图7是本发明应用实施例1提供的通过斜率和截距进行的预测曲线的线性拟合；

图8是本发明应用实施例1提供的实验过程设计优化流程；

图9是试验例1提供的25℃、45℃和60℃三种温度条件下的电池退化数据数据预处理结果图，其中，图9(a)25℃的数据曲线，图9(b)是45℃的数据曲线，图9(c)是60℃的数据曲线；

图10是试验例1提供的25℃、45℃和60℃三种温度条件下可迁移样本筛选结果示意图。

具体实施方式

下面将结合示意图对本发明方法和***进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。

在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

下述实施例中所使用的实验方法如无特殊说明，均为常规方法。下述实施例中所用的结构、材料等，如无特殊说明，均可从商业途径得到。

实施例1

如图1所示，本发明提供的一种相似产品可迁移样本筛选方法，包括：

步骤S101预处理待测配方相似产品短期循环寿命测试数据得到目标样本数据，预处理其他配方电池全寿测试容量数据得到多个训练数据；

具体的，所述预处理包括：

剔除待测配方电池短期测试样本数据和其他配方电池全寿测试容量数据库中不稳定的起始数据和未体现退化趋势的数据；

对剔除后的短期测试样本数据和全寿测试容量数据库中的数据进行平滑处理，得到目标样本数据和预测训练数据。

进一步的，所述进行平滑处理之前还包括：

对剔除后的短期测试样本数据和全寿测试容量数据库中的数据进行归一化处理。

为了保证跨配方预测时的数据尺度一致性，本发明首先基于局部加权回归的方法对锂电池容量保持率的原始数据曲线进行平滑处理，得到规整化后的预处理数据。本发明选取锂电池初始容量的80％为寿命终止点(失效阈值)，对其容量数据和循环寿命数据进行归一化处理，初始容量值化为1，运行至失效阈值时的容量值化为0，得到预测模型输入数据和对应的循环寿命标签，具体的计算步骤如下：

1)数据归一化

选取锂电池初始容量的82％为失效阈值，将锂电池容量值归一化为1-0(初始容量为1，初始容量的82％为0)。同时，RUL标签代表每个测试循环对应的电池RUL值，也需要对其进行归一化处理(初始容量对应的剩余寿命为1，初始容量的82％对应的剩余寿命为0)，归一化过程如下所示。

2)基于局部加权回归的锂电池容量曲线平滑预处理

由于在试验过程中存在人为干扰、非正常停止等因素影响，部分电池的容量曲线原始数据往往存在突变和异常值，会导致结果存在偏差，因此需要对电池原始数据进行平滑预处理。

本发明使用局部加权回归算法对容量曲线进行平滑处理，局部加权回归算法(LWR，Locally Weighted Regression)是一种对于普通回归算法实现效果提升的回归算法，就是对局部观测数据进行多项式加权拟合，并用最小二乘法进行估计，最终得到需要拟合的点，具体原理为：

对每一个点q_i，确定一个窗口范围，在窗口内所有的q_k上，k＝1,2,…,n，由权值函数可得到权值α_k(q_i)，使用带有权值α_k(q_i)的加权最小二乘法对q_i进行d阶多项式拟合(公式1)，得到拟合值p_i。利用α_k(q_i)得到p_i就称为局部加权回归。

p_i＝α₀(q_i)+α₁(q_i)q_i+…+α_m(q_i)q_i ^β+ε_i,i＝1,2,…,n

其中α₀(q_i),α₁(q_i),…,α_m(q_i)为相对于q_i未知的参数，ε_i,i＝1,2,…,n为独立同分布的随机误差项，β为事先给定的值。

LWR具有以下优点：自适应滤除局部数据之间的噪声干扰，保持原始信号的特征；通过减少噪声干扰提高预测精度，有效避免过拟合和欠拟合问题。

本发明为确保样本数据的代表性和准确性，提高电池剩余寿命预测准确度，以一定的测试数据长度为基准计算目标电池和同温度同倍率不同配方的其他电池容量退化曲线的四种相似度(容量曲线形态、容量退化率、寿命分布和切比雪夫距离相似度)进行筛选。从大量历史电池中选出与目标电池相似度最高的电池，作为最终用于迁移寿命预测的可迁移样本，具体步骤如S102-S105所示。

