混合预测锂离子电池的剩余使用寿命预测的方法

文摘

锂离子电池是一个核心组件的系统,如卫星、航天器,和电动汽车及其失败会导致功能,减少停机时间,甚至灾难性的故障。剩余使用寿命(原则)预测锂离子电池在未来的失败事件非常积极的维护/安全行为的关键。本研究提出了一种混合预测方法,可以预测退化的荷重软化锂离子电池同时使用物理定律和数据驱动建模。在这种混合预测方法,获得的相关向量与选择性内核ensemble-based相关向量机(RVM)学习算法是安装在物理退化模型,然后推断故障阈值估计的荷重软化感兴趣的锂离子电池。实验结果表明,该混合预测方法可以准确地预测锂离子电池退化的原则。实证的比较表明,该混合预测方法使用选择性内核ensemble-based RVM算法执行比混合预测方法利用流行的学习算法的前馈人工神经网络(ann)像传统的反向传播(BP)算法和支持向量机(svm)。此外,调查也进行识别的影响区学习算法提出了混合预测方法。

1。介绍

锂离子电池是许多系统重要的能源解决方案(例如,卫星、宇宙飞船和电动车)由于其能量密度高、高电潜力,轻的重量,和长寿命相比铅酸,镍镉,镍金属氢化物电池1]。他们的失败会导致性能下降,故障停机时间,甚至是灾难性的。例如,2006年11月,国家航空和宇宙航行局的火星环球探测器停止工作后电池的散热器是定位向太阳引起电池的温度的增加,导致失去电荷容量(2]。电池健康管理将大大提高这些系统的可靠性。因此,这就提出了一个具有挑战性的问题,剩余使用寿命预测与锂离子电池(原则)。

在过去的几年中,许多研究工作一直致力于发展锂离子电池退化原则建模和预测方法。一般来说,这些方法可以分为基于模型的分类和/或数据驱动的方法。基于模型的方法试图构成原则预测锂离子电池的物理模型。最近,各种贝叶斯过滤模型,如卡尔曼滤波器(3),扩展卡尔曼滤波器(4- - - - - -6),粒子滤波(7- - - - - -9),而无味粒子滤波(10)被广泛用于构造恶化的锂离子电池的详尽的模型。然而,由于不确定性模型的假设和简化可能把严重限制强加给他们在实际应用的适用性。为了克服上述问题,可能发生与基于模型的方法,深入研究了利用各种数据驱动的方法,例如,自回归移动平均(ARMA)模型(11),人工神经网络(ann) [12),而支持向量机(svm) [13),锂离子电池退化和模型预测锂离子电池的原则。数据驱动技术利用监控操作数据与锂离子电池健康有关。与基于模型的方法相比,数据驱动的方法可能更适合当系统操作的基本原则的理解不全面或当系统是如此的复杂,开发一个精确的模型是非常昂贵但足够的数据可用于构建一个映射性能下降的空间。此外,最近快速发展实现自动数据收集和处理的实时现场数据,这极大促进健康状况的持续的监控操作锂离子电池和精益管理相关的大量的参考数据。最自然的荷重软化预测数据驱动的方法是适合锂离子电池的可用数据曲线退化演变使用回归模型,然后推断曲线显示失败的标准。然而在实践中,可用的锂离子电池退化的历史可能是短的和不完整的,甚至差别很大,因为不同的操作条件下,这一个共同的推断可能会导致巨大的错误和不可靠的结果。同样的问题出现时采用ARMA模型,虽然该方法可以处理更多的情况run-to-failure数据不可用或不足。关于人工神经网络,他们有优越的学习的优点,噪声抑制和并行计算能力。然而,尽管他们的优势,网络也有一些缺点:()设计和培训往往会导致一个复杂和耗时的任务,在建筑和许多训练参数必须调整;()最小化训练错误会导致贫穷的泛化性能;和()可以退化性能在处理低大中型数据集。对支持向量机,他们是强大的在解决小样本问题,非线性和局部最小值。然而,尽管他们的优势,支持向量机也有一些缺点:()通过假设一个显式的损失函数(通常,ε不敏感损失函数),假设一个固定的残差的分布;()软边缘参数必须调优通常通过交叉验证方法,这导致耗时的任务;()中所使用的核函数支持向量机必须满足Mercer定理是有效的;和()稀疏并不总是实现和大量的支持向量从而获得。

