CN113239021B - 一种用于相似产品剩余寿命预测的数据迁移方法 - Google Patents

一种用于相似产品剩余寿命预测的数据迁移方法 Download PDF

Info

Publication number
CN113239021B
CN113239021B CN202110647242.XA CN202110647242A CN113239021B CN 113239021 B CN113239021 B CN 113239021B CN 202110647242 A CN202110647242 A CN 202110647242A CN 113239021 B CN113239021 B CN 113239021B
Authority
CN
China
Prior art keywords
data
domain
time sequence
value
smooth
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110647242.XA
Other languages
English (en)
Other versions
CN113239021A (zh
Inventor
马剑
刘学
邹新宇
尚芃超
丁宇
吕琛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Publication of CN113239021A publication Critical patent/CN113239021A/zh
Application granted granted Critical
Publication of CN113239021B publication Critical patent/CN113239021B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/214—Database migration support
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明公开了一种用于相似产品剩余寿命预测的数据迁移方法，包括：利用目标相似产品数据对历史数据库中全寿命相似产品中相同长度数据进行样本筛选处理，得到性能衰退序列数据的可迁移样本；通过将目标相似产品数据与所得到的性能衰退序列数据的可迁移样本之间的余弦距离作为相似产品的可迁移程度，选择最小余弦距离的相似产品的迁移样本；利用目标相似产品数据De和相似产品的可迁移样本Dts训练SDA数据迁移模型；利用训练好的SDA数据迁移模型生成可迁移样本全寿命序列。