步骤S102通过进行曲线形态筛选，从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据；

具体的，所述从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据包括：

将目标样本数据和多个训练数据分别图形化为目标样本数据曲线和多个训练数据曲线；

将目标样本数据曲线和多个训练数据曲线分为直线，凹曲线和凸曲线三类；

根据直线、凹曲线和凸曲线类型进行筛选，排除与目标样本数据曲线类型不同的训练数据曲线，得到第一训练数据。

本发明根据曲线类型进行第一次筛选，排除与目标曲线类型不同的训练曲线，高效率的缩小相似度度量的范围。原始曲线的类型判别可依据二次斜率统计规律进行：直线二次斜率等于0，凹曲线二次斜率大于0，凸曲线二次斜率一般小于 0。

S₁＝f″(x)

其中，S₁表示第一次筛选。

步骤S103通过容量退化率相似度筛选，从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据；

具体的，所述从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据包括：

计算第一训练数据从初始状态退化到测试结束时容量曲线的变化率，保留与目标样本数据最近接的几个第一训练数据；

将保留的第一训练数据作为第二训练数据。

其中，第二次筛选的计算公式为：

其中x₀，x_EOT表示初始状态的额定容量值和测试停止时的容量值，Cycles_EOT表示运行到试验停止阈值EOT的测试循环数，S₁表示第二次筛选。

步骤S104通过寿命分布相似度筛选，从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据；

具体的，所述从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据包括：

通过测量运行到试验停止阈值时的循环次数，比较第二训练数据的寿命分布，并保留最接近目标样本数据的寿命分布的几个第二训练数据；

将保留的最接近目标样本数据的寿命分布的第二训练数据作为第三训练数据。

步骤S105通过距离度量最小筛选，从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据，将第四训练数据作为跨配方相似产品寿命预测的可迁移样本数据；

具体的，所述从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据包括：

选用切比雪夫距离对容量曲线进行筛选，计算几个第三训练数据的退化曲线与目标样本数据的容量退化曲线间的切比雪夫距离；

选择切比雪夫距离最小的第三训练数据作为第四训练数据。

切比雪夫距离(Chebyshev Distance)是：若两个点p和q，其坐标分别为p_i及 q_i，则两者之间的切比雪夫距离D_Chebyshev(p,q)，定义为其各坐标数值差的最大值，形式如下：

发明人经过大量实验发现，基于切比雪夫距离计算的相似曲线聚敛性更好，筛选出的曲线退化趋势更相似，因此本申请将基于切比雪夫距离的相似性度量方法与上述筛选方法结合，实现了深度学习和协同过滤的预测精度的提升。

步骤S106利用适应于所述可迁移样本数据的寿命预测模型对跨配方相似产品进行寿命迁移预测

其中，所述预处理包括对目标样本数据和训练数据进行归一化处理；

所述利用所述寿命预测模型对待测配方相似产品的当前测试数据进行寿命预测处理，得到待测配方相似产品的剩余使用寿命RUL包括：

将待测配方相似产品的当前测试数据输入所述寿命预测模型，输出待测配方相似产品的剩余使用寿命RUL标签值；

对待测配方相似产品的剩余使用寿命RUL标签值进行反归一化处理，得到待测配方相似产品的剩余使用寿命RUL预测值

具体的，所述相似产品是锂电池。

进一步的，所述相似产品为锂离子电池。

应用实施例1

本发明将上述实施例1提供的相似产品寿命可迁移预测用于锂离子电池寿命预测，其方法流程如图2所示，该预测方法流程可分为数据预处理、可迁移样本选择、剩余寿命预测以及实验优化四个部分。具体步骤包括：