最近,一些研究人员试图结合基于模型和数据驱动的方法原则预测锂离子电池为了利用强度数据驱动的方法和基于模型的方法,取得了可喜的成果14]。大多数基于模型和数据驱动方法在文献都集中在利用关联向量机(rvm)的人工神经网络和支持向量机的预测方法。区,一般贝叶斯概率支持向量机的框架,可以有效地缓解这些缺点的支持向量机(15]。萨哈等人采用RVM寻找最具代表性的相关向量满足锂离子电池的容量退化数据(16]。Maio等人结合区和一个指数函数预测轴承的原则(17]。f.t.和Maio采用RVM寻找最具代表性的相关向量适合裂纹增长模型预测原则(18]。王等人采用RVM寻找最具代表性的相关向量以适应参数能力退化模型预测锂离子电池的原则(19]。回顾相关的文献也表明,类似的想法已经调查领域的原则将支持向量机应用于预测。Benkedjouh et al。20.)采用支持向量机来寻找最具代表性的支持向量以适应电力荷重软化模型预测的刀具。也基于一个类似的想法,Benkedjouh等人采用一种支持向量机寻找最具代表性的支持向量,以适应一个指数回归轴承性能退化评估和荷重软化估计(21]。提取相关的向量的能力是非常有用的制作好的预测,随着相关向量可以用来找到代表培训向量包含有关向量的周期和周期的预测值的相关向量。回顾相关文献[16- - - - - -21)还表明,混合预测方法是基于RVM学习算法,其原则预测性能对内核的选择非常敏感和内核参数设置。内核(或内核参数设置),适用于一种情况可能不是合适的选择。然而,没有系统的方法建立了确定最优内核类型和RVM的内核参数学习算法。大多数以前的工作领域的应用RVM原则预测确定单一内核,内核参数试验和错误,不处理内核自动选择和内核参数优化。

根据上面给出的文献综述,本研究的目的是开发一种混合预测方法的物理定律和数据驱动建模相结合的选择性内核ensemble-based RVM(数据驱动方法)和指数回归原则(基于模型的方法)的在线预测锂离子电池。内核的选择(和内核参数)RVM的进化决定通过共同进化的群体智慧,而不需要任何人工干预。一笔两个指数函数的模型安装在这些相关向量预测锂离子电池退化的原则。实验结果表明,该混合预测方法可以准确地预测锂离子电池退化的原则。实证的比较表明,该混合预测方法使用选择性内核ensemble-based RVM算法执行比混合预测方法使用流行的学习算法的前馈人工神经网络(ann)像传统的反向传播(BP)算法和支持向量机(svm)。提出的混合预测方法使用选择性内核ensemble-based RVM算法优于使用单一混合预测方法基于RVM学习算法和合奏所在的区学习算法。

本研究的其余部分组织如下。部分2给出了一个审查RVM基本框架。部分3提出了一种选择性内核ensemble-based RVM学习算法。部分4描述了一个原则预测锂离子电池的混合预测方法。部分5进行调查,以确定RVM的影响学习的混合预测方法。部分6提供了一个实证的比较与其他现有方法提出的混合预测方法。部分7提出了结论和对未来的研究提出了方向。

2。相关向量机的审查

区是一种贝叶斯代表相同的函数形式的广义线性模型的支持向量机。与支持向量机,数位视讯可以提供概率解释的输出(15]。监督学习,RVM始于input-target双的数据集。目标是学习的模型依赖的目标输入作出准确的预测以前看不见的价值。通常,预测是基于一个函数定义输入空间,和学习是一个过程,推断这个函数(可能的参数)。在支持向量机的上下文中,这个函数采用以下形式: 在哪里是模型的“重量”,是偏见,是一个内核函数。

通过只考虑标量值的输出我们遵循标准的概率公式和添加附加噪声和输出样本更好的过度拟合数据,描述如下: 在哪里是独立的一些样本噪声过程进一步假定为零均值高斯噪声方差吗。

完整的数据集可以写成的可能性 在哪里,,是“设计”矩阵,其中。

最大可能性的预测和在(3)通常会导致过度拟合。因此,偏爱平滑函数编码之前,选择一个零均值高斯分布: 在哪里是一个向量的hyperparameters。

使用贝叶斯法则,可以计算后对所有未知数;也就是说,

然而,我们不能计算后的解决方案在(5直接)。但我们可以分解后,在那里 后的协方差和均值表示如下: 与和。因此,RVM方法成为寻找最好的hyperparameters后模式。然后根据预测新数据集成的权重获取边际似然hyperparameters: 的hyperparameters和最大化(8)是通过使用一个替代reprediction方法(15),因为值和不能直接计算封闭形式。假设的值和可以最大化(8得到了)。然后我们可以计算一个新的输入的预测分布通过使用(6): 因为高斯积分中,人们很容易计算出概率如下: 均值和方差的预测价值,分别 预测的方差值(即。,(12)与噪声方差之和相关权重的训练数据和预测的不确定性。