Description

一种用于相似产品剩余寿命预测的数据迁移方法
技术领域
本发明涉及一种相似产品剩余寿命预测方法，特别是涉及一种用于相似产品剩余寿命预测的数据迁移方法。
背景技术
已有研究工作证实了不同类型的预测方法对电池电压预测的有效性。然而，由于电池具有多种物理现象，而且由于生产质量的差异会造成产品个体差异(这样的产品通常称之为相似产品)，因此对其进行准确预测往往是比较困难的。即使在相同的运行状态下，相同类型的相似产品也会表现出不同的性能退化轨迹和寿命分布。这给预测模型的发展和精度的提高带来了挑战。如果对所有相似产品建立同一个模型，即使采用了自适应策略，也很难获得高泛化性能，也很难对所有个体给出准确的预测结果。同时，如果对每个相似产品建立模型，会非常耗时，而且由于被预测相似产品数据的缺乏和模型训练的不足，很容易得到不稳定的预测结果。
发明内容
本发明的目的是提供一种用于相似产品剩余寿命预测的数据迁移方法，以便解决被预测相似产品数据的缺乏和模型训练的不足，造成不稳定预测结果的技术问题。
本发明提供的一种用于相似产品剩余寿命预测的数据迁移方法包括：
利用目标相似产品数据对历史数据库中全寿命相似产品中相同长度数据进行样本筛选处理，得到性能衰退序列数据的可迁移样本；
通过将目标相似产品数据与所得到的性能衰退序列数据的可迁移样本之间的余弦距离作为相似产品的可迁移程度，选择最小余弦距离的相似产品的迁移样本；
利用目标相似产品数据De和相似产品的可迁移样本Dts训练SDA数据迁移模型；
利用训练好的SDASDA数据迁移模型生成可迁移样本全寿命序列。
在本发明实施例中，所述相似产品是关于电池的相似产品。
相对于现有技术，本发明的有益技术效果是，解决了被预测相似产品数据的缺乏和模型训练的不足，造成不稳定预测结果的技术问题，使对预测相似产品的预测结果稳定。
附图说明
图1是本发明的用于相似产品剩余寿命预测的数据迁移方法的示意图；
图2是本发明实施例1提供的一种面向性能衰退时间序列数据的可迁移样本筛选方法流程图；
图3是本发明实施例2提供的一种面向性能衰退时间序列数据的可迁移样本筛选装置；
图4是本发明应用实施例的试验台电池电压数据；
图5是本发明应用实施例的不同时间尺度优化和数据平滑的结果；
图6是本发明应用实施例的不同时间尺度下的数据平滑结果；
图7是本发明应用实施例的可迁移样本选择结果；
图8是本发明试验例的不同平滑尺度的数据迁移结果。
具体实施方式
图1显示了本发明的用于相似产品剩余寿命预测的数据迁移方法，其包括：
利用目标相似产品数据对历史数据库中全寿命相似产品中相同长度数据进行样本筛选处理，得到性能衰退序列数据的可迁移样本；
通过将目标相似产品数据与所得到的性能衰退序列数据的可迁移样本之间的余弦距离作为相似产品的可迁移程度，选择最小余弦距离的相似产品的迁移样本；
利用目标相似产品数据De和相似产品的可迁移样本Dts训练SDA数据迁移模型；
利用训练好的SDA数据迁移模型生成可迁移样本全寿命序列。
利用目标相似产品数据De和相似产品的可迁移样本Dts训练SDA数据迁移模型包括：
Dts和De分别作为训练输入和输出，得到训练后的模型为SDAmain。然后，整个可迁移样本被输入到SDAmain以获得完整的生成数据。它是对目标相似产品(例如目标电池)后续未知部分的一种估计，具有比可迁移样本更高的相似性和可迁移性。
本发明实施例的相似产品是关于电池的相似产品。
针对新时序数据的模型迁移和新模型再训练，包括：
1)获取目标电池的新时间序列Dnew，并更新其De。
随着目标电池的运行，更多数据被获取，现有曲线呈现出更清晰的退化趋势。为了获得准确的RUL预测，需要更新可迁移样本和数据迁移模型。因此，De被扩展并用Dnew更新。
2)基于更新后De的可迁移样本选择和更新。
更新De后，可以使用更多的数据来选择相似性更高的可迁移样本。这一过程还是利用余弦距离进行度量。
3)新SDA模型的初始化和训练。
通过传递SDAmain的所有参数(包括结构参数和权重参数)的值，对一个新的SDA模型SDAnew进行初始化操作。然后，Dts和De分别用作输入和输出，以重新训练SDAnew。
模型性能比较与选择性迁移：
