CN114896865A - 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 - Google Patents

一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 Download PDF

Info

Publication number
CN114896865A
CN114896865A CN202210413445.7A CN202210413445A CN114896865A CN 114896865 A CN114896865 A CN 114896865A CN 202210413445 A CN202210413445 A CN 202210413445A CN 114896865 A CN114896865 A CN 114896865A
Authority
CN
China
Prior art keywords
neural network
prediction
model
health state
formula
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.)
Pending
Application number
CN202210413445.7A
Other languages
English (en)
Inventor
孙博
潘俊林
吴泽豫
王自力
冯强
任羿
杨德真
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
Priority to CN202210413445.7A priority Critical patent/CN114896865A/zh
Publication of CN114896865A publication Critical patent/CN114896865A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种数字孪生应用场景下基于自适应演化神经网络的健康状态在线预测方法。首先利用仿真模型生成各类工况下输入特征和健康状态表征量的数据集，将数据集划分为训练集和测试集输入神经网络，之后针对传统长短期记忆(Long short‑term memory,LSTM)神经网络模型固定滑动窗长划分样本对于短期局部波动不够敏感的问题，利用Kullback‑Leibler(KL)散度自适应学习神经网络参数，构建基于KL散度的动态滑动窗口LSTM(KL‑DSW LSTM)神经网络预测模型。最后基于仿真结果动态校准神经网络参数，实现预测模型自适应演化，开展健康状态长期高精度在线预测。