3所示。选择性内核Ensemble-Based相关向量机

就像前面提到的1内核类型和内核参数有显著影响区学习的泛化能力。一般来说,常用的基本内核RVM学习包括内核(即高斯。,(13)),内核(即指数。,(14)),内核(即拉普拉斯算子。,(15)),内核(即多项式。,(16)),乙状结肠内核(即。,(17)),柯西内核(即。,(18)),Multiquadric内核(即。,(19)): 在哪里,,,,,,,是需要精细的内核参数。是不可能完全确定哪一个是最好的内核问题,因为一个内核的选择取决于手头上的问题。例如,高斯核是一个当地的内核和多项式内核是一个全球性的内核(22]。在本地内核的情况,只有数据接近或在彼此的距离会影响内核值(22]。在全球内核的情况下,样本相互远离仍然会影响内核值(22]。对高斯内核,内核和多项式的混合这两种基本内核已经证明实质上提高支持向量机的泛化性能(23,24]。然而,对于许多现有基本内核上面所提到的,这个组合的基本内核,也可以对不同的问题。在一个极端的例子,所有个人的基本内核是完全相同的,组合的大小可以减少不牺牲RVM的泛化性能。此外,在某些场景中,消除一些不可接受的基本内核,同时选择一些可接受的构造一个内核合奏可能比结合所有这些基本的内核。在这项研究中,每个内核应用RVM学习算法是一种选择性内核的这些基本内核。应该注意的是,尽管multikernel想法已成功地应用于几个机器学习模型(25- - - - - -28]假定基本内核和估计的加权线性和内核重量训练期间,据作者的知识,这是第一次,RVM的multikernel版本内核自适应选择,适应内核组合,内核参数和自适应优化算法。选择性内核合奏可以表示如下: 在哪里是基本内核的数量正在考虑和= 7在这项研究中,表示th基本内核,代表重量分配,代表了选择标签分配。

3.1。选择候选人的基本内核

结合所有候选人的基本内核,而是有选择性的内核合奏试图选择一个最优个体的子集构成选择性凸组合的基本内核。然而,选择一个最佳子集从候选人基本内核不是一项容易的任务,因为可能的子集的空间是非常大的对于基本内核的人口规模。很难(如果不是不使用穷举搜索来找到一个最佳的子集,特别是当是一个很大的数字。在这项研究中,离散粒子群优化(DPSO) [29日]算法获得最优从候选人基本内核子集。每个维度的DPSO粒子是由二进制编码,每个元素的“1”(即,)表示一个单独的基本内核出现在选择性内核合奏而“0”(即,)表示,。最优个体的基本内核子集可以根据最好的进化选择标签向量能达到最大的健身价值。因此,这样的DPSO位表示摆脱乏味的基本内核的试错法搜索最优的子集。

3.2。内核参数的确定和额外的重量

虽然利用选择性内核合奏的影响可以减轻内核类型RVM的泛化能力,它包括7额外重量系数。此外,更多的组件基本内核意味着更多的内核参数。不容易确定所有这些设计参数的最优值,包括内核参数(,,,,,,,)和凸组合系数可以允许RVM达到最大的性能。在这种情况下,人工试错法绝对是乏味的和不可接受的。此外,人工试错法并不一定保证一个好的决定,因为这些参数通常相互作用非线性。在这项研究中,这些7额外重量系数与内核参数(,,,,,,,)构成一般的真正价值参数向量将代表的人口连续粒子群优化(复)30.]。因此,这样一个复实际价值表示摆脱繁琐的试错法搜索最优内核参数和额外的重量。

3.3。共同进化的DPSO和复形

部分所3.1和3.2,一群人口与人口规模DPSO s_DPSO复形,另一群人口与人口规模s_CPSO参与装备RVM自适应内核选择、自适应内核的组合,和自适应内核参数优化。从纯粹的DPSO的角度来看,这足以RVM最好的内核的设计选择,但是没有考虑到内核参数和重量在内核组合;也就是说,只有好的内核选择获得DPSO未必意味着RVM性能好。同样,只有良好的内核参数和重量在内核结合未必唤起最大RVM的性能。因此,内核的进化选择DPSO和内核的进化和内核参数组合复应同时考虑。成群的共同进化的启发,本节提出了一个共同进化的算法方案。在提出共同进化算法方案,DPSO和复形相互作用通过健身评价。在每个迭代中,一定数量的DPSO运行(g_DPSO)代;然后运行复一定数量(g_CPSO)代;这个过程会一直重复,直到一个可接受的解决方案已经获得或迭代的最大数量(max_i_PSO)。 The global best in the population of DPSO is the final solution for the selection label vector, and the global best in the population of CPSO is the final solution for the general parameter vector with regard to kernel parameters and additional weight coefficients. The procedure of coevolution of DPSO and CPSO is outlined in the following pseudocode.