1)模型的数据生成结果获取。
尽管SDAnew使用更长的训练数据进行训练，但它并不一定表现得更好，因为新到来的时间序列可能有噪声或异常。因此，有必要比较Gmain和Gnew的性能。这里将得到的主模型和新模型的拟合结果，分别表示为Gmain和Gnew。
2)基于RMSE比较的模型选择
利用RMSE对模型性能进行评价，并对拟合结果进行比较。采用RMSE较小的模型。然后，将SDAmain通过一个选择性迁移策略进行更新。如果主模型的RMSE较大，SDAmain将通过迁移SDAnew的模型权重参数重新初始化。否则，将保留SDAmain。之后，使用更新后的SDAmain作为主模型继续后续的数据迁移和模型迁移。
3)面向VLSt-LSTM训练的数据生成
可迁移样本的整条时间序列被输入到SDAmain中以获得生成的样本。它被用作基于VLS-LSTM的RUL预测模型的训练数据。
图2显示了本发明的利用目标相似产品数据对历史数据库中全寿命相似产品中相同长度数据进行样本筛选处理，得到性能衰退序列数据的可迁移样本的方法，包括：
步骤S101，通过采集目标电池当前的电压数据，作为目标电池的性能衰退时间序列数据；
步骤S102，将数据库中保存的同类型电池的N条全寿电压数据作为其他域差异化时间序列数据；
步骤S103，按M个不同平滑尺度分别对一条性能衰退时间序列数据进行平滑处理，得到M条性能衰退时间序列的平滑数据；
步骤S104，按M个不同时间尺度分别对N条其他域差异化时间序列数据进行平滑处理，得到N组且每组具有M条的其他域差异化时间序列平滑数据；
具体的，所述具平滑处理是对局部观测数据进行多项式加权拟合，并用最小二乘法进行估计，最终得到需要拟合的点。该方法的具体原理如下：
对每一个点qi，确定一个窗口范围n，n控制局部加权回归数据平滑的尺度，在窗口内所有的qk上，k＝1，2，…，n，使用带有权值ωk(qi)的加权最小二乘法对qi进行d阶多项式拟合，得到qi的拟合值pi，称为局部加权回归。
函数ωk(qi)决定了权值的分布，本发明采用如下(式1)权重函数：
Figure BDA0003110446490000041
该函数是一种类似高斯分布的指数衰减函数。即，距离回归值越远的点，所占权重越低。式中λ为波长参数，控制了权值随距离下降的速率。λ越大，权重随距离下降的越快。
本发明采用的局部加权回归作为一种非参数的回归方法，可随着自变量的改变，自适应的改变线性回归模型中的参数，即观测值不同，模型参数也会随着变化，最终在自变量空间的范围内给出局部加权回归过后的函数估计值。本发明采用的局部加权回归具有以下优点：①与需要预测的数据有关的因素只有预测数据到训练数据之间的距离，随着距离的接近，关系也随之增大；②有效的减少了回归结果受到来自距离预测数据较远的点的干扰，从而可以避免回归时的欠拟合问题。
步骤S105，利用所述一条性能衰退时间序列数据和所述M条性能衰退时间序列平滑数据，得到对M个性能衰退时间序列平滑数据进行选择的第一双指标综合评估值集，将第一双综合评估值集中的最小值对应的性能衰退时间序列的平滑数据选作目标域；
具体的，步骤S105中所述的利用所述一条性能衰退时间序列数据和所述M条性能衰退时间序列平滑数据，得到对M个性能衰退时间序列平滑数据进行选择的第一双指标综合评估值集包括：
利用所述一条性能衰退时间序列数据和所述M条性能衰退时间序列平滑数据获得每条性能衰退时间序列的平滑数据的均方根误差值和平滑度值；
应用系数变异法计算均方根误差值和平滑度值的权重值，并对均方根误差值和平滑度值进行归一化，根据得到的均方根误差值和平滑度值的权重值与归一化后的均方根误差值和平滑度值计算得到对M个性能衰退时间序列平滑数据进行选择的第一双指标综合评估值。
具体的，所述均方根误差值计算方法如式2所示：
Figure BDA0003110446490000051
式中RMSE(m)表示m分解尺度下的RMSE，f(i)为原始信号(即性能衰退时间序列数据)；
Figure BDA0003110446490000052
表示m尺度上的分解和重构信号(即M条性能衰退时间序列的平滑数据)；n表示信号长度(即平滑尺度的长度)。
具体的，所述均方根误差值的计算方法如式3所示：