1)数据预处理：为了保证跨配方预测时的数据尺度一致性，首先基于局部加权回归的方法对锂电池容量保持率的原始数据曲线进行平滑处理，得到规整化后的预处理数据。确定本次研究中电池的失效阈值，选取锂电池初始容量的80％为寿命终止点，对其容量数据和循环寿命数据进行归一化处理，初始容量值化为 1，运行至失效阈值时的容量值化为0，得到预测模型输入数据和对应的循环寿命标签；

2)基于四次筛选的可迁移样本选择：为确保样本数据的代表性和准确性，提高电池剩余寿命预测准确度，以一定的测试数据长度为基准计算目标电池和同温度同倍率不同配方的其他电池容量退化曲线的四种相似度(容量曲线形态、容量退化率、寿命分布和切比雪夫距离相似度)进行筛选。从大量历史电池中选出与目标电池相似度最高的电池，作为最终用于迁移寿命预测的可迁移样本，解决迁移什么的问题；

3)基于Tr-LSTM的剩余寿命预测：首先，通过模型迁移继承预训练的 LSTM模型结构和权重参数，初始化Tr-LSTM模型；然后，通过筛选的可迁移样本精调Tr-LSTM，输入目标电池的短期测试数据，得到目标电池的预测寿命标签；最后，利用反归一化规则得到目标电池的RUL。

4)循环寿命试验优化：当目标电池的循环寿命试验运行至预先设定的试验停止阈值时，停止试验。利用测试得到的目标电池少量数据，得到RUL预测值来代替由循环寿命实验得到的真实值，从而实现减少循环寿命试验时间，提高效率，减少锂电池设计和开发的成本。

1、数据预处理

由于不同电池容量退化曲线存在差异，为了实现较高准确度的寿命迁移预测，首先对样本数据进行预处理。主要包括：

1)数据归一化

选取锂电池初始容量的82％为失效阈值，将锂电池容量值归一化为1-0(初始容量为1，初始容量的82％为0)。同时，RUL标签代表每个测试循环对应的电池RUL值，也需要对其进行归一化处理(初始容量对应的剩余寿命为1，初始容量的82％对应的剩余寿命为0)，归一化过程如下所示。

2)基于局部加权回归的锂电池容量曲线平滑预处理

由于在试验过程中存在人为干扰、非正常停止等因素影响，部分电池的容量曲线原始数据往往存在突变和异常值，会导致结果存在偏差，因此需要对电池原始数据进行平滑预处理。

本文使用局部加权回归算法对容量曲线进行平滑处理，局部加权回归算法 (LWR，Locally Weighted Regression)，是一种对于普通回归算法实现效果提升的回归算法。局部加权回归算法由C1eveland提出，经过Cleveland和Develin的努力，将算法推广应用到多个自变量的情况，其原理就是对局部观测数据进行多项式加权拟合，并用最小二乘法进行估计，最终得到需要拟合的点。具体原理如下：

对每一个点q_i，确定一个窗口范围，在窗口内所有的q_k上，k＝1,2,…,n，由权值函数可得到权值α_k(q_i)，使用带有权值α_k(q_i)的加权最小二乘法对q_i进行d阶多项式拟合(公式1)，得到拟合值p_i。利用α_k(q_i)得到p_i就称为局部加权回归。

p_i＝α₀(q_i)+α₁(q_i)q_i+…+α_m(q_i)q_i ^β+ε_i,i＝1,2,…,n

其中α₀(q_i),α₁(q_i),…,α_m(q_i)为相对于q_i未知的参数，ε_i,i＝1,2,…,n为独立同分布的随机误差项，β为事先给定的值。

LWR具有以下优点：自适应滤除局部数据之间的噪声干扰，保持原始信号的特征；通过减少噪声干扰提高预测精度，有效避免过拟合和欠拟合问题。

2、基于四次筛选的可迁移样本选择

可迁移样本与目标电池之间的相似程度直接影响预测精度，因此从历史样本库中选择最相似的样本对于提高预测准确度具有重要意义。对不同配方的历史电池数据进行基于容量曲线形态、容量退化率、寿命分布和切比雪夫距离相似度的四次优化筛选，得到可迁移样本。

