文摘
本研究介绍了视觉认知到锂离子电池容量估计。该方法由四个步骤组成。首先,获得充电电流和放电电压数据在每个周期排列形成一个二维图像。第二,生成的图像分解成多个局部通道的取向部分波段利用non-subsampled contourlet变换(NSCT)。NSCT模仿人类视觉系统的多通道特性(HVS)提供多分辨率、定位、方向和位移不变性。第三,NSCT系数提取的几个时域指标形成最初的高维特征向量。同样的,灵感来自于HVS多方面的传感特性,拉普拉斯算eigenmap流形学习方法,这被认为是揭示电池性能下降在一个低维的进化规律内在歧管,用于进一步获得一个低维的特征向量。最后,电池容量降低估计使用的测地距离流形之间的初始和最近的特性。验证实验使用不同的操作和老化条件下获得的数据。结果表明,该视觉认知方法提供了一种高度精确的估算电池容量,从而提供了一种有前途的方法来自认知计算的新兴领域。
1。介绍
锂电池,具有高的能量密度和重量轻,为各种应用程序变得越来越流行,尤其是在航空航天领域和电动汽车(1- - - - - -3]。因此,大多数现有的研究专注于提高锂离子电池的性能的方法。电池容量,这被认为是电池性能的一个重要指标,是高度受到各种内部和外部机制如环境温度、老化,和使用模式;这些因素导致电池性能随着时间的推移逐渐消退。因此,可用电池容量需要准确估计用于可靠性和电池的正确管理使用4]。
最近的研究报道各种各样的方法来估计锂离子电池的容量。大多数现有的方法是基于模型的方法,包括电化学(5),相当于对(6),和分析(7,8)模型。这些模型大多是基于复杂的物理和化学过程,考虑电池的动态行为9- - - - - -11),和估计性能高度依赖模型的准确性。特别是,这些类型的模型通常是难以建立的限制获取知识的电化学参数,电池的老化机制和特性(12]。此外,这些模型是单独依赖于特定类型的电池在生产工艺方面,电解质,阳极和阴极材料。电荷状态(SOC)开路电压-(缴纳)建立循环容量估算方法被广泛应用于许多实际的应用程序(13,14]。然而,SOC-OCV-based方法依赖于准确的SOC和缴纳的值,通常是高耗时获得(10,15]。无论造型方法用于模型电池状态,实验室确定电池充放电特性在不同操作条件下的电池知识的行为。在某些应用程序中,这些原始数据存储为离散值是用来创建一个查找表数据库的主电池的充电状态。然而,使用这种方法对锂离子电池容量估计,大量的实验需要执行各种操作条件下整整一生获得电池能力在不同的操作条件下在不同的生活状态。否则,基于数据库的方法将有一个低精度与一个粗略的数据库。道等。16)提出了锂电池容量估算方法基于相似性识别的在线数据曲线,这可以被看作是一个基于数据库的智能方法。尽管这种方法达到一个高的准确性,要花很多时间寻找最相似的数据曲线包含在数据库中,限制了其实际应用。
提出了一种新的geometric-based方法(17];这种方法不同于那些提到的,似乎是一个扩展传统的恒定电流稳定电压的方法(18]。估计电池容量结合微分几何和四个几何特性敏感能力消退。充电电流的四个几何特征提取(CC)和放电电压(DV)曲线,包括恒压(CV)的时间曲线,最大曲率半径的简历,简历曲线下的面积,电压曲线的斜率在早期阶段的放电过程。实验结果提供了在他们的论文中展示geometric-based方法的有效性。
geometric-based方法旨在介绍性质的微分几何理论和传统的几何特性为电池容量估计。灵感来自于工作(17),我们尝试向其他前沿交叉学科方法介绍电池容量估计,避免了复杂的物理化学过程的分析和实现的准确认知退化过程,从而进一步提高电池容量评估的有效性和准确性。
认知科学是一个跨学科的研究,由多个学科的研究,包括心理学、人工智能、哲学、神经科学、语言学和人类学。它包括智力和行为的研究,尤其关注信息是如何表示的,在神经系统和机器加工,转换(19]。认知科学是一个很大的领域,涵盖了广泛的主题相关的认知语言处理、人工智能、视觉和听觉认知。在这些主题中,视觉认知已成为很多研究的重点在认知科学和成为一个重要话题感兴趣的在二十一世纪20.]。近年来,世界各国都投入巨资支持视觉认知研究。在美国,美国国防高级研究计划局启动了一项特别的研究项目在2007年名为“认知计算,”视觉认知是一个主要的研究目标。在日本,在计算机视觉领域的专家已经进入“人才计划”在过去的十年里促进脑认知科学的跨学科研究和视觉认知。中国的国家自然科学基金委员会发起的一个主要的研究项目在2008年被称为“基于视觉和听觉信息的认知计算”;它的目的是建立一个新的计算方法基于人类视觉和听觉认知机制,从而为图像理解和声音处理提供新的想法。今天,基于视觉认知的计算方法得到了广泛的关注和广泛应用于人脸识别21),图像融合(22),纹理分类(23),等等。然而,在锂离子电池容量估算、基于视觉认知的方法很少被报道。出于这一点,我们试图将CC值和DV值转换为一个二维图像,从而进一步推进电池容量估计使用视觉认知方法。
从本质上讲,视觉认知是一种仿生科学;也就是说,它处理对象的识别基于人类视觉系统(HVS)的特性。HVS的著名的特点之一是多通道特性(MCC),这意味着有多个局部通道处理图形信息的可信度,每个组件进一步包括不同数量的取向取决于一系列预定的设置(24]。在这项研究中,作者采用MCC提取退化特征信息从CC和DV数据,这是本研究的核心,并区分我们的方法的区别与其他现有的方法,包括在17]。另一个指出HVS特征是多方面的感知特征(MSC)。2000年,文章发表在科学指出,视觉信息存储的歧管稳定大脑中的神经活动模式,和流形学习方法可以识别有意义的低维结构在高维数据25- - - - - -27]。因此,本研究利用流形学习来构建一个低维内在歧管,不仅可以揭示能力退化的法律,都包含在提取的特征也减少所需的计算。因此,本研究试图引入视觉认知锂离子电池容量估计为了建立一个系统的容量估算方法基于MCC和MSC。
本文的组织结构如下:部分2感兴趣的描述了两种HVS特性,即MCC, MSC,以及来自他们相应的计算方法,主要是NSCT和拉普拉斯算子eigenmap (LE)。测地距离也介绍,用于电池容量的估算。部分3介绍整个电池容量估算方法基于视觉认知,包括实验数据的描述、图像变换、特征提取和计算能力。典型的数据来自美国宇航局电池数据集是用来验证该方法;报告的结果部分4。最后,部分5总结了纸。
2。相关的理论
2.1。MCC的HVS和NSCT
2.1.1。MCC Contourlet变换
HVS是一个至关重要的工具,人类理解和理解自然世界。通过验证,HVS拥有的能力捕捉自然场景的基本信息使用最小数量的活跃的视觉细胞(28]。接受字段在视觉皮层相应特点是本地化的,面向,带通(29日]。因此,建议,为图像表示有效,它应该被当地的属性,方向,和多分辨率。
contourlet变换(CT)提出的做,Vetterli [28]匹配HVS的MCC。它由拉普拉斯算子的金字塔(LP)和方向滤波器组(足协)、LP是用来捕获和足协利用链接点不连续的线性结构。CT提供一个灵活的多分辨率、当地和定向图像使用轮廓段扩张;因此,它可以表示边缘和其他奇异点沿曲线非常有效。然而,不幸的是,将采样的CT缺少移不变性因为upsampling LP和足协。特别是,将采样过滤的图像可能会导致低通和高通频率混叠。这些缺点限制了使用CT在许多应用程序中(22,30.]。
2.1.2。NSCT理论
消除频率混叠的CT增强其方向选择性和位移不变性,da Cunha et al。31日]提出了基于移不变的版本non-subsampled金字塔滤波器(NSPFBs)和non-subsampled定向滤波器(NSDFBs),如图1(一)(31日,32]。
(一)
(b)
(c)
的non-subsampled contourlet变换(NSCT),代表与MCC方法,可用于分解图像(例如,从一个充电电流和放电电压曲线)为多个局部通道(一组窄带频率),每个组件进一步包括不同数量的取向取决于预定设置每个通道。
NSCT的多尺度性质是获得一个移不变的过滤结构,达到相似的子带分解的LP。这个过程可以使用双通道non-subsampled实现二维(2 d)滤波器。图1 (b)说明了non-subsampled金字塔分解 阶段。这样的扩张是在概念上类似于一维(1 d) non-subsampled小波变换的计算的多孔算法。下一阶段的过滤器是通过upsampling过滤器前一个阶段的抽样矩阵: 使多尺度性质而不需要额外的滤波器设计。在jth分解,理想低通滤波器的频率支持 。相应地,理想的高通滤波器的支持是补的低通滤波器,即该地区 。相当于过滤器J程度的层叠NSPFB给出 在哪里和代表相应的低通滤波器和高通滤波器,分别在第一阶段32]。
德国足协由结合严格采样双通道扇形滤波器和重采样操作。这个结果在一个树形结构的滤波器组将二维频率平面分为定向楔形。关掉downsamplers / upsamplers足协树中的每个双通道滤波器组结构和相应upsampling过滤器,NSDFB获得。通过这种方式,可以获得双通道NSDFBs组成的一棵树。图1 (c)演示了一个四通道分解(32]。upsampled风机过滤器 有棋盘频率支持,在哪里梅花形矩阵: 四通道定向分解可以得到当过滤器结合风机过滤器吗 。每个通道的等效滤波器 可以得到如下:
后程度的NSCT分解,一个低通子带图像和带通方向子带图像可以获得,所有这些都有相同的大小作为输入图像。在这里,是定向分解级别的吗j规模。
如上所述,NSCT的核心是滤波器设计的双通道NSPFB NSDFB。NSCT不仅保留了CT的特点,也移不变性的重要属性。因此,本研究采用NSCT提取特征的CC和DV值一个锂离子电池。
2.2。MSC的HVS和勒
2.2.1。MSC和多方面的学习
当我们看一个物体与规模和光照等条件变化,信号由数百万从眼睛到大脑视神经轴突的不断变化。然而,我们能够认识到这些变化的信号是由同一个对象。由Seung和李这一现象进行了研究,他们提出了一个假说,视觉记忆存储的歧管稳定状态或连续吸引子25]。相同的图像对象和规模的变化,照明,躺在一个低维流形和其他变量因素,而不同的物体的图像形式不同的集合管。从认知心理学的角度来看,对象识别的认知过程是识别不同的低维流形嵌入在高维的视觉信息。即HVS的歧管隐藏在大脑的能力。这HVS的特性称为MSC。类似于HVS的MSC,多方面的学习可以找到有意义的低维结构隐藏在高维观测;这是吸引学者越来越多的关注。
多方面的学习,也称为非线性降维,是一种被广泛接受的方法嵌入到低维特征空间的高维样本保存一些本地或全局几何结构(33]。等多方面的学习方法提出了等距映射(26),局部线性嵌入(27),拉普拉斯算子eigenmaps [34],黑森eigenmaps [35]。在这些方法中,拉普拉斯算子eigenmap (LE)是一种谱图的方法;这个机器学习社区已经受到了相当大的关注。在这项研究中,LE是用来建立一个低维内在歧管进行降维。
2.2.2。勒理论
勒是一个典型的基于降维技术。勒的基本数学概念可以概括如下。
假设一个d维管汇(提名为输出空间)嵌入在一个米维空间 (提名为输入空间, )可以被描述为一个函数: 在哪里是一个紧凑的子集与开放的内部。一组数据点 ,在那里 从内在歧管,取样有噪音 ;的关系可以表示如下: 在哪里表示噪声。勒可以确认如下:原始数据集在高维流形(非线性)映射到数据点吗年代的估计未知的低维流形 ,与 (36]。
给定一组的多元观察,任意点 与最近的社区,加权邻接图 可以构造组成的吗节点和边缘连接相邻点的集合。我们考虑将加权图映射的问题一条线,连接点保持尽可能接近。让 ,在那里 是一个协调的价值th点和 。一个合理的地图是选择的∈ 最小化在适当的约束。为了避免沉重的惩罚可能发生如果相邻点和映射远,最小化是为了确保如果点和关闭,那么和将会关闭。因此,对于任何一个 ,我们有 在哪里 拉普拉斯算子矩阵,这是半正定。值得注意的是,是对称的, 。因此,可以写成 因此,最小化问题降低了寻找 。
约束 删除一个任意比例因子嵌入。矩阵提供了一种自然的测量图上的顶点。更大的是,更重要的是顶点。在(7),显示为半正定矩阵和向量最小化目标函数给出的最小特征值解广义特征值问题 一个额外的约束的正交性 。
更普遍的是,嵌入的 矩阵 ,那里的我行,用 ,提供了嵌入的坐标我顶点。同样,我们需要最小化
这种情况会减少寻找(37]
2.2.3。更新时间窗口映射
固定的一组数据从高维空间映射到低维空间通过映射勒 。因此,一个可以得到相应的低维点通过映射当给定一个高维空间中任意点。考虑在实践中,新的数据通常可以获得收集和新特性提供的空间,我们需要更新映射LE适应新传入的数据。因此,一般的方法,所谓的“时间窗”,提出可以设置为一个输入点或其他任何数量的点对一个实际的应用。当新传入的点的数量达到固定的“时间窗”,一个新的更新映射。
2.3。测地距离
数学,特别是微分几何,测地线的泛化的概念“直线”弯曲空间(38]。如果这个连接是Levi-Civita连接由一个黎曼度量,然后(本地)测地线在空间点之间的最短路径。因此,测地线距离有望展开高度折叠,扭曲或弯曲的非线性阀组(39]。
图2(一个)显示了最短路径用欧氏距离来衡量。根据这一指标,两个点两侧的马蹄似乎看似接近。图2 (b)显示了测地距离测量的最短路径。在这种情况下,两个点两侧的马蹄不邻居根据测地距离39]。
(一)
(b)
在这项研究中,采用测地距离的几何度量在管汇上的电池容量由勒。
3所示。锂离子电池容量的估算方法基于视觉认知
3.1。美国国家航空航天局锂电池实验数据的描述
本研究中使用的数据来自一个定制电池设置在美国宇航局艾姆斯预测卓越中心。通过三种不同的实验操作配置文件(充电,放电,阻抗)环境温度()条件。收费在一个恒定的充电电流模式执行,直到电池电压达到4.2 V和1.5仍在恒电压模式直到充电电流下降到20 mA。放电是停在不同的运行end-of-discharges(爆炸品处理)。进行实验,直到临终标准(EOLC)指定的能力降低。
验证该方法的效率,典型的数据被选中(# 5、# 7 # 29日和# 54岁,也被用于(16,17])和表中描述1。从表1,可以看出,这些数据具有相同的电荷电流的1.5,但通常表现出不同的ATs (24°C, 43°C,或4°C),放电电流(DCs;2或4),爆炸品处理(从2.0 V至2.7 V),初始能力(ICs);从1.1665到1.8911(啊啊),EOLCs(30%或12.61%)。
3.2。图像的变换CC或视觉认知的DV值
3.2.1之上。图像变换方法
一个任意的真正状态可以确定电池充电或放电。因此,CC和DV曲线获得的充电和放电过程可以直接反映电池的真实状态。发现性能下降法包含在这些曲线,每个周期的CC和DV曲线转换为图像的视觉认知。首先,CC和DV值一生全周期的统一规范化根据线性归一化方程: ,在那里是原始CC或DV值,是归一化值,MinValue和MaxValue最小和最大CC / DV值的一生完整的周期,分别。然后安排到规范化的数据点 矩阵,如图3。如果我们考虑每个样本的振幅归一化图像的像素值,然后 矩阵成为 的形象。以下原则用于确保转换后的图像的质量:转换后的图像应该保留每个充电/放电循环的大多数有用的信息;CC和DV明显的区别于其他周期的数据应该被消除;图像构建基于CC和DV数据的每个周期应该有相同的大小。遵守这些原则,每个充电/放电的CC和DV数据周期需要选择和加工。
3.2.2。数据选择和处理
在某种程度上,图像转换的质量直接影响到视觉认知的结果。因此,适当的选择和处理CC和DV数据是必不可少的,以确保高质量的图像转换。
我们的实验收集两种CC / DV数据包含最有用的信息:CC数据在恒压充电阶段;DV在卸货过程中数据。以下数据丢弃:(A)异常数据,(B) CC数据下恒流充电阶段,(C)敏感的早期阶段,放电电压数据,和(D)电压恢复数据;这是显示在图4。
(一)
(b)
(c)
(d)
采样率的差异(或抽样开始时间)导致了不同数量的CC或DV数据从每个周期。这导致一个问题上形成的图像大小相同。我们采用的插值方法,以确保为每个周期相同数量的数据点。如果图像太大,计算负载变得过度,而如果一个图像太小了,它不能反映具体充电/放电循环的特点。平衡这些考虑,我们选择 。因此,每个周期需要4096数据点构造图像。如果我们获得 从一个充电/放电循环数据点,然后另一个 数据点获得的“样条插值算法。图4显示了一个示例处理的CC / DV数据曲线从电池# 5。
3.3。基于NSCT和特征提取
3.3.1。NSCT-Based多通道特征提取
这一节描述了一个基于NSCT退化特征提取方法,这是本研究的核心。利用NSCT,转换后的图像的CC / DV值分解为多个局部通道的取向部分波段。的部分波段可以表示如下: 在哪里我分解尺度,j是分解方向,代表低频系数,代表的高频系数j方向子带的我规模。在这项研究中, 和 。即分解尺度和各尺度分解方向2和4。
低频子带的系数反映了图像的轮廓信息,而高频子带的系数反映的详细信息。因此,三个时域指标提取特征值;这是平均值(μ)和方差值()的低频子带系数以及能源价值()的高频子带系数。给出了方程计算这三个指标如下: 在哪里 每个元素代表的系数 代表了系数矩阵的大小。因此,一个八维特征向量的每个图像转换从一个充电/放电循环可以获得
3.3.2。LE-Based内在歧管建立
建立一种内在的歧管使用上述方法。电池性能退化规律揭示了数据躺在这内在歧管嵌入在高维空间,空间。的空间是由八维特征向量提取的NSCT CC / DV的图像转换数据。映射 从来给出了一个二维特征矩阵空间,锂离子电池容量下降可以描述。映射 建立了一套类似的原始实验数据完整的一生(ASL)的四个典型的数据集。给定任意点 ,相应的数据点代表锂离子电池容量可以通过映射 。
3.4。能力评估基于测地距离
在这项研究中,沿着固有的测地距离流形之间的初始点和最近的点在降解过程中执行计算电池容量的估算。表示随着初始容量,这通常不是额定容量作为最后的充电/放电循环的能力美国手语的实验数据。我们表示初始点和点之间的测地距离的内在歧管作为 ,和之间的测地距离的初始点和最后一个点的内在歧管美国手语 。每个点的能力空间可以被估计为
4所示。结果与讨论
我们使用电池# 5演示了该方法的有效性。图4在充电过程中显示了原始CC数据曲线(图4(一))和DV在卸货过程中数据曲线(图4 (c))。
相应的加工曲线来源于电池# 5的稳定阶段数据所示4 (b)和4 (d)。使用转换方案图中描述3,每个周期的规范化数据的充电/放电过程转变成一个图像。图5显示转换后的图像的例子从一个充电和放电的循环过程。
(一)
(b)
(c)
(d)
图像变换后,NSCT方法从转换后的图像中提取特征,从而形成了一个由八维特征向量计算低频子带系数的均值和方差和高频子带系数的能量。通过映射 从来建立了勒,我们构建的内在歧管2 d空间 。这个描述电池容量的退化规律。图6显示电池的固有歧管# 5中嵌入的八维空间由功能从DV中提取数据。
在这项研究中,能力估计使用CC或DV数据基于内在歧管上的测地距离,计算(14)。所有演示数据的估计结果(电池# 5、# 7 # 29日和# 54)在不同操作条件下密切跟踪测量能力,如图7。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
估计在这个研究结果之间的比较和研究[16,17表中给出2的绝对误差(AE),相对误差(RE)和运行时间(ETs)。AE和重新计算如下:
相比之下,(16),表2表明,该方法基于视觉认知近似估计精度与基于数据库的相似性识别方法。使用CC数据容量估算、AEs和REs电池# 7 # 29基于该方法比那些报道(16),而AEs和REs电池# 5和# 54更大比(16]。使用DV数据容量估算、AEs和REs电池29 #和# 54基于该方法更小比(16),而AEs和REs电池# 5和# 7大比(16]。尽管该方法的平均AEs和REs稍大比(16),然而,该方法的平均资产只有11.1975基于CC数据和11.095年代基于DV数据,超过20倍小于(16),这使得提出的视觉认知方法更实用的实时能力评估。
相比之下,(17),它可以从表2提出的基于视觉认知能力评估方法通常比geometric-based方法表现出更好的性能(17]。AEs和REs电池# 5和# # 29日,54岁的小于那些报道(17),AE和稍高的电池# 7。值得注意的是,电池的过度AE的一部分,再保险# 7相对较小,因为电池# 7的估计精度17已经非常高。使用基于CC数据的视觉认知,AEs的最大和平均减少了1.3%和0.8925%,分别;REs的减少0.46%和0.585%,分别。同样,使用基于DV数据的视觉认知,AEs的最大和平均减少了1.63%和0.815%,与REs是减少了1.41%和0.6725%。
估计结果呈现在图7和表2证明提出的视觉cognition-based能力估计方法是非常有效的CC或DV数据在很短的时间。这是,一个人可以选择CC或DV曲线来估算电池容量实时高精度。
5。结论
本研究提出了一种新颖的锂离子电池的容量估算方法基于视觉认知。该方法将收集到的CC或从每个充电/放电循环DV数据到一个图像。然后采用NSCT从转换后的图像提取特征。之后,把灵感来自HVS多方面的传感特性,我们利用LE方法建立内在流形嵌入在高维NSCT系数,从中可以发现电池性能的退化规律。内在的测地距离歧管采用估计电池容量。
提出视觉cognition-based容量估算方法可以使用CC或DV数据。验证实验使用收集的数据来自美国宇航局电池数据集。结果表明,该方法可用于执行能力估计使用CC或DV数据与不同的操作和老化条件下精度高。此外,该方法避免了需要学习复杂的电化学机理,建立模型,进行长时间的测试,这使得它有前途的电池容量评估的实用方法。然而,进一步的研究应确定以下几点:(1)最优数量的CC / DV影像数据转换;(2)选择NSCT分解规模和分解方向的方法;(3)多方面的内在维度由勒。
术语表
| AE: | 绝对误差 |
| 美国手语: | 一组类似的完整的一生 |
| : | 环境温度 |
| 答: | 充电电流 |
| CT: | Contourlet变换 |
| 简历: | 恒压 |
| DC: | 放电电流 |
| 分布反馈: | 方向滤波器组 |
| DV: | 放电电压 |
| 爆炸品处理: | 放电结束 |
| EOLC: | 临终的标准 |
| HVS: | 人类视觉系统 |
| 集成电路: | 初始容量 |
| 勒: | 拉普拉斯算子eigenmap |
| LP: | 拉普拉斯算子的金字塔 |
| 世纪挑战集团: | 多通道特性 |
| 硕士: | 廖传感特性 |
| NSCT: | Non-subsampled contourlet变换 |
| NSDFB: | Non-subsampled方向滤波器组 |
| NSFB: | Non-subsampled滤波器组 |
| NSPFB: | Non-subsampled金字塔滤波器组 |
| 再保险: | 相对误差。 |
的利益冲突
作者宣称没有利益冲突有关这篇文章的出版。
确认
本研究支持的中央大学基础研究基金(批准号YWF-16-BJ-J-18)和中国国家自然科学基金(批准号51575021和51575021),以及《中国博士后科学基金(批准号2017 m610033和2017 t100026)。