Figure BDA0003110446490000061
式中r(m)表示m分解尺度下的平滑度，f(i)为原始信号(即性能衰退时间序列数据)；
Figure BDA0003110446490000062
表示m尺度上的分解和重构信号(即M条性能衰退时间序列的平滑数据)；n表示信号长度(即平滑尺度的长度)。
具体的，所述对均方根误差值和平滑度值进行归一化是采用最大最小值的线性归一化方法对均方根误差指标与平滑度指标进行归一化，使两项指标在融合时不受单个指标绝对数值大小的影响，计算公式如式4和式5所示：
PRMSE(m)＝[RMSE(m)-RMSEmin]/(RMSEmax-RMSEmin) (式4)
Pr(m)＝[r(m)-rmin]/(rmax-rmin) (式5)
式中RMSEmax和RMSEmin分别为RMSE的最大值和最小值，PRMSE(m)为标准化的RMSE；rmax和rmin分别为平滑度的最大值和最小值，Pr(m)为归一化平滑度。
具体的，所述应用系数变异法计算均方根误差值和平滑度值的权重值是通过计算RMSE和平滑度的标准差与均值的比值，得到了变异系数。然后，根据每个系数的比值，得到两个权值，如式6-9所示：
Figure BDA0003110446490000063
Figure BDA0003110446490000064
Figure BDA0003110446490000065
Figure BDA0003110446490000066
式中PRMSE和Pr表示均方根误差和平滑度的归一化值；
Figure BDA0003110446490000067
和
Figure BDA0003110446490000068
表示均方根误差和平滑度的变异系数；
Figure BDA0003110446490000069
和
Figure BDA00031104464900000610
表示均方根误差和平滑度的标准差；
Figure BDA0003110446490000071
和
Figure BDA0003110446490000072
表示均方根误差和平滑度的均值；
Figure BDA0003110446490000073
和
Figure BDA0003110446490000074
表示均方根误差和平滑度变异系数的权值。
具体的，所述根据得到的均方根误差值和平滑度值的权重值与归一化后的均方根误差值和平滑度值计算得到对M个性能衰退时间序列平滑数据进行选择的第一双指标综合评估值是根据式10进行计算：
Figure BDA0003110446490000075
式中T为综合评价指标值。
步骤S106，利用所述N条其他域差异化时间序列数据和N组且每组具有M条的其他域差异化时间序列平滑数据，得到分别对每组中的M条其他域差异化时间序列平滑数据的进行选择的第二双指标综合评估值集，将选择得到的每组中第二双指标综合评估值集中的最小值所对应的其他域差异化时间序列平滑数据，形成具有N条其他域差异化时间序列平滑数据的源域；
具体的，步骤S106中的所述利用所述N条其他域差异化时间序列数据和N组且每组具有M条的其他域差异化时间序列平滑数据，得到分别对每组中的M条其他域差异化时间序列平滑数据的进行选择的第二双指标综合评估值集包括：
利用所述N条其他域差异化时间序列数据和N组且每组具有M条的其他域差异化时间序列平滑数据获得每条其他域差异化时间序列平滑数据的均方根误差值和平滑度值；
应用系数变异法计算均方根误差值和平滑度值的权重值，并对均方根误差值和平滑度值进行归一化，根据得到的均方根误差值和平滑度值的权重值与归一后的均方根误差值和平滑度值计算得到分别对每组中的M条其他域差异化时间序列平滑数据的进行选择的第二双指标综合评估值集。
具体的，所述步骤S106使用的计算公式与步骤S107相同。
步骤S107，通过将源域中的N条其他域差异化时间序列的平滑数据分别与目标域中的一条性能衰退时间序列的平滑数据进行匹配处理，将源域中匹配度最高的一条其他域差异化时间序列的平滑数据作为性能衰退序列数据的可迁移样本；
具体的，步骤S107中所述通过将源域中的N条其他域差异化时间序列的平滑数据分别与目标域中的一条性能衰退时间序列的平滑数据进行匹配处理包括：