Description

一种面向数字孪生的自适应演化神经网络健康状态在线预测 方法
(一)技术领域：
本发明提供一种基于自适应演化神经网络的健康状态在线预测方法，它是一种适用于数字孪生应用场景下的健康状态在线预测方法，属于故障预测与健康管理(PHM)技术领域。
(二)背景技术
广泛应用于航空航天、工业、军事、能源等领域的复杂系统状态预测十分重要。在长时间的运行中，单元的性能退化通常伴随着其性能参数与初始值的偏差，最终导致系统故障。为了保证系统的稳定运行，需要开发具有强大的物理建模、精确的工况仿真和同步的状态演化等能力的健康状态在线预测方法。数字孪生的主要优点是将物理实时状态映射到虚拟空间，天然契合健康状态在线预测的技术发展需求。随着传感器技术和计算能力的显著提升，数字孪生在故障诊断、故障预测、预测性维修等技术领域得到了越来越多的关注。数字孪生的核心是数据和模型，但是实际应用中能够获取一些数据和一些物理，但总是存在物理认知有限和有效数据不足的问题。
以往的健康状态在线预测方法分为两类：基于模型的方法和数据驱动的方法。基于模型的方法根据先验知识和物理规律构建有限元仿真模型、退化过程模型等物理或数学模型，利用卡尔曼滤波、粒子滤波等方法对模型参数进行估计，进而对健康状态开展预测。但是复杂系统往往缺乏先验知识，难以建立准确的物理模型来描述所有的退化规律。数据驱动的方法不需要显式的数学表达式，通过极限学习机、卷积神经网络、长短期记忆神经网络等学习算法从数据中提取退化信息并开展预测。但是由于缺乏物理可解释性，数据驱动方法无法描述复杂的动态特质，可能会导致在线预测的误差累积。
基于模型和数据驱动融合的方法一方面可以扩展物理模型的使用，另一方面可以改进数据驱动方法的可解释性。融合方法同时满足了数字孪生精确性和时效性的要求，是比较有前途的数字孪生解决方案。融合物理信息的神经网络能让神经网络满足一定物理规律，以获得更好的精度、更快的训练和更好的泛化。但是利用各类融合物理的神经网络开展预测时较少考虑在长期预测过程中预测模型的更新问题。
鉴于此，面向数字孪生下健康状态在线预测精确性和实时性需求，本发明提出了一种基于自适应演化神经网络的健康状态在线预测方法，将物理仿真模型和长短期记忆(Long short-term memory,LSTM)神经网络相结合，通过基于Kullback-Leibler(KL)散度的动态滑动窗口长度算法构建融合物理信息神经网络预测模型，基于物理仿真校准实现神经网络自适应演化，实现健康状态长期高精度在线预测。
(三)发明内容
本发明是一种面向数字孪生的自适应演化神经网络健康状态在线预测方法，首先利用仿真模型生成各类工况下输入特征和健康状态表征量的数据集，将数据集划分为训练集和测试集输入神经网络。之后针对传统LSTM模型固定滑动窗长划分样本对于短期局部波动不够敏感的问题，利用KL散度自适应学习神经网络参数，构建基于KL散度的动态滑动窗口LSTM(KL-DSW LSTM)神经网络预测模型。最后基于仿真结果动态校准神经网络参数，实现预测模型自适应演化，开展健康状态在线预测，本发明所述方法流程如图1所示，具体包括以下：
步骤1：针对具体对象物理特性和失效机理构建有限元模型开展多物理场仿真，生成各类工况下的健康状态，输入特征和健康状态表征量的数据集[X1:t,Y1:t]，实现神经网络数据增广；
步骤2：对仿真得到的数据集[X1:t,Y1:t]划为训练集和测试集，利用最大最小值归一化进行预处理。初始化参数包括初始窗口长度L0，最小窗口长度Lmin，最大窗口长度Lmax，以及LSTM网络基本超参数；
步骤3：利用KL散度比较样本
Figure BDA0003604594660000021
和
Figure BDA0003604594660000022
之间的差异；
步骤4：计算t时刻对应样本滑动窗口长度；
步骤5：根据t时刻对应滑动窗口长度lt划分输入特征样本
Figure BDA0003604594660000023
为了将变长的特征样本输入LSTM网络进行训练和测试，需要对数据进行补齐。对于每一个样本Xt，添加(lmax-lt)个0在样本开头，将所有样本长度扩展到lmax；
步骤6：对划分好的样本
Figure BDA0003604594660000024
开展一步预测，完成LSTM网络模型离线训练和物理信息融合；
步骤7：在在线运行阶段，仿真模型和KL-DSW LSTM神经网络模型同时运行，将实测特征信息同时输入两个模型；
步骤8：比较仿真模型和神经网络模型预测结果，判断是否触发更新；
步骤9：当触发更新后，将仿真模型生成的数据集X1:s＝[x1,x2,....,xs]T和Y1:s＝[y1,y2,....,ys]T补充到离线训练数据集，实现神经网络数据进一步增广。将新数据集划分为训练集和测试集，利用KL-DSW LSTM基于健康状态动态划分样本窗长并更新神经网络参数；
步骤10：对比更新后模型与更新前模型预测精度，根据评估结果判断是否完成更新并生成新的预测模型，实现健康状态在线预测。
其中，步骤3中利用KL散度比较样本差异的计算公式如下：
Figure BDA0003604594660000031
式中，lt-1为t-1时刻的滑动窗口长度，KLt为t时刻的KL散度，
Figure BDA0003604594660000032
分别为Yt,Yt-1取第i个值的概率。
步骤4中滑动窗口计算公式如下：
Figure BDA0003604594660000033
式中，
Figure BDA0003604594660000034
是向下取整函数，tanh(·)是反正切函数，log(·)是自然对数函数，KLarv是KLt的平均值，t＝1,2,...,n。当健康状态出现明细局部波动时，对应KLt增大，用较小的滑动窗口长度去捕捉更多局部波动信息；当健康状态趋于稳定退化时，对应KLt减小，用较大的滑动窗口长度去预测长期退化趋势。
步骤6中一步预测计算公式如下：
Figure BDA0003604594660000035
式中，yt+1是t+1时刻的预测值，与yt+1比较并计算损失函数，f(·)是神经网络计算函数。
当健康状态退化到容限值时，设备发生故障，对应预测值为yE0L：
Figure BDA0003604594660000036
步骤8中，在离线训练阶段，提取时序特征输入神经网络开展训练，生成初始预测模型开展健康状态的一步超前预测：
Figure BDA0003604594660000037
式中，
Figure BDA0003604594660000041