2.1一次筛选：基于容量曲线形态的可迁移样本选择

不同配方电池的容量曲线表现出不同的退化趋势，根据曲线形态的不同，将电池容量曲线分为直线，凹曲线和凸曲线三类。根据曲线类型进行第一次筛选，排除与目标曲线类型不同的训练曲线，高效率的缩小相似度度量的范围。原始曲线的类型判别可依据二次斜率统计规律进行：直线二次斜率等于0，凹曲线二次斜率大于0，凸曲线二次斜率一般小于0。

S₁＝f″(x)

2.2.二次筛选：基于容量退化率的可迁移样本选择

计算不同电池从初始状态退化到测试结束时容量曲线的变化率，保留与目标电池最近接的10个样本。

其中x₀，x_EOT表示初始状态的额定容量值和测试停止时的容量值，Cycles_EOT表示运行到试验停止阈值EOT的测试循环数。

2.3.三次筛选：基于寿命集中度的可迁移样本选择

通过测量运行到试验停止阈值TS_EOT时的循环次数，比较不同锂电池的寿命分布，并保留最接近目标电池的5个候选电池。

2.4四次筛选：基于容量曲线距离度量的可迁移样本选择

选用切比雪夫距离对容量曲线进行第四次筛选，计算历史电池与目标电池容量退化曲线间的切比雪夫距离，选择切比雪夫距离最小(相似度最高)的样本电池作为最终的可迁移样本。

切比雪夫距离(Chebyshev Distance)：若两个点p和q，其坐标分别为p_i及q_i，则两者之间的切比雪夫距离D_Chebyshev(p,q)，定义为其各坐标数值差的最大值，形式如下：

基于切比雪夫距离计算的相似曲线聚敛性更好，筛选出的曲线退化趋势更相似因此可以运用基于切比雪夫距离的相似性度量方法对深度学习和协同过滤的预测精度进行提升。

3、基于Tr-LSTM的RUL预测方法

基于Tr-LSTM的RUL转移预测模型的构建和测试过程如图3所示，包括三个步骤：模型初始化、精调训练和RUL预测。

基于模型迁移学习的策略对Tr-LSTM模型进行初始化。首先，继承一个预先训练或历史的LSTM模型的结构参数，初步构建Tr-LSTM模型；然后，通过重用预训练模型前几层的权重参数初始化相应的层。通过继承以往模型学习和提取的经验知识，提高Tr-LSTM模型的训练效率和预测准确度；最后，随机初始化其余的Tr-LSTM层。

在精调训练阶段，利用筛选得到的可迁移样本及其RUL标签来精调Tr- LSTM模型的权重。通过微调训练过程，可以更准确地建立归一化容量数据与 RUL标签之间的非线性映射关系，提高预测模型的趋势敏感性，获得更好的预测性能；最后，将目标电池的短期试验数据送入Tr-LSTM模型，预测目标电池的RUL。

3.1LSTM模型

深度学习模型具有通过多层非线性映射提取抽象特征的能力，能够对输入信号逐层抽象并提取特征，挖掘出更深层次的潜在规律。循环神经网络(Recurrent NeuralNetwork，RNN)在网络结构设计中引入了时序的概念，考虑了输入输出变量的时序依存关系，以多步时间序列作为输入变量，网络中每个神经元不仅接收前一层神经元输出，同时接收上一时刻的输出信号，在隐藏层形成了一个环状的自循环连接结构^[2]，因而获得了“记忆”能力，如式(1)-(2)所示。x(t)表示t时刻时序信号的输入，h(t)表示t时刻模型隐藏层的状态，y(t)表示t时刻的输出，RNN前向传播过程如所示

h(t)＝tanh(Wh(t-1)+Ux(t)+b) (1)

y(t)＝softmax(Vh(t)+c) (2)