在源域中截取与目标域具有相同时间序列的N条截断数据；
计算每条截断数据与目标域数据的余弦距离，获得每条截断数据的余弦距离值。
具体的，步骤S107中所述将源域中匹配度最高的一条其他域差异化时间序列的平滑数据作为性能衰退序列数据的可迁移样本是选择余弦距离值最低的截断数据所对应的一条其他域差异化时间序列的平滑数据作为性能衰退序列数据的可迁移样本。
具体的，所述余弦距离是计算两个向量夹角的余弦值来衡量它们之间的相似性。如(式11)所示，通过欧几里得点积的公式可以求出向量
Figure BDA0003110446490000081
和向量
Figure BDA0003110446490000082
之间的夹角θ的余弦值：
Figure BDA0003110446490000083
(式11)为点积的几何定义，其代数定义如下:
式中
Figure BDA0003110446490000084
和
Figure BDA0003110446490000085
为n维向量。因此，对于向量
Figure BDA0003110446490000086
和
Figure BDA0003110446490000087
在n维向量空间中它们之间的余弦相似度为
Figure BDA0003110446490000088
式中α为向量
Figure BDA0003110446490000089
与
Figure BDA00031104464900000810
的夹角。
余弦相似度在-1和1之间。它越接近1，两个向量就越接近。越接近-1，两个向量的对边就越大。当它接近0时，这两个向量是正交的。
其中，所述M和N是大于2的正整数。
图3显示了本发明的一种面向性能衰退时间序列数据的可迁移样本筛选系统，其包括数据采集单元1，用于采集目标电池当前电压数据作为性能衰退时间序列数据，采集数据库中保存的同类型电池的全寿电压数据作为其他域差异化时间序列数据；数据处理单元2，按不同平滑尺度分别对性能衰退时间序列数据进行平滑处理，得到多条性能衰退时间序列的平滑数据，按不同平滑尺度分别对多个其他域差异化数据进行平滑处理，得到多组其他域差异化时间序列平滑数据；样本自动输出单元3，用于自动根据数据处理单元中输入的多条性能衰退时间序列的平滑数据和多组其他域差异化时间序列平滑数据进行筛选，输出性能衰退序列数据的可迁移样本；
进一步地，样本自动筛选模块3包括：数据评选模块31，用于利用所述一条性能衰退时间序列数据和所述M条性能衰退时间序列平滑数据，得到对M个性能衰退时间序列平滑数据进行选择的第一双指标综合评估值集，将第一双综合评估值集中的最小值对应的性能衰退时间序列的平滑数据选作目标域；利用所述N条其他域差异化时间序列数据和N组且每组具有M条的其他域差异化时间序列平滑数据，得到分别对每组中的M条其他域差异化时间序列平滑数据的进行选择的第二双指标综合评估值集，将选择得到的每组中第二双指标综合评估值集中的最小值所对应的其他域差异化时间序列平滑数据，形成具有N条其他域差异化时间序列平滑数据的源域；数据匹配模块32，通过将源域中的N条其他域差异化时间序列的平滑数据分别与目标域中的一条性能衰退时间序列的平滑数据进行匹配处理；33样本输出模块，用于将源域中匹配度最高的一条其他域差异化时间序列的平滑数据输出为性能衰退序列数据的可迁移样本。
应用实施例
应用实施例1提供的方法或/和实施例2提供的装置进行迁移样本筛选，并对筛选出的迁移样本进行迁移效果验证，具体过程如下：
本案例中使用的电池的全寿电压数据是试验台采集的电池测试数据。测试是在恒载情况下以0.6A/cm2的电流密度运行电池来实现的。经过测试的电池是一个具有5个子电池的电池堆，其有效面积为100A/cm2，该电池在自然老化过程中没有出现任何故障。用于实验测试的参数如表1所示。
表1电池退化试验参数
Figure BDA0003110446490000091
Figure BDA0003110446490000101
1、数据的采集