步骤1。随机初始化一群人口与人口规模s_DPSO DPSO。

步骤2。随机初始化另一群人口与人口规模s_CPSO复形。

步骤3。运行的DPSO g_DPSO代。

步骤4。评估个人最佳的复值如果不是第一个周期。

第5步。运行g_CPSO代的复形。

步骤6。评估个人DPSO最佳值。

步骤7。回到步骤3。重复这个过程,直到达到终止条件。

在上面的共同进化算法方案,当一个算法运行时,另一个算法作为其生态环境;每个算法,它的生态环境变化从迭代的迭代。因此,在前面的迭代中获得的个人最好必须重新评估,按照新的生态环境发挥共同进化作用。同样值得注意的是,在每一代的共同进化,真正的重量是规范化,以便选择个人基本内核使用加权平均相结合。因此,本研究使用一个非常简单的标准化方案如下:

4所示。混合原则预测预后的方法

锂离子电池,其最大容量开始恶化。如果最初的最大容量低于80%额定容量,电池被认为是无法提供可靠的电力供应,需要更换。在当前学术界/行业惯例,锂离子电池的可靠性通过预测提供可靠的电力供应是保障剩余的最大容量。在这项研究中,相结合的混合预测方法选择性内核ensemble-based RVM学习算法和指数回归原则提出了预测锂离子电池。图1显示了一个总体提出的混合预测方法的流程图。

4.1。能力退化数据收集

开发退化模型,四个锂离子电池在测试经历了完整的充电和放电过程。这四个锂离子电池在以下文本被称为A1, A2, A3、A4,分别。指出,这些电池石墨阳极和锂钴氧化物阴极的使用电子散射谱(EDS)验证。测试锂离子电池的额定容量是0.9啊。多个充放电测试进行的Arbin BT2000电池测试系统在环境温度(约25°C)。放电电流为0.45 A。截止电压为2.5 V。锂离子电池的故障阈值是0.72啊。放电容量记录每次完全充放电循环。在此,连续测量被指示为能力退化和相应的周期。因此,电池容量退化条件可以通过测量监控input-target对,在那里。检查电池容量退化状态是在预定义的检查周期,分别。在每一个预定义的检查周期,在发展中锂离子电池degradation-to-failure轨迹,最后input-target一双()是记录和附加到向量的input-target对(在前面的收集检查,这样的能力退化数据用于降解模型发展检验周期收集。

4.2。退化模型公式

在每一个检验周期,选择性内核ensemble-based RVM学习算法的执行可用input-target成对的数据,在那里,因此最具代表性input-target成对的数据区发现的回归,即相应的基函数的相关向量与剩余的非零重量、收集在一个稀疏数据集,和数位视讯提供的能力估计的信件。为了方便表达,被称为稀疏数据集。然后,对稀疏数据集拟合执行识别模型的未知参数。最后,安装失败模型外推到预定义的阈值是0.72啊在检验周期预测原则,。

开发能力退化模型中一个重要的问题是确定拟合模型,影响显著的预测性能提出了混合预测方法。适当的拟合模型取决于电池正在考虑。Goebel et al。31日)使用两个指数函数之和模型内部阻抗的增加随着时间的推移,由于固体电解质界面增厚。随着电池容量退化密切相关的内部阻抗增加,潜在的能力退化模型也可以指数模型。跟进Goebel et al。31日工作,他et al。2)实验表明,两个指数函数之和可以描述许多不同电池的能力退化的趋势: 在哪里电池的容量在循环;和与内部阻抗相关的参数;和和是与衰老相关的参数率。为了演示模型的适用性(22)在描述电池退化处理图2显示了曲线拟合结果(实线)(22)这四个电池的容量数据,这说明两个指数函数之和密切同意测量能力退化数据的值。因此,在这项研究中,两个指数函数的和适合使用锂离子电池的降解曲线的基础上稀疏数据集。

4.3。荷重软化预测

锂电池的原则可以推断得到的拟合模型失败一个预定义的阈值。检验周期的预测原则然后导出了预测吗状态估计,即和到未来,直到未来的循环预测未来的能力退化阈值达到预定义的失败。因此,在检查周期预测原则可以表示为检验周期之间的区别吗和未来的周期并且可以计算的

4.4。实验和结果

为了证明的性能提出了在线混合预测方法预测锂离子电池的荷重软化,四个锂离子电池A1, A2, A3、A4受聘在这个实验。这四个说明性的电池在相同的实验环境。对于这四个锂离子电池的详细信息,请参阅部分4.1。在这项研究中使用的电池容量数据中心提供的高级生命周期工程、马里兰大学(32]。

