[發明專利]一種基于LSTM的鋰電池壽命預測方法

有效

• 申請號: 202110778444.8
• 申請日: 2021-07-09
• 公開（公告）號: CN113536671B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 馬劍;徐沛洋;許庶;陶來發;程玉杰;丁宇;王超;索明亮;呂琛
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F17/18;G06N3/0442;G06N3/08;G06F119/04
• 代理公司: 北京元本知識產權代理事務所(普通合伙) 11308
• 代理人: 李斌

本發明提供一種基于LSTM的鋰電池壽命預測方法，包括：獲取鋰電池的容量退化數據集；將所述容量退化數據集進行預處理；構建基于LSTM的剩余壽命預測模型；在構建基于LSTM的剩余壽命預測模型后，進一步構建三個鋰電池本地壽命預測模型和一個中央服務器端全局壽命預測模型，所述LSTM為網絡結構，其中的任一個LSTM單元里面包括遺忘門、輸入門和輸出門；所述三個鋰電池本地壽命預測模型結構相同，其模型結構包括兩個LSTM層，兩個Dropout層防止過擬合和一個頂層的預測輸出層。

技術領域

本發明涉及高端設備的故障測試和預測技術領域，具體而言，涉及一種基于LSTM的?鋰電池壽命預測方法。

背景技術

近年來，隨著工業化程度的提高，群體產品逐漸由單一化和簡單化向智能化和復雜化?發展，在很多領域有著越來越重要的應用價值，這也對群體產品的可靠性提出了一定的要?求。故障預測和健康管理((Prognostics?and?Health?Management,PHM))的出現為提高群體?產品的可靠性提供了一種可行的解決辦法，故障預測和健康管理技術運用數據挖掘和信息?融合等技術，研究分析產品的實時狀態數據，能夠減少產品維護成本，提高產品的可靠性。

在故障診斷和預測領域采用人工智能技術挑戰與機遇并存，如何利用人工智能技術快?速診斷故障并精準給出預測結果成了研究熱點。群體產品存在多種類型，每種類型的群體?產品的故障模式也復雜多樣，針對所有可能的故障模式開發診斷和預測模型不切實際，而?且采集產品全壽命周期的所有狀態數據耗費成本巨大。在群體產品上采集到的產品運行狀?態數據相似性有限，直接整合數據不利于預測結果的準確度，在聯合建模時出現較大困難，?“數據孤島”的困局和近幾年發布的關于數據隱私保護問題的相關法案更是進一步限制了企?業間交換數據的自由，“數據孤島”的困局和隱私保護的問題嚴重地阻礙了人工智能技術?的進一步發展。

開展故障預測與健康管理相關技術的研究對群體產品的意義巨大。一方面，避免了維?修時間的浪費，同時減少了維修的經濟成本。另一方面，相較于傳統的定期保養和故障后?維修，對產品開展PHM可以有效提高產品的可靠性與安全性，減少災難性事故的發生。但?是在實際應用中，數據的隱私需要保護，同時可供充分采集的數據不夠多且采集數據的成?本巨大，再加上不同企業的產品處于不同工況環境，直接整合建模效果不佳。

壽命預測包含了終止壽命(End?of?Life，EOL)預測和剩余使用壽命(RemainingUseful?Life，RUL)預測，可以用RUL＝EOL-T表示二者間關系，其中T是給定的時間。基于解析模型的RUL預測方法是通過研究產品失效的物理機理構建描述產品退化過程的數學模型，該過程需要根據產品的狀態數據不斷更新模型參數，最終實現利用歷史數據預測產品剩余壽命的目標。該方法通過先進的數據挖掘技術研究分析產品失效背后蘊含的信息從而實現壽命的預測，利用概率統計方法或機器學習方法構建預測模型，在保證預測結果準確度較高的前提下降低了對研究人員的物理和數學能力要求。人工神經網絡在基于機器學習的壽命預測方法中使用是最頻繁的。循環神經網絡等深度學習模型具有強大的特征自學習能力，如何將其應用在壽命預測方面也是研究熱點。綜合來說基于數據驅動的壽命預測技術不需要研究產品失效背后的物理機理，降低了對模型設計者的要求，已經廣泛應用于各種產品的剩余壽命預測領域。

綜上所述，由于群體產品復雜多樣，其背后隱含的失效機理也復雜多變，使用基于解?析模型的剩余壽命預測方法需要針對每種失效模式研究對應的失效機理并建立合適的模?型，這種方法不太適合。基于此，本發明選擇基于數據驅動的LSTM(長短時記憶網絡)?剩余壽命預測方法進行預測，克服基于概率統計方法存在嚴重依賴大量數據這一不足，準?確地預測群體產品的剩余壽命，有效地指導產品的維修，提供產品的可靠性。

發明內容

為了解決現有技術所存在的問題，本發明提出一種基于LSTM的剩余壽命預測方法。

根據本發明的一個方面，所述方法包括：一種基于LSTM的鋰電池壽命預測方法，包括：