从试验台上获得的5个电池(命名为U1到U5)的电压如图6所示。由于位置的变化，同一堆栈上的5个单元以相似但不同的方式退化。堆栈边缘的单元比中间的单元退化得快。因此，五种退化的细胞电压可以通过五次交叉验证技术来验证预测迁移样本的准确性。从test1到test5总共有5个测试。例如，在Test1中，U1作为目标电池的性能衰退时间序列数据，并命名为第一个目标FC。U2到U5的其他域差异化时间序列数据。根据实际使用情况，将电池的使用寿命标准设定为0.64伏特。电池寿命为由电压连续低于标准设定8小时的时间。为了评估迁移样本的准确性，从第100小时到第1050小时，每隔50小时对不同的测试数据进行一次数据采集。
2、平滑处理
在电压数据中，观察到的峰值是由于电池的周期表征，该表征用于获得极化曲线的静态响应和电化学阻抗谱的动态响应。每个周期的特性有助于在数据生成期间进行对齐。因此，为了保留峰值并去除无用的噪声，采用了一种时标自优化LWR方法对原始电压数据进行滤波，以明确周期性退化趋势。如图4-(a)所示，随着平滑尺度的增大，综合指数逐渐减小，然后增大，最小值在40-60左右。在综合指数曲线分析的基础上，选择51作为基于LWR方法的数据平滑最优尺度。在图4-(b)中绘制了51刻度处的平滑信号，并对其进行了归一化。
将最优尺度下的数据平滑结果与第21和第131尺度下的数据平滑结果进行比较如图5所示，如果平滑尺度过小(图5-(a))，则无法有效滤除原始数据中对RUL预测毫无用处的噪声。如果平滑尺度过大(图5-(b))，原始数据中隐藏的周期性和全局退化趋势信息可能会丢失太多。噪声冗余和大规模趋势信息丢失都可能导致预测精度下降。最优平滑尺度把握了上述两种情况之间的平衡，在过滤原始数据波动干扰的基础上，最大程度地保留了数据退化信息。
3、平滑尺度自动选择
随着目标电池现有数据长度的逐渐增大，可迁移性测量和可迁移样本的结果也发生了变化。图7显示了从0到1000小时每50小时每个目标FC的可迁移样本选择结果。当数据长度较小时，由于初始阶段的退化趋势不明显，结果不稳定。然而，随着获得的数据越来越多，选择结果逐渐趋于恒定。
试验例
利用上述平滑尺度自动选择结果对电池的寿命进行预测，预测方法通过构建HTL-SDA模型进行，具体步骤如下：
本发明提供的SDA模型参数如表2所示，输入为可迁移样本的归一化电压数据。模型由两个自动编码器堆叠，以学习输入电压的衰退特性。全连通层(隐藏层3)输入所提取的特征以学习目标电池的归一化电压。选择LeakyReLu作为激活函数，加速学习过程，避免神经元失效。批处理大小设置为16，以便将输入数据分成组，最大遍历循环数为50。为了提高模型的鲁棒性，将降噪率设置为0.15。
表2 SDA关键参数
Figure BDA0003110446490000111
1、不同平滑尺度的数迁移结果
为了分析平滑尺度对数据生成结果的影响，选取两个时间尺度21和131与最优尺度51进行比较。三种平滑尺度下HTL-SDA模型生成的曲线(测试数据长度为800h)如图8所示。利用三种尺度下平滑的目标函数已知部分(图中绿色曲线)选择其可转移样本(灰色曲线)，然后将它们输入到HTL-SDA中得到生成的曲线(黑色曲线)。从图中可以看出，尺度51下生成的曲线与目标FC未知部分(红色曲线)的相似度高于所选样本。当平滑尺度较小(如21)时，未滤波的噪声会给HTL-SDA模型的学习过程带来更多的干扰，从而未能准确提取出目标FC的主趋势。当平滑尺度大于131时，也会剔除较大的周期曲线波动和长期趋势信息，造成过多的有用信息损失，数据生成效果下降，进而影响预测精度。
2、不同数据长度的数据迁移结果
随着目标电池的运行，已知数据长度会发生变化，数据生成结果也会发生变化。以最优平滑比例尺51和U4为例，由HTL-SDA模型在不同数据长度下生成的曲线如图8所示。与可转移样本相比，生成的曲线与目标函数曲线的现有部分具有更高的相似性。验证了HTL-SDA模型曲线拟合和数据生成的有效性。但是在现有数据长度不同的情况下，生成曲线与目标电池未知部分曲线的相似性也不相同。当长度较小时，由于操作开始时的不稳定趋势，使得曲线相似度较低。随着目标电池已知数据的增长，相似度增加，但仍不稳定，原因是所有电池在接近运行结束时都会出现差异增大的现象。
尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