4.1.1。相关参数设置

本研究使用根均方误差(RMSE)作为衡量精度的指标来评估拟议的混合预测方法的性能。越近的RMSE值是0,更好的拟合模型的性能(即。,(22))。让表示安装的RMSE模型通过稀疏数据集被发现的选择性内核ensemble-based RVM的选择向量和一般的参数向量。因此,作为适应度函数的混合预测方法。

为了应用开发的共同进化的DPSO和复形装备RVM自适应内核选择,适应内核组合,和自适应内核参数优化,相对少量的简单试验参数设置后确定。一步选择的候选人的基本内核,DPSO参数设置如下:s_DPSO, 30;加速度系数和、1.0和0.5;初始的和最终的惯性权重,0.9和0.2;初始的和最终的惯性速度,4和−4;适应度函数,。一步的内核参数的确定和额外的重量系数,复形的参数设置如下:s_CPSO, 60;加速度系数和、1.0和0.5;初始的和最终的惯性权重,0.9和0.4;初始的和最终的惯性速度,4和−4;适应度函数,。共同进化的步骤DPSO和复形,共同进化算法的参数设置如下:g_DPSO: 10;g_CPSO: 15;i_max_DPSO: 50。

10/24/11。实验结果

显示提出的混合预测方法的鲁棒性,我们将为每个电池执行四个独立的实验。为此,四个不同的检验周期对应于60%,70%,80%,和90%利率数据分区已被用于在线预测锂离子电池的荷重软化。即检查周期是整个电池容量循环步骤单独降解数据分为两部分,第一个60%,70%,80%,90%用于区学习。这里我们假设RVM学习与电池容量下降不到60%数据是不够的。

第一种情况下指的是锂离子电池A1。提出的混合预测方法应用于锂离子电池A1能力退化数据绘制的数据点3- - - - - -6。节中提到的4.4。1,四个不同的检验周期对应于60%,70%,80%,和90%的利率数据分区已被用于在线预测锂离子电池的原则;即预测锂离子电池的荷重软化A1 125检验周期的计算,146年,167年和188年,分别。表1原则总结了预测原则和实际的检验周期125年,146年、167年和188年被选为电池A1。在第二种情况下,锂离子电池A2是调查。然后提出的混合预测方法进行锂离子电池A2能力退化数据,绘制的点数据7- - - - - -10。锂离子电池的荷重软化A2的预测计算在113年的检验周期,132年,151年和170年,分别。表2原则总结了预测原则和实际的检验周期113年,132年、151年和170年被选为电池A2。在第三个情况下,锂离子电池A3。电池A3能力退化数据,绘制点的数据11- - - - - -14分析了该混合预测方法。的预测锂离子电池的荷重软化A3计算在79年的检验周期,92年,106年和119年,分别。表3原则总结了预测原则和实际的检验周期79年,92年、106年和119年被选为电池A3。第四,研究锂离子电池A4。电池A4能力退化数据,绘制点的数据15- - - - - -18分析了该混合预测方法。的预测锂离子电池的荷重软化A4计算在29日的检验周期,34岁,38岁和43岁。表4原则总结了预测原则和实际的检验周期29岁,34岁,38岁和43岁选择电池A4。注意,相关向量圈突出显示的数据3- - - - - -18。还要注意,参数值是通过拟合能力退化值预测的选择性内核ensemble-based RVM的周期训练向量代表。见数据3- - - - - -18,提出的混合预测方法可以有效地识别锂离子电池容量退化轨迹,除了第三例检验数= 79和第四例检验数= 29。表中的结果1- - - - - -4还显示良好的原则协议的预测和实际的原则。从数据可以得出结论3- - - - - -18和表1- - - - - -4提出了混合预后的方法可能是一个有前途的锂离子电池荷重软化预测的工具。

5。RVM学习对混合的影响预后的方法

为了调查RVM学习的影响提出了混合预测方法,提出的混合预测方法的比较使用选择性内核ensemble-based RVM学习算法与混合预测方法使用单一基于RVM学习算法和合奏所在的区学习算法在本节中。这里应该注意的是,最好的基于RVM算法只意味着RVM采用表现最好的内核组件中所有可用的监督学习的基本内核,而整体都根据RVM算法意味着RVM采用所有可用的监督学习的基本内核。结果总结在表5预测的原则和实际原则。可以看到,该混合预测方法使用选择性内核ensemble-based RVM算法执行(在大多数情况下更好)比混合预测方法相比,使用最好的基于RVM学习算法。它也可以从表得出的结论5相比,提出的混合预测方法优于混合预测方法使用合奏所在的区学习算法,尽管选择性内核ensemble-based RVM算法只使用数量小得多的基本内核。锂离子电池A1,例如,选择性的大小内核ensemble-based RVM算法了解只有43%(3.0/7.0),43%(3.0/7.0),43%(3.0/7.0)和43%(3.0/7.0)的大小合奏所在的区125年学习算法四个检验周期,146年,167年和188年,分别。显著改善了不仅展示了更好的泛化性能选择性内核ensemble-based RVM算法也证明了可行性和必要性,去除冗余的基本内核合奏所在的区学习算法。因此,消除一些不可接受的基本内核的步骤,同时选择几个可接受的构造基本内核组合中扮演着至关重要的作用在提高RVM的泛化能力。

