一种相似产品剩余寿命预测方法及系统技术方案

本发明专利技术公开一种相似产品寿命预测方法和系统，涉及相似产品预测领域，本发明专利技术利用通过对待预测电池的短期测试样本数据以及其他配方电池的全寿测试容量数据库中处理后，获得目标样本数据和训练测试数据；然后在训练测试数据中截取与目标样本数据同样长度的数据进行可迁移样本挖掘，通过训练学习可迁移样本数据至目标样本数据的迁移关系，获得相似产品测试数据迁移与剩余寿命预测的神经网络模型；应用训练测试数据中剩余长度的数据在神经网络模型进行跨配方电池的剩余寿命预测，本发明专利技术方法预测精度可以达到99％以上，节约了分析电池配方性能的成本，实现了数据共享，具有很好的经济性和实用性。

【技术实现步骤摘要】
一种相似产品剩余寿命预测方法及系统
本专利技术涉及相似产品预测
，尤其涉及一种预测相似产品剩余使用寿命的方法、系统和装置。
技术介绍
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。
技术实现思路
为解决现有技术存在的问题，本专利技术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方法，本专利技术方法能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。为实现本专利技术的技术目的，本专利技术一方面提供相似产品寿命预测方法，包括：对待预测的不同配方相似产品进行短期循环寿命测试，获得短期测试样本数据；对获得的短期测试样本数据以及其他配方电池的全寿测试容量数据库中的数据进行处理后，得到目标样本数据和训练测试数据；在训练测试数据中截取与目标样本数据同样长度的数据进行可迁移样本挖掘，并将其中具有较高迁移度的数据作为可迁移样本数据；通过前向网络训练学习可迁移样本数据至目标样本数据的迁移关系，获得相似产品测试数据迁移与剩余寿命预测的神经网络模型；应用训练测试数据中剩余长度的数据在神经网络模型进行跨配方电池的剩余寿命预测，获得待预测的不同配方相似产品的剩余寿命预测结果。其中，所述短期循环寿命测试是指在对相似产品进行循环寿命测试时，在试验早期即停止在一个预先设定的测试停止阈值。其中，所述测试停止阈值为大于全寿测试停止阈值。其中，所述停止阈值是指电池容量衰退到初始容量的某个百分比值。其中，所述测试停止阈值大于85％。优选的，所述测试停止阈值不小于87％。进一步优选的，所述测试停止阈值不小于90％。特别是，相似产品为锂电池。特别是，所述对获得的短期测试样本数据以及其他配方电池的全寿测试容量数据库中的数据进行处理包括：剔除短期测试样本数据和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测试数据。尤其是，所述平滑处理采用局部加权回归法。特别是，所述在训练测试数据中截取与目标样本数据同样长度的数据是根据目标样本数据的充放电循环数在预测训练测试数据中进行截取获得的数据。特别是，所述可迁移样本挖掘是多维评估训练测试数据与目标样本数据的相似度，并对评估的相似度结果进行可迁移度计算，将可迁移度较高的训练测试数据作为可迁移样本数据。尤其是，所述可迁移度较高的训练测试数据为可迁移度升序排名靠前的20％的训练测试数据。特别是，所述多维评估训练测试数据与目标样本数据的相似度包括：每个训练测试数据和目标样本数据之间的切比雪夫距离的维度评估；每个训练测试数据和目标样本数据之间的差值均值的维度评估；每个训练测试数据和目标样本数据之间差值末点变化率的维度评估。为实现本专利技术的技术目的，本专利技术另一方面提供一种相似产品寿命预测系统，包括：数据单元、数据处理单元、数据挖掘单元、模型训练单元以及寿命预测单元，其中：数据单元，用于采集并存储预测的不同配方相似产品循环寿命数据；数据处理单元，用于处理短期测试样本数据得到目标样本数据，处理对其他配方电池的全寿测试容量数据库中的数据得到训练测试数据；数据挖掘单元，用于在训练测试数据中截取与目标样本数据同样长度的数据进行可迁移样本挖掘，并将挖掘的可迁移样本中具有较高迁移度的数据作为可迁移样本数据；模型训练单元，用于通过前向网络训练学习可迁移样本数据至目标样本数据的迁移关系，获得相似产品测试数据迁移与剩余寿命预测的神经网络模型；寿命预测单元，用于利用训练测试数据中剩余长度的数据在神经网络模型进行跨配方电池的剩余寿命预测，获得待预测的不同配方相似产品的剩余寿命预测结果。为实现本专利技术的技术目的，本专利技术还提供一种将上述的方法或系统用于电池配方设计优化的用途。有益效果：1、本专利技术仅利用现有的已知电池的全寿数据和待测的不同配方电池的短期循环寿命测试数据即可预测待测电池的剩余寿命，方法简单，成本低，仅需要对电池做短期循环寿命测试即可。2、本专利技术提供的方法和系统预测精度高，最高可达99％以上，节约了分析电池配方性能的成本，加快了电池研发阶段的进度。3、本专利技术方法和系统节约了大量试验成本，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。附图说明图1是本专利技术实施例1提供的本专利技术方法流程图；图2是本专利技术实施例2提供的本专利技术系统流程图；图3是本专利技术应用实施例中提供的25DC平滑处理前后的退化曲线图；图4是本专利技术应用实施例中提供的45DC平滑处理前后的退化曲线图；图5是本专利技术应用实施例中提供的60DC平滑处理前后的退化曲线图；图6是本专利技术应用实施例中提供的可迁移度变化曲线；图7是本专利技术应用实施例中提供的25DC相似样本与目标样本退化趋势对比图；图8是本专利技术应用实施例中提供的45DC相似样本与目标样本退化趋势对比图；图9是本专利技术应用实施例中提供的60DC相似样本与目标样本退化趋势对比图；图10是本专利技术应用实施例中所使用的BPNN结构示意图。具体实施方式下面将结合示意图对本专利技术方法和系统进行更详细的描述，其中表示了本专利技术的优选实施例，应该理解本领域技术人员可以修改在此描述的本专利技术，而仍然实现本专利技术的有利效果。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，而并不作为对本专利技术的限制。在下列段落中参照附图以举例方式更具体地描述本专利技术。根据下面说明和权利要求书，本专利技术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、明晰地辅助说明本专利技术实施例的目的。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，本专利技术提供的跨配方相似产品(如锂离子电池)剩余寿命预测方法包括：步骤S101对待预测的不同配方相似产品进行短期循环寿命测试，获得短期测试样本数据。本文档来自技高网...

【技术保护点】
1.一种相似产品寿命预测方法，其特征在于，包括：/n对待预测相似产品进行短期循环寿命测试，获得短期测试样本数据；/n处理短期测试样本数据得到目标样本数据，并对与待预测相似产品配方不同的其他相似产品的全寿测试容量数据库中的数据进行处理，得到训练测试数据；/n在训练测试数据中截取与目标样本数据同样长度数据进行可迁移样本挖掘，以便从训练测试数据中挖掘出作为待预测相似产品的可迁移样本数据；/n通过前向网络训练学习可迁移样本数据至目标样本数据的迁移关系，获得相似产品测试数据迁移与剩余寿命预测的神经网络模型；/n应用训练测试数据中剩余长度的数据在神经网络模型进行跨配方电池的剩余寿命预测，获得待预测的不同配方相似产品的剩余寿命预测结果。/n

【技术特征摘要】
1.一种相似产品寿命预测方法，其特征在于，包括：
对待预测相似产品进行短期循环寿命测试，获得短期测试样本数据；
处理短期测试样本数据得到目标样本数据，并对与待预测相似产品配方不同的其他相似产品的全寿测试容量数据库中的数据进行处理，得到训练测试数据；
在训练测试数据中截取与目标样本数据同样长度数据进行可迁移样本挖掘，以便从训练测试数据中挖掘出作为待预测相似产品的可迁移样本数据；
通过前向网络训练学习可迁移样本数据至目标样本数据的迁移关系，获得相似产品测试数据迁移与剩余寿命预测的神经网络模型；
应用训练测试数据中剩余长度的数据在神经网络模型进行跨配方电池的剩余寿命预测，获得待预测的不同配方相似产品的剩余寿命预测结果。


2.如权利要求1所述的方法，其特征在于，所述短期循环寿命测试是指在对相似产品进行循环寿命测试时，在试验早期即停止在一个预先设定的测试停止阈值；
其中，所述测试停止阈值为小于全寿测试停止阈值。


3.如权利要求1所述的方法，其特征在于，所述对获得的短期测试样本数据以及其他配方电池的全寿测试容量数据库中的数据进行处理包括：
剔除短期测试样本数据和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测试数据。


4.如权利要求3所述的方法，其特征在于，所述平滑处理采用局部加权回归法。


5.如权利要求1所述的方法，其特征在于，所述在训练测试数据中截取与目标样本数据同样长度的数据是根据目标样本数据的充放电循环数在预测训练测...

【专利技术属性】
技术研发人员：马剑，杨帆，丁宇，吕琛，陶来发，程玉杰，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11