【技术实现步骤摘要】
本申请涉及设备剩余寿命预测领域，特别是涉及一种锂离子电池剩余寿命预测方法、系统及电子设备。
技术介绍
1、制造业直接体现一个国家的生产力水平，是中国赖以生存的核心产业。在制造过程中，运行设备故障会导致制造成本提高、安全事故发生，甚至导致整个生产过程的崩溃。预测与健康管理(prognostics and health management，phm)可以有效把握工业设备的健康状态以及切实增强设备运行的安全性。因此，企业生产过程中，phm具有重要研究意义。剩余使用寿命(remaining useful life，rul)是指系统或设备当前时刻与失效时刻之间的时间间隔或运行次数，可以定义为：
2、t-t|t>t；式中，t表示设备的失效时刻，t表示当前时刻。rul的准确预测是phm中具有极高热度的研究领域，也是其关键技术与核心问题之一。当前，主要有两种类型的预测方法：基于模型的方法和基于数据驱动的方法。如张吉宣通过自回归模型与正则化粒子滤波(rpf)结合，较为准确的预测锂离子电池的剩余寿命，提高该模型对多种数据的适应能力。基于模型的方法利用专家知识进行仿真建模，参数变量少，实现能力强。但对于设备的动态化数据具有限制性，依赖于模型的选择和精度，泛化能力差且模型参数过于复杂，计算量较大。
3、随着人工智能技术的发展，基于数据驱动的剩余寿命预测方法得到了广泛研究。该方法在收集到的大量测试数据或传感器数据基础之上，无需进行设备退化的原理分析，直接建立外部参数与内部状态之间的联系，进而得到准确预测，弥补了基于模型方法预
4、在工业4.0的时代背景下，随着人工智能技术的发展，深度学习以其出色的优势，逐渐被应用到各个领域中。其具有强大的特征提取能力，且在无监督情况下可实现自动特征提取和端到端的学习。如李等人使用一维卷积神经网络(cnn)预测锂离子电池的容量。cnn中的卷积核实现了局部权值共享和相邻数据间的逐层挖掘共同模式，更加实用。结果表明，cnn算法的性能优于其他机器学习算法。该方法从多元时间序列数据估计复杂系统的rul，但对时序数据把握能力不足，具有一定局限性。而循环神经网络(rnn)可以让隐藏层的神经元相互交流，将上一个输出结果以信息方式储存在隐藏层，使得信息贯通。
5、深度学习在剩余寿命预测领域得到很好的应用，但上述方法仍存在一些问题：1)深度学习模型数量巨大的待优化参数，通常要花费大量的时间及机器资源来进行优化。2)单一模态特征难以反映设备运行中的退化趋势。如锂电池在使用过程中，会出现容量再生现象，即容量有时出现轻微回升。此现象造成其退化数据出现明显波动，使得单一模态特征难以解决预测精度低的问题。3)单一模态预测模型的泛化能力差，鲁棒性较弱。实际应用中，设备材料类型、运行环境与条件等差异都会对预测效果产生影响，从而导致预测稳定性较差，精度较低。相比于单一模态的数据，多模态数据可以汲取不同模态优点，完成信息整合，提高数据的完整性与预测的准确性。面对保持融合后具有各个模态信息的多样性以及完整性、使各个模态的优点最大化、减少融合过程造成的信息损失等方面的融合要求，如何对各个模态的信息进行融合成为了多个领域广泛存在的一个新挑战。
6、c.l.philip chen提出的一种通过特征层获取数据特征的宽度学习(bls)方法可以对新加入的数据以有效和高效的方式来更新系统，可以在避免深度学习对及其性能要求的同时，获得相当的性能。与深度学习相比，bls不仅结构简单、训练速度快、准确率高，而且具有增量学习的优势。
技术实现思路
1、本专利技术的目的是提供一种锂离子电池剩余寿命预测方法、系统及电子设备，以提高锂离子电池剩余寿命预测的准确性。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种锂离子电池剩余寿命预测方法，包括：
4、获取待预测锂离子电池的电池容量；
5、对所述电池容量进行变分模态分解，得到残余分量和imf分量；
6、根据所述残余分量和所述imf分量，利用剩余寿命预测模型，确定所述待预测锂离子电池的剩余寿命；其中，所述剩余寿命预测模型是利用训练数据集对双宽度学习网络进行训练得到的；所述训练数据集为battery data set数据集；所述双宽度学习网络包括第一宽度学习网络、第二宽度学习网络和融合节点层；所述第一宽度学习网络和所述第二宽度学习网络均与所述融合节点层连接。
7、可选地，对所述电池容量进行变分模态分解，得到残余分量和imf分量，具体包括：
8、将所述电池容量分解为预设个数个imf初始分量，并构建约束变分模型；
9、引入拉格朗日乘数算子和惩罚因子，将所述约束变分模型转换为非约束变分模型；
10、利用交替方向乘数算子对所述非约束变分模型中的imf初始分量、imf初始分量对应的中心频率和拉格朗日乘数算子进行更新，得到更新后的imf分量和残余分量；
11、判断是否满足停止条件；
12、若是，则输出残余分量和imf分量；所述imf分量为更新后的imf分量。
13、可选地，所述非约束变分模型为：
14、
15、其中，uk为第k个imf初始分量，ωk为第k个imf初始分量对应的中心频率；为t的求导函数；t为当前时刻；δ(t)为冲击函数；*为卷积计算符号；λ为拉格朗日乘数算子；α为惩罚因子；c(t)为当前时刻的电池容量。
16、可选地，所述停止条件为：
17、
18、其中，为第n+1次更新得到的imf分量；为第n次更新得到的imf分量；ε为收敛精度。
19、可选地，所述剩余寿命预测模型为：
20、
21、
22、...
【技术保护点】
1.一种锂离子电池剩余寿命预测方法，其特征在于，包括：
2.根据权利要求1所述的锂离子电池剩余寿命预测方法，其特征在于，对所述电池容量进行变分模态分解，得到残余分量和IMF分量，具体包括：
3.根据权利要求2所述的锂离子电池剩余寿命预测方法，其特征在于，所述非约束变分模型为：
4.根据权利要求2所述的锂离子电池剩余寿命预测方法，其特征在于，所述停止条件为：
5.根据权利要求1所述的锂离子电池剩余寿命预测方法，其特征在于，所述剩余寿命预测模型为：
6.一种锂离子电池剩余寿命预测系统，其特征在于，包括：
7.一种电子设备，其特征在于，存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-5任一项所述的锂离子电池剩余寿命预测方法。
8.根据权利要求7所述的电子设备，其特征在于，所述存储器为可读存储介质。
【技术特征摘要】
1.一种锂离子电池剩余寿命预测方法，其特征在于，包括：
2.根据权利要求1所述的锂离子电池剩余寿命预测方法，其特征在于，对所述电池容量进行变分模态分解，得到残余分量和imf分量，具体包括：
3.根据权利要求2所述的锂离子电池剩余寿命预测方法，其特征在于，所述非约束变分模型为：
4.根据权利要求2所述的锂离子电池剩余寿命预测方法，其特征在于，所述停止条件为：
5.根据权利要...
【专利技术属性】
技术研发人员：王晓佳，郭馨悦，卞文静，陈娅，梁雨生，朱昊铎，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。