6。与现有的方法比较

在本节中,表演的混合预测方法使用选择性内核ensemble-based RVM学习算法和混合预测方法相比,使用前馈人工神经网络的流行算法传统BP算法和svm在四个锂离子电池A1, A2, A3、A4。尽管有许多变体的BP算法,快速BP算法称为Levenberg-Marquardt算法用于神经网络。是一个简单的s型函数使用的激活函数,而用于支持向量机核函数是高斯函数。

表6礼物结果测试集的混合预测方法使用选择性内核ensemble-based RVM学习算法,安,和支持向量机。我们展示原则预测结果。我们还包括相关的数量/支持向量的学习算法,这是有关预后模型结构复杂(稀疏)。见表6,提出的混合预测方法使用选择性内核ensemble-based RVM学习算法可以提供更准确的荷重软化退化预测锂离子电池比使用安和SVM混合预测方法。这主要是因为()选择性内核ensemble-based RVM安学习算法可以克服的一些缺点,如过度拟合和局部最小值;()选择性内核ensemble-based RVM算法使用选择性凸组合,从而区有较强的泛化能力;()内核参数的进化和内核权重通过复可以提高泛化性能的选择性内核ensemble-based RVM学习算法。此外,选择性内核ensemble-based RVM算法还提供的能力产生稀疏的多支持向量机的决策函数;即相关向量的个数比这小得多的支持向量,同时保持预测精度。这可能导致显著减少预后模型结构的复杂性,从而使它更适合于在线实时预测原则。此外,区不需要软边缘的调优参数(),在支持向量机的训练阶段。

7所示。结论

锂离子电池是许多系统的核心组件和系统的功能是至关重要的。电池故障可能会导致性能,减少操作障碍,甚至是灾难性的失败,特别是在航空航天系统。因此,荷重软化退化预测锂离子电池很有帮助防止长期故障或灾难性的失败。使用选择性内核ensemble-based相关向量机和指数回归,自动有效,但更易于使用,混合原则预测预后的方法提出了退化的锂离子电池。四个锂离子电池,即A1, A2, A3、A4,被认为是在这个研究。实验结果表明,提出的混合预测方法可以准确地预测锂离子电池退化的原则。实证的比较表明,该混合预测方法表现好于混合预测方法使用流行的算法的前馈人工神经网络传统的BP算法和支持向量机等。这项研究还表明,混合预测方法使用选择性内核ensemble-based RVM算法优于使用单一混合预测方法基于RVM学习算法和合奏所在的区学习算法。

三个研究方向是值得去追求的。首先,尽管这项研究认为锂离子电池中的应用,提出的混合预测方法可以修改和扩展到其他类型的电池(如li-polymer电池(33),铅酸电池(34])。第二、轴承、变速箱和油砂泵各种机械的核心组件,和维护轴承、变速箱、和石油砂泵是至关重要的。提出的混合预测方法还可以扩展到处理齿轮,轴承,和石油砂泵性能退化评估和荷重软化估计(35- - - - - -38]。第三,在这项研究中,只有7个基本内核。因此,包括其他类型的基本内核(如小波内核(39],柯西内核[40),和理性的二次内核(41])RVM学习是另一个进一步的研究方向,也是值得追求的。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项研究是由美国国家科学基金会资助的部分中国(51405239)、中国国防基础科学研究项目(A2620132010 A2520110003),基础研究基金为中央大学(1005 - yah15055),江苏省自然科学基金(BK20150745 BK20140727)、江苏省科技支撑计划(BE2014134)和江苏中国博士后科学基金会(1501024 c)。作者想表达真诚的感谢Pecht教授和高级生命周期工程中心,马里兰大学为他们的努力提供电池数据集和许可使用数据集。