Claims (6)

1.一种用于相似产品剩余寿命预测的数据迁移方法，其特征在于包括：
通过采集目标电池当前的电压数据，得到目标电池的性能衰退时间序列数据；
将数据库中保存的同类型电池的N条全寿电压数据作为其他域差异化时间序列数据；
按M个不同平滑尺度分别对一条性能衰退时间序列数据进行平滑处理，得到M条性能衰退时间序列的平滑数据；
按M个不同时间尺度分别对N条其他域差异化时间序列数据进行平滑处理，得到N组且每组具有M条的其他域差异化时间序列平滑数据；
利用所述一条性能衰退时间序列数据和所述M条性能衰退时间序列平滑数据，得到第一双指标综合评估值集，并将所述M个性能衰退时间序列平滑数据中与所述第一双综合评估值集中最小值对应的性能衰退时间序列的平滑数据选作目标域；
利用所述N条其他域差异化时间序列数据和N组且每组具有M条的其他域差异化时间序列平滑数据，得到分别对每组中的M条其他域差异化时间序列平滑数据的进行选择的第二双指标综合评估值集，将选择得到的每组中第二双指标综合评估值集中的最小值所对应的其他域差异化时间序列平滑数据，形成具有N条其他域差异化时间序列平滑数据的源域；
通过将源域中的N条其他域差异化时间序列的平滑数据分别与目标域中的一条性能衰退时间序列的平滑数据进行匹配处理，将源域中匹配度最高的一条其他域差异化时间序列的平滑数据作为性能衰退序列数据的可迁移样本；
通过将目标相似产品数据与所得到的性能衰退序列数据的可迁移样本之间的余弦距离作为相似产品的可迁移程度，选择最小余弦距离的相似产品的迁移样本Dts；
利用目标相似产品数据De和相似产品的可迁移样本Dts训练SDA数据迁移模型；
利用训练好的SDA数据迁移模型生成可迁移样本全寿命序列；
其中所述M和N是大于2的正整数。
2.根据权利要求1所述的方法，其特征在于，所述相似产品是关于电池的相似产品。
3.如权利要求1所述的方法，其特征在于，利用所述一条性能衰退时间序列数据和所述M条性能衰退时间序列平滑数据，得到对M个性能衰退时间序列平滑数据进行选择的第一双指标综合评估值集包括：
利用所述一条性能衰退时间序列数据和所述M条性能衰退时间序列平滑数据获得每条性能衰退时间序列的平滑数据的均方根误差值和平滑度值；
应用系数变异法计算均方根误差值和平滑度值的权重值，并对均方根误差值和平滑度值进行归一化，根据得到的均方根误差值和平滑度值的权重值与归一化后的均方根误差值和平滑度值计算得到对M个性能衰退时间序列平滑数据进行选择的第一双指标综合评估值。
4.如权利要求3所述的方法，其特征在于，所述利用所述N条其他域差异化时间序列数据和N组且每组具有M条的其他域差异化时间序列平滑数据，得到分别对每组中的M条其他域差异化时间序列平滑数据的进行选择的第二双指标综合评估值集包括：
利用所述N条其他域差异化时间序列数据和N组且每组具有M条的其他域差异化时间序列平滑数据获得每条其他域差异化时间序列平滑数据的均方根误差值和平滑度值；
应用系数变异法计算均方根误差值和平滑度值的权重值，并对均方根误差值和平滑度值进行归一化，根据得到的均方根误差值和平滑度值的权重值与归一后的均方根误差值和平滑度值计算得到分别对每组中的M条其他域差异化时间序列平滑数据的进行选择的第二双指标综合评估值集。
5.如权利要求1所述的方法，其特征在于，所述通过将源域中的N条其他域差异化时间序列的平滑数据分别与目标域中的一条性能衰退时间序列的平滑数据进行匹配处理包括：
在源域中截取与目标域具有相同时间序列的N条截断数据；
计算每条截断数据与目标域数据的余弦距离，获得每条截断数据的余弦距离值。
6.如权利要求1所述的方法，其特征在于，所述将源域中匹配度最高的一条其他域差异化时间序列的平滑数据作为性能衰退序列数据的可迁移样本是选择余弦距离值最低的截断数据所对应的一条其他域差异化时间序列的平滑数据作为性能衰退序列数据的可迁移样本。
CN202110647242.XA 2020-06-12 2021-06-10 一种用于相似产品剩余寿命预测的数据迁移方法 Active CN113239021B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020105368053 2020-06-12
CN202010536805 2020-06-12