是初始神经网络计算函数。
仿真模型计算滞后于神经网络模型，经过一个仿真时间步后仿真模型健康状态评估结果为ys，对应神经网络预测结果为ys，根据仿真模型计算结果判断是否触发更新：
Figure BDA0003604594660000042
式中，T是更新触发标志，1表示更新触发，0表示保持不变，δ是设定的误差可接受限。
步骤9中更新预测模型计算公式如下：
Figure BDA0003604594660000043
式中，
Figure BDA0003604594660000044
是第n次更新触发后的神经网络计算函数。
步骤10中，分别使用
Figure BDA0003604594660000045
和
Figure BDA0003604594660000046
在同一测试集上进行实验，并根据神经网络中常用的评估标准均方根误差(RMSE)评估预测结果的准确性，较小的RMSE意味着更好的预测精度，根据评估结果判断更新是否完成：
Figure BDA0003604594660000047
式中，C是更新完成标志，1表示更新完成，0表示保持不变。
第n次更新完成后的预测模型为：
Figure BDA0003604594660000048
本发明是一种面向数字孪生的自适应演化神经网络健康状态在线预测方法，其优点和功效在于：在神经网络中融合物理信息，能够更好捕捉健康状态短期波动，同时基于仿真结果开展神经网络自适应演化，动态更新神经网络模型，提高健康状态在线预测精度。
(四)附图说明
图1为本发明所述方法流程图；
图2为不同电池的健康状态预测结果(其中(a)-(d)分别代表#5、6、7、18号电池的健康状态)；
图3为不同方法健康状态预测结果。
图中标号及符号说明如下：
KL表示Kullback-Leibler散度；
KL-DSW表示基于KL散度的动态滑动窗口；
LSTM表示长短期记忆。
(五)具体实施方式
广泛应用于电动汽车、电动飞机中的锂电池是一个复杂的电化学系统，利用健康状态预测问题中常用NASA锂电池退化数据说明本发明的实施过程。四节锂电池(编号为#5,6,7,8)在1.5A的恒定电流(CC)模式下进行充电，直到蓄电池电压达到4.2V，然后在恒定电压(CV)模式下继续充电，直到充电电流降至20mA。在CC水平为2A的情况下进行放电，直到电池5、6、7和18的电池电压分别降至2.7V、2.5V、2.2V和2.5V。该数据集通过试验测量了每个充放电循环下电流、电压、温度、容量，将容量视为本发明中步骤1中仿真获得的健康状态表征量以验证本发明预测效果。当电池达到寿命终止(End of life,EOL)时，即额定容量衰减30％(电池5、6、18和7分别为1.4Ah和1.42Ah)时，停止试验。
在每个充放电周期内，有一些物理量可以表示容量的退化状态，如电流、电压、温度等。选取恒流充电时间、充电过程达到最高温的时间、放电过程达到最高温的时间、等压降放电时间等4个参数作为特征。其中，等压降放电时间每组锂电池放电电压从3.8V降低为3.6V对应时间。
锂电池健康状态(Status of health,SOH)定义为：
Figure BDA0003604594660000051
式中，Cn是当前循环对应容量，C0是额定容量。
锂电池剩余寿命(Remaining useful life,RUL)定义为：
RUL＝NEOL-NIN (11)
式中，NEOL是寿命终止时对应寿命循环，NIN是预测开始寿命循环。
对比本发明方法和固定滑动窗口长度LSTM的预测结果。对于#5-7电池，将前90个寿命循环数据作为训练集，剩余数据作为测试集。对于#18电池，由于退化数据较少，将前60个寿命循环数据作为训练集，剩余数据作为测试集。表1显示了预测方法的模型参数设置。两方法对于4组电池都设置了相同的隐藏层大小，批大小，层数，初始学习率。针对本发明方法，对于#5,#6,#7和#18分别设置了滑动窗口参数。
表1预测方法模型参数设置
Figure BDA0003604594660000061
定义了三个指标来衡量健康状态预测效果：
(1)决定系数(R)
Figure BDA0003604594660000062
(2)均方根误差(RMSE)
Figure BDA0003604594660000063
式中，C是真实容量，C是预测的容量，
Figure BDA0003604594660000064
是C的平均值。
(3)绝对误差(AE)
AE＝|RUL-RUL| (14)
式中，其中RUL是真实的RUL，RUL是预测的RUL。
分别利用两种方法对每一组电池开展健康状态预测。对于KL-DSW LSTM，根据步骤3和步骤4动态更新滑动窗口长度。对于LSTM，将初始滑动窗口长度L0作为固定滑动窗口长度。使用Adam优化器寻找所有层的权重和偏差，设置动态学习率，每经过10代学习率减半。根据步骤5和步骤6完成模型训练并开展健康状态预测。对于每一种方法，取5次试验的平均值作为评估结果。
图2显示了两种方法在不同电池上的预测结果。从图中可以明显看出，本发明提出的KL-DSW LSTM在所有电池中健康状态预测效果是最好的。主要原因是KL-DSW LSTM相比于LSTM可以更好的捕捉局部波动，这对于具有容量再生效应的锂电池是相当有必要的。融入更加丰富的物理意见能够更加准确地计算滑动窗口长度。对于18号电池，由于数据集较少，三种方法预测效果均不理想，LSTM方法显示电池没有达到寿命终止。
表2给出了R、RMSE、AE、预测RUL的结果。其中“-”表示健康状态尚未达到寿命终止。表2显示，KL-DSW LSTM在大多数电池中获得了准确的预测结果。LSTM方法在所有电池的R较低，RMSE和AE较高，甚至给出了#18电池在试验结束前没有达到寿命终止的预测结果。KL-DSW LSTM可以动态更新LSTM网络中滑动窗口的长度，以提高预测结果的准确性。
表2预测结果比较
Figure BDA0003604594660000071
针对#5号电池，利用步骤7-步骤10在线更新预测模型，离线训练时将前70组数据作为训练集，动态补充真实数据自适应演化KL-DSW LSTM网络。图3显示了不更新KL-DSWLSTM、更新KL-DSW LSTM、不更新LSTM的预测效果。从图中可以明显看出，更新后的KL-DSWLSTM在运行后期预测效果最好，无论是否更新KL-DSW LSTM，预测效果都好于固定滑动窗口长度LSTM。自适应演化KL-DSW LSTM可以追踪运行过程中的退化规律改变，提高在线健康状态预测精度。