引用

1. I.-S。金”,一个技术估计锂电池的健康状态通过dual-sliding-mode观察者,“IEEE电力电子,25卷,不。4、1013 - 1022年,2010页。视图:出版商的网站|谷歌学术搜索
2. w .他:Williard、m·奥斯特曼和m . Pecht”预测锂离子电池的基于贝叶斯Dempster-Shafer理论和蒙特卡罗方法,”能源杂志,卷196,不。23日,第10321 - 10314页,2011年。视图:出版商的网站|谷歌学术搜索
3. B.-H。搜索引擎优化,t·h·阮,华盛顿特区。李,K.-B。李,和人类。金”,状态监测锂聚合物电池基于sigma-point卡尔曼滤波器,”电力电子杂志,12卷,不。5,778 - 786年,2012页。视图:出版商的网站|谷歌学术搜索
4. b . s . Bhangu p .宾利,d . a .石头和c m·宾厄姆“非线性观察家预测混合动力汽车铅酸电池的电荷状态和健康状况,“IEEE车辆技术,54卷,不。3、783 - 794年,2005页。视图:出版商的网站|谷歌学术搜索
5. w .他:Williard、m·奥斯特曼和m . Pecht”预测锂离子电池的使用扩展卡尔曼滤波,”国际微电子和包装协会学报》(imap)先进技术军事应用的高可靠性研讨会微电子林西克姆高地,页,(医学博士,美国,2011年9月。视图:谷歌学术搜索
6. d·安德烈·a . Nuhic t . Soczka-Guth和d·萨奥尔,”比较研究结构化神经网络和扩展卡尔曼滤波的健康状况测定锂离子电池在混合动力电动车,”人工智能技术的工程应用,26卷,不。3、951 - 961年,2013页。视图:出版商的网站|谷歌学术搜索
7. b·萨哈和k Goebel”建模锂离子电池容量损耗在粒子滤波框架,”程序的预测和健康管理协会的年度会议(榜单' 09),页1 - 10,圣地亚哥,加利福尼亚州,美国,2009年10月。视图:谷歌学术搜索
8. m .中间人,j . Ma, d .他“锂离子电池寿命预测健康管理系统使用粒子滤波框架,“美国机械工程师学会学报》上,O部分:《风险和可靠性,卷225,不。1,第90 - 81页,2011。视图:出版商的网站|谷歌学术搜索
9. y . j .兴e·w·m·马K.-L。徐,m . Pecht”一个模型预测剩余的有用的锂离子电池的性能,”微电子的可靠性,53卷,不。6,811 - 820年,2013页。视图:出版商的网站|谷歌学术搜索
10. 问:苗族,l·谢·h·j·崔,w .梁和m . Pecht“剩余使用寿命的预测与无味粒子滤波技术,锂离子电池”微电子的可靠性,53卷,不。6,805 - 810年,2013页。视图:出版商的网站|谷歌学术搜索
11. b长,w .西安,l .江和z . Liu”一种改进的粒子群优化的自回归模型预测锂离子电池,”微电子的可靠性,53卷,不。6,821 - 831年,2013页。视图:出版商的网站|谷歌学术搜索
12. a . Nuhic t . Terzimehic t . Soczka-Guth m·布赫兹和k . Dietmayer”健康诊断和剩余使用寿命预测锂离子电池的使用数据驱动的方法,”能源杂志,卷239,不。1,第688 - 680页,2013。视图:出版商的网站|谷歌学术搜索
13. c .翁y崔,j .太阳和h .彭”车载锂离子电池使用的健康监测状态增量支持向量回归机与能力分析,“能源杂志卷。235年,36-44,2013页。视图:出版商的网站|谷歌学术搜索
14. c·c·陈和m . Pecht”预测锂离子电池的使用基于模型和数据驱动的方法,”《第三届IEEE预测和系统卫生管理会议的12),页1 - 6,北京,中国,2012年5月。视图:出版商的网站|谷歌学术搜索
15. m . e .引爆“稀疏贝叶斯学习和相关向量机”,机器学习研究杂志》上,1卷,不。3、211 - 244年,2001页。视图:出版商的网站|谷歌学术搜索|MathSciNet
16. b·萨哈k Goebel美国民意调查,j . Christophersen”预测电池健康监测方法使用贝叶斯框架,“IEEE仪表和测量,卷。58岁的没有。2、291 - 296年,2009页。视图:出版商的网站|谷歌学术搜索
17. f . d . Maio K.-L。徐,e . f.t.”结合关联向量机轴承剩余寿命估算和指数回归,”机械系统和信号处理31卷,第427 - 405页,2012年。视图:出版商的网站|谷歌学术搜索
18. 大肠f.t.和f . d . Maio疲劳裂纹增长估计相关向量机”,专家系统与应用程序,39卷,不。12日,第10692 - 10681页,2012年。视图:出版商的网站|谷歌学术搜索
19. 问:苗族d . Wang, m . Pecht”预测基于相关向量的锂离子电池和有条件的拟合能力退化模型,”能源杂志卷,239年,第264 - 253页,2013年。视图:出版商的网站|谷歌学术搜索
20. t . Benkedjouh k Medjaher:塞,s . Rechak“剩余使用寿命预测减少基于非线性特征和支持向量回归,”人工智能技术的工程应用,26卷,不。7,1751 - 1760年,2013页。视图:出版商的网站|谷歌学术搜索
21. t . Benkedjouh k Medjaher:塞,s . Rechak“健康评估和寿命预测基于支持向量回归的切割工具,”《智能制造,26卷,不。2、213 - 223年,2015页。视图:出版商的网站|谷歌学术搜索
22. a . j . Smola与内核(博士学习。论文),你柏林,1998年。
23. g . f .史密特和e . m .乔达安,“改进的SVM回归使用内核的混合物,”学报》国际神经网络联合会议(IJCNN ' 02),3卷,第2790 - 2785页,IEEE,檀香山,夏威夷,美国,2002年5月。视图:出版商的网站|谷歌学术搜索
24. a . t . Quang Q.-L。张、李x“进化支持向量机参数,”国际会议的程序在机器学习和控制论,第551 - 548页,北京,中国,2002年11月。视图:谷歌学术搜索
25. m . Girolami和s .罗杰斯“内核学习、分层的贝叶斯模型”学报》第二十二届国际会议上机器学习(ICML ' 05)2005年8月,页241 - 248。视图:出版商的网站|谷歌学术搜索
26. m . Gonen和大肠Alpaydın“多重核学习算法,”机器学习研究杂志》上》12卷,第2268 - 2211页,2011年。视图:谷歌学术搜索|MathSciNet
27. s·r·甘恩和j·s·纳”,结构造型与稀疏的内核,”机器学习,48卷,不。1 - 3、137 - 163年,2002页。视图:出版商的网站|谷歌学术搜索
28. 和j·m·胡y Chen T.-Y。郭:“建筑物稀疏多核支持向量机分类器”,IEEE神经网络,20卷,不。5,827 - 839年,2009页。视图:出版商的网站|谷歌学术搜索
29. j·肯尼迪和进行r·c·埃伯哈特,”一个离散的二进制版本的粒子群算法,”《IEEE国际会议上计算控制论和仿真IEEE出版社,页4104 - 4108年,奥兰多,佛罗里达州,美国,1997年10月。视图:出版商的网站|谷歌学术搜索
30. j·肯尼迪进行r·c·埃伯哈特,“粒子群优化”《IEEE国际会议上神经网络4卷,第1948 - 1942页,IEEE, 11 - 12月刊珀斯,澳大利亚,1995年。视图:出版商的网站|谷歌学术搜索
31. b . k . Goebel萨哈,a . Saxena j . r .态度和j.p. Christophersen”电池健康管理预测。”IEEE仪表和测量杂志,11卷,不。4,33-40,2008页。视图:出版商的网站|谷歌学术搜索
32. m . PechtCALCE电池数据医学博士,马里兰大学学院公园,美国,2014年。
33. b·萨哈e . Koshimoto c . c . Quach et al .,“电动无人机、电池寿命预测”张仁学报信息技术在航空会议和展览美国,圣路易斯,密苏里州,2011年3月。视图:谷歌学术搜索
34. e .快乐,m . Krysander和e·拉尔森“数据驱动的铅酸电池使用随机预测生存的森林,”程序的预测和健康管理协会的年度会议美国德克萨斯州,沃斯堡,2014年9月。视图:谷歌学术搜索
35. d . Wang和p . w .谢霆锋”,泥浆泵的预测基于移动平均磨损退化指数和一般的序贯蒙特卡罗方法,”机械系统和信号处理,56个卷,第229 - 213页,2014年。视图:出版商的网站|谷歌学术搜索
36. d . Wang苗,问:h .周和g·w·周”的智能预测系统设备性能退化评估和剩余使用寿命估计,“振动和声学》杂志上,卷137,不。2、文章ID 021004, 2015。视图:出版商的网站|谷歌学术搜索
37. 王d和c .沈,“一个等效循环能源指标轴承性能退化评估,”振动与控制杂志》上,2014年。视图:出版商的网站|谷歌学术搜索
38. p . w . d . Wang谢霆锋,w•郭和苗族,“支持向量数据描述融合多种健康提高齿轮箱故障诊断和预后的指标,“测量科学与技术,22卷,不。2、文章ID 025102, 2011。视图:出版商的网站|谷歌学术搜索
39. l . Zhang w·周,l .娇,“小波支持向量机,”IEEE系统,人,和控制论B部分:控制论,34卷,不。1,34-39,2004页。视图:出版商的网站|谷歌学术搜索
40. j . Basak”与箱约束最小平方内核的机器,”IEEE 19国际会议上进行模式识别(ICPR ' 08)IEEE,页1 - 4,佛罗里达州的坦帕,美国,2008年12月。视图:谷歌学术搜索
41. d . k . Duvenaud自动模式建设与高斯过程[博士。论文),2014年剑桥大学。

版权

版权©2016杨Wen-An et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。