Publications (2)

Publication Number Publication Date
CN113239021A CN113239021A (zh) 2021-08-10
CN113239021B true CN113239021B (zh) 2022-11-01

Family

ID=77139486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110647242.XA Active CN113239021B (zh) 2020-06-12 2021-06-10 一种用于相似产品剩余寿命预测的数据迁移方法

Country Status (1)

Country Link
CN (1) CN113239021B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107797067B (zh) * 2016-09-05 2019-09-27 北京航空航天大学 一种基于深度学习的锂离子电池寿命迁移预测方法
US10764370B2 (en) * 2017-12-11 2020-09-01 Accenture Global Solutions Limited Hybrid cloud migration delay risk prediction engine
CN110555273B (zh) * 2019-09-05 2023-03-24 苏州大学 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法
CN111062510B (zh) * 2019-11-13 2023-07-11 南京航空航天大学 一种基于迁移学习的民航发动机叶片裂纹预测方法

Also Published As

Publication number Publication date
CN113239021A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN106055918B (zh) 一种电力系统负荷数据的辨识及修正方法
CN109002686B (zh) 一种自动生成样本的多牌号化工过程软测量建模方法
CN116380445B (zh) 基于振动波形的设备状态诊断方法及相关装置
CN113780420B (zh) 基于gru-gcn的变压器油中溶解气体浓度预测方法
CN114004346A (zh) 基于门控堆叠同构自编码器的软测量建模方法及存储介质
CN113889198A (zh) 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备
CN116010884A (zh) 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法
CN116662925A (zh) 一种基于加权稀疏神经网络工业过程软测量方法
CN112633556A (zh) 一种基于混合模型的短期电力负荷预测方法
CN115963420A (zh) 一种电池soh影响因素分析方法
CN109921462B (zh) 一种基于lstm的新能源消纳能力评估方法及系统
CN114580151A (zh) 一种基于灰色线性回归-马尔科夫链模型的需水预测方法
CN114595883A (zh) 基于元学习的油浸式变压器剩余寿命个性化动态预测方法
CN113239021B (zh) 一种用于相似产品剩余寿命预测的数据迁移方法
CN113158448A (zh) 一种船舶系统设备阈值的自适应计算方法
CN113204857A (zh) 基于极端梯度提升树算法的电子器件剩余寿命预测方法
CN116842358A (zh) 一种基于多尺度卷积和自适应特征融合的软测量建模方法
CN116401545A (zh) 一种多模型融合的水轮机振摆分析方法
CN113919213B (zh) 一种基于sfa-grnn串联模型的脱丁烷塔丁烷浓度软测量方法
CN113283533B (zh) 面向性能衰退时间序列数据的可借用样本筛选方法和系统
CN113496255B (zh) 基于深度学习与决策树驱动的配电网混合观测布点方法
CN113239633A (zh) 一种相似产品剩余寿命预测的方法
CN115879590A (zh) 一种基于小波特征提取与集成学习模型的负荷预测方法
CN115272000A (zh) 一种电力系统暂态稳定评估方法及系统
CN114626594A (zh) 一种基于聚类分析和深度学习的中长期电量预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant