考虑小样本的两阶段电池剩余寿命智能预测方法及系统技术方案

本发明专利技术涉及考虑小样本的两阶段电池剩余寿命智能预测方法及系统，属于可靠性工程技术领域，包括：基于电池容量循环老化的原始数据，寻找出膝点，通过膝点将退化阶段划分为两个阶段；其中，电池容量循环老化的原始数据包括充放电循环次数与对应的实际容量；分别选择独立的归一化流模型作为两个阶段的生成器，生成训练数据样本；将训练数据样本这种非正态分布的数据转换为近似正态分布的数据，得到数据扩充后的数据集；基于数据扩充后的数据集训练RUL预测模型，并通过训练好的RUL预测模型进行电池剩余寿命预测。本发明专利技术在电池生产测试的寿命分析中具有实际应用价值，有利于电池的全寿命周期测试及健康管理，具有一定的工程应用价值。

【技术实现步骤摘要】

本专利技术属于可靠性工程，具体涉及考虑小样本的两阶段电池剩余寿命智能预测方法及系统。

技术介绍

1、随着人工智能技术的快速发展，基于深度学习的剩余寿命(remaining usefullife, rul)预测已成为保障电池安全性与可靠性的关键环节，在不需要了解太多的电化学知识的前提下进行数据驱动的预测拥有光明的发展前景。其中，具有高可靠、长寿命的特性的锂电池循环寿命退化数据在学术界和工业界已被广泛研究。然而在军事装备等配电系统中，受到试验时间和研究成本以及运行环境、测试条件的限制等因素的影响，试验样本有限，尤其对于新研电池，通过传统的寿命试验或者加速寿命试验获得的电池可用数据很少，无法满足基于深度学习方法训练数据量的要求。此外，利用传统的大样本可靠性评估方法对小样本数据进行分析具有精度低、准确性较差的问题，无法满足设备可靠性分析的要求。因此，在此背景下，如何将小样本数据扩充为大样本数据成为提升剩余寿命预测精度的重要前提。

2、为实现可靠的rul估计，一些学者提出了几种基于数据扩充方法，作为从机器中收集实际退化数据的替代方法。近年来，基于仿射变换本文档来自技高网...

【技术保护点】

1.考虑小样本的两阶段电池剩余寿命智能预测方法，其特征在于，包括：

2.根据权利要求1所述的考虑小样本的两阶段电池剩余寿命智能预测方法，其特征在于，寻找出膝点，通过膝点将退化阶段划分为两个阶段；包括：

3.根据权利要求1所述的考虑小样本的两阶段电池剩余寿命智能预测方法，其特征在于，分别选择独立的归一化流模型作为两个阶段的生成器，生成训练数据样本；包括：

4.根据权利要求2所述的考虑小样本的两阶段电池剩余寿命智能预测方法，其特征在于，通过最大化归一化流模型参数的总对数似然来训练观测模型，分别生成flowYouth和flowOld；p>

5.根据权...

【技术特征摘要】

1.考虑小样本的两阶段电池剩余寿命智能预测方法，其特征在于，包括：

2.根据权利要求1所述的考虑小样本的两阶段电池剩余寿命智能预测方法，其特征在于，寻找出膝点，通过膝点将退化阶段划分为两个阶段；包括：

3.根据权利要求1所述的考虑小样本的两阶段电池剩余寿命智能预测方法，其特征在于，分别选择独立的归一化流模型作为两个阶段的生成器，生成训练数据样本；包括：

4.根据权利要求2所述的考虑小样本的两阶段电池剩余寿命智能预测方法，其特征在于，通过最大化归一化流模型参数的总对数似然来训练观测模型，分别生成flowyouth和flowold；

5.根据权利要求2所述的考虑小样本的两阶段电池剩余寿命智能预测方法，其特征在于，噪声分布为标准正态。

...

【专利技术属性】
技术研发人员：胡昌华，张博玮，裴洪，冷明哲，王兆强，陈辰，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：