其中b，c分别为输入层和隐藏层的偏置向量，U,W,V分别为输入层-隐藏层，隐藏层-隐藏层，隐藏层-输出层之间传递的权重矩阵。随后，通过损失函数L(t)可以量化模型在当前位置的损失，计算损失函数的梯度，BPTT(back-propagation through time)算法被直接用于网络的反向传播过程，训练过程中不同时间步的细胞单元更新同样的权重参数，称为权值共享。

标准RNN在网络层数较深时，采用BPTT算法进行权重更新会出现梯度消失或梯度***的问题，即梯度会沿着每一层逐渐衰减或逐渐放大，传递到最初一层的时候幅值会特别大或特别小，从而无法合理更新网络权重参数。Hochreiter 和Schmidhuber提出的长短期记忆网络(Long Short-Time Memory，LSTM)，作为一种改进的循环神经网络，能够有效的解决RNN算法在长周期信号处理中的梯度消失与梯度膨胀的问题，维持较远距离参数对学习结果的影响，得到了广泛的应用。

本发明所选用的长短期记忆(LSTM)迁移预测模型中的lstm单元引入了自循环的巧妙构思，通过遗忘门，输入门，输出门等门控制单元，使神经元能够根据前后文信息确定自循环更新的权重，实现了lstm单元的记忆、遗忘机制。Lstm 模型中主要的隐藏层单元称为“记忆块”，包含一个或多个记忆细胞单元，如图 5所示。

每一个记忆细胞单元获取t时刻输入x(t)，同时选择是否加入t-1时刻的状态 h(t-1)，最终输出同时取决于这两者的关系。在深度网络结构LSTM中，特征能够沿着网络结构在层与层之间流动传递，实现特征的多次组合，得出更高级和优质的特征表达方式，因此具有强大的拟合能力。

第一步由遗忘门(Gers，2000，learning to forget)控制自循环更新的权重。遗忘门利用sigmoid层将t时刻的输入向量x(t)，t-1时刻的输出h(t-1)，映射为一个0-1之间的权重值，0表示完全丢弃，1表示完全保留，作为前一时刻状态信息更新的权重f(t)，如式(3)所示，从而实现从历史记忆中丢弃部分信息；

f(t)＝sigmoid(W_f·[h(t-1),x(t)]+b_f) (3)

式中W_f，b_f分别是遗忘门的权重，偏置项；

类似地，输入门以同样的方式进行映射，作为当前输入信息的更新权重i(t) 决定选择部分当前输入信息参与细胞单元状态更新，如式(4)所示；接着通过tanh 层生成式(5)表示的新候选状态向量

LSTM细胞单元的状态将更新为C(t)，包含由输入门控制的当前状态信息和由遗忘门控制的记忆状态信息，如式(6)所示；

i(t)＝sigmoid(W_i·[h(t-1),x(t)]+b_i) (4)

W_i，b_i分别是输入门的权重，偏置项；

W_c，b_c分别是tanh层的权重，偏置项；

最终由输出门决定输出部分信息。通过tanh层将内部状态信息C(t)映射到- 1至1之间，并与输出门sigmoid层的输出向量o(t)(式(7))相乘，得到当前状态的输出h(t)，如式(8)所示。

o(t)＝sigmoid(W_o·[h(t-1),x(t)]+b_o) (7)

W_o，b_o分别是输出门的权重，偏置项；

h(t)＝o(t)*tanh(C(t)) (8)

3.2 Tr-LSTM模型和迁移学习策略

由两个LSTM层和两个全连接层构成的Tr-LSTM预测模型的网络结构如图6所示。模型的输入和输出分别为归一化容量和对应的RUL标签。利用LSTM 层提取容量序列中隐藏的时序特征。通常，前几个LSTM层提取容量的基本特征。LSTM层越高，提取的特性就越抽象，任务相关性更大。利用全连接层来拟合容量特征与RUL标签间的映射关系。在模型测试过程中，将测试输出的RUL 标签值反归一化，得到剩余使用寿命的预测值。

本申请提出了两种混合迁移学习策略，实现基于Tr-LSTM模型的RUL迁移预测过程。在模型层迁移方面，两种策略都继承了预训练模型各层的结构参数，从预训练模型中迁移学到的历史经验；在特征层迁移方面，根据不同的迁移策略，新模型分别继承并冻结预训练模型指定层的权重参数，加速模型的训练。最后，随机初始化剩余层的权重参数，输入可迁移样本对Tr-LSTM模型其余的层进行精调训练。

对于25℃的电池采用迁移策略1，只冻结模型的第一层权重参数，这有助于继承预训练模型提取到的通用特征，只针对目标电池的特殊性调整模型的第二层特征。

对于60℃的电池采用迁移策略2，由于温度升高导致加速退化，数据量减少，不足以有效地训练模型，因此前两层权重参数都被冻结以提升模型训练效率，有助于提升预测准确度。

对于45℃的电池，寿命分布介于25℃和60℃之间，因此，分别采用迁移策略1和2预测其RUL，以预测结果的算术平均值作为RUL最终的预测值。

由于预测的RUL曲线呈现近似线性下降趋势，我们通过估计斜率和截距对预测曲线进行线性拟合，有助于提升预测准确度，如图7所示。

4、基于寿命预测的锂电池循环寿命试验优化

针对锂离子电池循环寿命试验，本文提出了一种基于剩余寿命预测的实验优化方法，为减少锂电池循环寿命测试时间和提高锂电池设计开发效率提供保障。

4.1锂电池循环寿命实验介绍

(1)试验平台

本申请所进行的锂电池循环寿命实验在锂离子电池循环寿命试验台上进行。

(2)锂离子电池配方

本发明中采用企业试验数据验证所提出的锂离子电池寿命预测方法的可行性和有效性(注：本实验使用的不同于实际产品中的电池，而是一种在产品设计阶段专用的软包电池)。本实验选用了10组相同电池平台不同配方的锂电池，依次为A,B,……I,J组，每一组代表一种锂电池配方，不同组别之间具有相同的阴极和分隔材料，但电池阳极材料和电解质溶液各不相同。

(3)实验温度T

本实验考虑了标准实验温度状况(25℃)以及高温实验状况(45℃和60℃)，每组实验温度下对多个电池进行循环寿命实验，得到各自对应配方锂电池的循环寿命。

(4)充放电过程

实验所用的锂电池容量约为2070mAh，所有实验均在相同充电倍率下进行，即标准的恒流/恒压方式，在电压达到4.2V之前均为1C恒定电流速率，随后保持电压值4.2V直至充电电流降至0.1A以下。循环放电过程以恒定放电电流2A 进行，放电截止电压为2.78V。

(5)失效阈值TS_Failture(寿命终止条件)

由于实验条件的限制以及锂电池的特性的影响，当到达锂电池寿命终止条件，即电池容量退化至初始容量的82％时停止实验。因此，将82％视为目标电池和参考电池的失效阈值TS_Failture。

(6)目标电池实验终止阈值TS_obj

为了充分减小实验误差，获得足够多的数据确保所提出预测方法的有效性，有必要对目标电池测试数据的终止阈值TS_obj进行优化，实验选取初始容量的90％作为目标电池测试数据终止阈值TS_obj，通过试验测量数据预测锂电池的剩余寿命。

4.2实验过程设计优化

优化后详细的实验过程如图8所示，主要步骤如下：

a.目标电池循环寿命实验在温度T_obj下进行，直至达到目标电池实验终止阈值TS_obj时停止实验。通过数据预处理将由实验得到的目标电池容量退化数据标准化。

b.从历史数据库中选择与目标电池属于相同电池平台且在温度T_obj下经过循环寿命实验获得完整容量退化数据的锂电池，并将其容量退化数据和 RUL标签标准化。

c.通过容量曲线形态、容量曲线距离、容量曲线未来趋势以及电池寿命集中度四次筛选过程，选取与目标电池最相似的样本数据作为参考电池，用于预测目标电池剩余寿命。

d.将选取的参考电池的容量退化数据和RUL标签标准化，输入LSTM深度学习模型，对模型进行训练。

e.当目标电池的容量达到电池循环寿命实验终止阈值TS_obj时，将目标电池的部分已知容量数据输入训练好的LSTM模型中，即可得目标电池的预测RUL值。循环寿命预测值可以代替由循环寿命实验得到的真实寿命值，从而可以减少循环寿命实验时间，提高实验效率，减少锂电池设计和开发的成本。

试验例1

1、试验及数据介绍

本发明中采用某电池企业的试验数据验证所提出的锂离子电池寿命预测方法的可行性和有效性(注：试验中所用电池是一种专门用于产品设计阶段的软包电池，与公司真实产品中使用的电池有所不同)。所选择的试验数据库中包含10 种不同配方的锂离子电池，分别为A，B，……，I，J组，同时在25℃、45℃和 60℃条件下进行试验，得到三种温度条件下的电池退化数据。

2、数据预处理结果

本发明中以电池容量退化数据作为反映***退化的性能指标，通过对数据的初步分析，将失效阈值定为0.82，也即当容量退化至初始容量的82％时，认为该电池到达寿命终止点。

按照数据归一化标准，将电池容量退化数据归一化为1-0(初始容量为1，初始容量的82％为0)，同时将对应的剩余寿命也归一化为1-0(初始容量对应的剩余寿命为1，初始容量的82％对应的剩余寿命为0)。归一化后的电池容量退化原始数据曲线存在较大的跳变波动，这是由于锂电池放电过程中复杂的化学反应过程导致的，为了便于进行数据分析，采用局部加权回归的方法对原始数据进行平滑处理。基于局部加权回归方法的锂电池容量平滑预处理的效果图如图9所示。

基于局部加权回归方法对锂电池容量曲线进行平滑处理后，经过筛选，最终本研究共选择147个不同电池开展研究，具体如表1所示：

表1电池筛选结果

3、可迁移样本选择结果

本发明的研究限制在同温度同倍率不同配方情况下电池寿命的迁移预测，设置不同的实验终止阈值，如TS_失效＝90％，表示当容量退化至初始容量的90％时停止试验。通过四次筛选方法，比较目标电池容量退化曲线与同温度同倍率下其余样本电池(不同配方)容量退化至90％长度时曲线的相似度，选取最优的样本电池作为可迁移样本预测目标电池的剩余循环寿命，提高寿命预测精度。可迁移样本筛选结果示意图如图10所示。

4、基于LSTM模型的寿命迁移预测

1)LSTM模型的参数设置

结合电池的数据特性，综合考虑到计算资源和时间的优化，采用的LSTM模型结构包括一个底层的数据输入层，两个隐藏层和一个顶层的数据预测层，每层的神经元数目分别为100,50,50,1，激活传递函数为sigmoid函数，学习率为0.3，降噪遮挡比例为0.15，选择优化器为adam。深度学习每个子输入块的大小为100。为了保证特征自学习的充分性，无监督学习和反向传播过程的循环执行步骤为 epochs＝8。具体见表3所示。为避免单个数据异常对预测标签的影响，深度学习模型的输入是以数据间隔为基准，采用滑窗的形式将一维数据规整成数据列的形式输入LSTM模型(每列的行数为输入层神经元数目)。

2)LSTM模型的寿命预测结果

通过四次筛选得到的目标电池和对应参考电池开展寿命预测，仍以25℃为例，预测结果如表4所示：

表2 25℃电池寿命预测结果

表3 45℃电池寿命预测结果

表4 60℃电池寿命预测结果

根据表2的结果可知，利用本发明提供的可迁移样本进行寿命预测的精度最高可达99.9％，节约了分析电池配方性能的成本，由不同配方电池的数据相似性分析，可以节约大量试验成本，实现有效的数据共享。为电池循环寿命试验带来了新的选择，具有很好的经济性和实用性。

尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

Claims (10)

1.一种跨配方相似产品寿命迁移预测方法，其特征在于，包括：

预处理待测配方相似产品短期循环寿命测试数据得到目标样本数据，预处理其他配方相似产品全寿测试容量数据得到多个训练数据；

通过进行曲线形态筛选，从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据；

通过容量退化率相似度筛选，从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据；

通过寿命分布相似度筛选，从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据；

通过距离度量最小筛选，从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据；

将第四训练数据作为跨配方相似产品寿命预测的可迁移样本数据；

利用适应于所述可迁移样本数据的寿命预测模型对跨配方相似产品进行寿命迁移预测。

2.如权利要求1所述的方法，其特征在于，利用适应于所述可迁移样本数据的寿命预测模型对跨配方相似产品进行寿命迁移预测包括：

利用所述可迁移样本数据对预先针对其他配方相似产品训练的模型进行精调训练，得到所述寿命预测模型；

利用所述寿命预测模型对待测配方相似产品的当前测试数据进行寿命预测处理，得到待测配方相似产品的剩余使用寿命RUL。

3.如权利要求2所述的方法，其特征在于，所述预处理包括对目标样本数据和训练数据进行归一化处理；

所述利用所述寿命预测模型对待测配方相似产品的当前测试数据进行寿命预测处理，得到待测配方相似产品的剩余使用寿命RUL包括：

将待测配方相似产品的当前测试数据输入所述寿命预测模型，输出待测配方相似产品的剩余使用寿命RUL标签值；

对待测配方相似产品的剩余使用寿命RUL标签值进行反归一化处理，得到待测配方相似产品的剩余使用寿命RUL预测值。

4.如权利要求1所述的方法，其特征在于，从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据包括：

将目标样本数据和多个训练数据分别图形化为目标样本数据曲线和多个训练数据曲线；

将目标样本数据曲线和多个训练数据曲线分为直线，凹曲线和凸曲线三类；

根据直线、凹曲线和凸曲线类型进行筛选，排除与目标样本数据曲线类型不同的训练数据曲线，得到第一训练数据。

5.如权利要求4所述的方法，其特征在于，从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据包括：

计算第一训练数据从初始状态退化到测试结束时容量曲线的变化率，保留与目标样本数据最近接的几个第一训练数据；

将保留的第一训练数据作为第二训练数据。

6.如权利要求5所述的方法，其特征在于，从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据包括：

通过测量运行到试验停止阈值时的循环次数，比较第二训练数据的寿命分布，并保留最接近目标样本数据的寿命分布的几个第二训练数据；

将保留的最接近目标样本数据的寿命分布的第二训练数据作为第三训练数据。

7.如权利要求6所述的方法，其特征在于，从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据包括：

选用切比雪夫距离对容量曲线进行筛选，计算几个第三训练数据的退化曲线与目标样本数据的容量退化曲线间的切比雪夫距离；

选择切比雪夫距离最小的第三训练数据作为第四训练数据。

8.如权利要求3所述的方法，其特征在于，所述预处理还包括：

剔除待测配方相似产品短期测试样本数据和其他配方相似产品全寿测试容量数据库中不稳定的起始数据和未体现退化趋势的数据；

对剔除后的短期测试样本数据和全寿测试容量数据库中的数据进行平滑处理，得到目标样本数据和预测训练数据。

9.如权利要求1-8任一项所述的方法，其特征在于，所述相似产品是锂电池。

10.一种跨配方相似产品寿命迁移预测***，其特征在于，包括处理器、存储器，存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间连接通信的数据总线，所述程序被处理器执行时实现上述权利要求1-9任一项所述的跨配方相似产品寿命迁移预测方法。

Images