Claims (9)

1.一种面向数字孪生的自适应演化神经网络健康状态在线预测方法，其特征在于，包括以下步骤：
步骤1：针对具体对象物理特性和失效机理构建有限元模型开展多物理场仿真，生成各类工况下的健康状态，输入特征和健康状态表征量的数据集[X1:t,Y1:t]，实现神经网络数据增广；
步骤2：对仿真得到的数据集[X1:t,Y1:t]划为训练集和测试集，利用最大最小值归一化进行预处理。初始化参数包括初始窗口长度L0，最小窗口长度Lmin，最大窗口长度Lmax，以及LSTM网络基本超参数；
步骤3：利用KL散度比较样本
Figure FDA0003604594650000011
和
Figure FDA0003604594650000012
之间的差异；
步骤4：计算t时刻对应样本滑动窗口长度；
步骤5：根据t时刻对应滑动窗口长度lt划分输入特征样本
Figure FDA0003604594650000013
为了将变长的特征样本输入LSTM网络进行训练和测试，需要对数据进行补齐。对于每一个样本Xt，添加(lmax-lt)个0在样本开头，将所有样本长度扩展到lmax；
步骤6：对划分好的样本
Figure FDA0003604594650000014
开展一步预测，完成LSTM网络模型离线训练和物理信息融合；
步骤7：在在线运行阶段，仿真模型和KL-DSW LSTM神经网络模型同时运行，将实测特征信息同时输入两个模型；
步骤8：比较仿真模型和神经网络模型预测结果，判断是否触发更新；
步骤9：当触发更新后，将仿真模型生成的数据集X1:s＝[x1,x2,....,xs]T和Y1:s＝[y1,y2,....,ys]T补充到离线训练数据集，实现神经网络数据进一步增广。将新数据集划分为训练集和测试集，利用KL-DSW LSTM基于健康状态动态划分样本窗长并更新神经网络参数；
步骤10：对比更新后模型与更新前模型预测精度，根据评估结果判断是否完成更新并生成新的预测模型，实现健康状态在线预测。
2.根据权利要求1所述的确定方法，其特征在于，所述步骤2利用KL散度比较样本差异的计算公式为：
Figure FDA0003604594650000021
式中，lt-1为t-1时刻的滑动窗口长度，KLt为t时刻的KL散度，
Figure FDA0003604594650000022
分别为Yt,Yt-1取第i个值的概率。
3.根据权利要求1所述的确定方法，其特征在于，所述步骤4的滑动窗口计算公式为：
Figure FDA0003604594650000023
式中，
Figure FDA0003604594650000024
是向下取整函数，tanh(·)是反正切函数，log(·)是自然对数函数，KLarv是KLt的平均值，t＝1,2,...,n。当健康状态出现明细局部波动时，对应KLt增大，用较小的滑动窗口长度去捕捉更多局部波动信息；当健康状态趋于稳定退化时，对应KLt减小，用较大的滑动窗口长度去预测长期退化趋势。
4.根据权利要求1所述的确定方法，其特征在于，所述步骤6的一步预测公式为：
Figure FDA0003604594650000025
式中，yt+1是t+1时刻的预测值，与yt+1比较并计算损失函数，f(·)是神经网络计算函数。
5.根据权利要求1所述的确定方法，其特征在于，所述步骤8的初始预测模型计算公式为：
Figure FDA0003604594650000026
式中，
Figure FDA0003604594650000027
是初始神经网络计算函数。
6.根据权利要求1所述的确定方法，其特征在于，所述步骤8的更新触发判断公式为：
Figure FDA0003604594650000028
式中，T是更新触发标志，1表示更新触发，0表示保持不变，δ是设定的误差可接受限。
7.根据权利要求1所述的确定方法，其特征在于，所述步骤10的更新触发预测模型计算公式为：
Figure FDA0003604594650000029
式中，
Figure FDA0003604594650000031
是第n次更新触发后的神经网络计算函数。
8.根据权利要求1所述的确定方法，其特征在于，所述步骤10的更新完成判断公式为：
Figure FDA0003604594650000032
式中，C是更新完成标志，1表示更新完成，0表示保持不变。
9.根据权利要求1所述的确定方法，其特征在于，所述步骤10的更新完成预测模型计算公式为：
Figure FDA0003604594650000033
CN202210413445.7A 2022-04-20 2022-04-20 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 Pending CN114896865A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210413445.7A CN114896865A (zh) 2022-04-20 2022-04-20 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210413445.7A CN114896865A (zh) 2022-04-20 2022-04-20 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法

Publications (1)

Publication Number Publication Date
CN114896865A true CN114896865A (zh) 2022-08-12

Family

ID=82717886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210413445.7A Pending CN114896865A (zh) 2022-04-20 2022-04-20 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法

Country Status (1)

Country Link
CN (1) CN114896865A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116500460A (zh) * 2023-06-29 2023-07-28 北京云控安创信息技术有限公司 一种基于云计算的物联网电池健康状态诊断和预测系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116500460A (zh) * 2023-06-29 2023-07-28 北京云控安创信息技术有限公司 一种基于云计算的物联网电池健康状态诊断和预测系统
CN116500460B (zh) * 2023-06-29 2023-08-22 北京云控安创信息技术有限公司 一种基于云计算的物联网电池健康状态诊断和预测系统

Similar Documents

Publication Publication Date Title
CN109991542B (zh) 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN112241608B (zh) 一种基于lstm网络和迁移学习的锂电池寿命预测方法
Shu et al. Stage of charge estimation of lithium-ion battery packs based on improved cubature Kalman filter with long short-term memory model
CN111856287B (zh) 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法
WO2020191801A1 (zh) 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法
Jiang et al. State of health estimation for lithium-ion battery using empirical degradation and error compensation models
CN113406521B (zh) 一种基于特征分析的锂电池健康状态在线估计方法
CN114325450A (zh) 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法
CN111426957B (zh) 一种模拟车辆工况动力电池荷电状态soc估算优化方法
CN110888059A (zh) 一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法
CN113702843B (zh) 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法
CN112684363A (zh) 一种基于放电过程的锂离子电池健康状态估计方法
CN114035098A (zh) 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法
CN112731183B (zh) 一种基于改进的elm的锂离子电池寿命预测方法
CN115856678A (zh) 一种锂离子电池健康状态估计方法
CN113406503A (zh) 基于深度神经网络的锂电池soh在线估算方法
CN116736133A (zh) 锂离子电池全寿命周期容量退化轨迹的早期预测方法
Wang et al. A flexible RUL prediction method based on poly-cell LSTM with applications to lithium battery data
CN114896865A (zh) 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
Savargaonkar et al. A cycle-based recurrent neural network for state-of-charge estimation of li-ion battery cells
CN112257348B (zh) 一种锂电池长期退化趋势预测方法
CN117169743A (zh) 基于部分数据和模型融合的电池健康状态估计方法及设备
CN114580705B (zh) 航电产品剩余寿命预测方法
Cui et al. An Online State of Health Estimation Method for Lithium-Ion Battery Based on ICA and TPA-LSTM

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