亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        鎘鎳蓄電池壽命預(yù)測(cè)的PF-LSTM建模方法研究

        2020-08-07 05:09:52成庶甘沁潔趙明畢福亮王家捷王國(guó)良于天劍
        關(guān)鍵詞:蓄電池壽命容量

        成庶,甘沁潔,趙明,畢福亮,王家捷,王國(guó)良,于天劍

        鎘鎳蓄電池壽命預(yù)測(cè)的PF-LSTM建模方法研究

        成庶1,甘沁潔1,趙明2,畢福亮2,王家捷3,王國(guó)良3,于天劍1

        (1. 中南大學(xué) 交通運(yùn)輸工程學(xué)院,湖南 長(zhǎng)沙 410075;2. 中車長(zhǎng)春軌道客車股份有限公司,吉林 長(zhǎng)春 130062;3. 青島亞通達(dá)鐵路設(shè)備有限公司,山東 青島 266000)

        對(duì)動(dòng)車組用蓄電池進(jìn)行壽命預(yù)測(cè),能夠評(píng)估電池狀態(tài),降低故障的危害性和運(yùn)用維護(hù)成本,指導(dǎo)修訂修程。相較于在線預(yù)測(cè)模型,離線預(yù)測(cè)模型無(wú)法適應(yīng)影響因素的不斷變化,提出一種基于粒子濾波(PF)與長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)融合的在線預(yù)測(cè)方法。傳統(tǒng)的PF方法依賴經(jīng)驗(yàn)方程作為狀態(tài)轉(zhuǎn)移方程,而精確的經(jīng)驗(yàn)方程難以得到,利用已有數(shù)據(jù)訓(xùn)練LSTM模型,模型得到的退化方程作為PF的狀態(tài)轉(zhuǎn)移方程,解決了PF依賴經(jīng)驗(yàn)方程的問(wèn)題,同時(shí)PF能給出不確定性表達(dá)。研究結(jié)果表明,該方法模型更新簡(jiǎn)單有效,預(yù)測(cè)精度好,彌補(bǔ)了鎘鎳蓄電池壽命模型研究的缺失,對(duì)蓄電池剩余壽命研究的發(fā)展有著重要意義。

        蓄電池;剩余壽命;在線預(yù)測(cè);長(zhǎng)短期記憶網(wǎng)絡(luò);粒子濾波

        不論電力機(jī)車還是內(nèi)燃機(jī)車,蓄電池與充電機(jī)并聯(lián)構(gòu)成了機(jī)車控制電路的能量來(lái)源,一旦蓄電池出現(xiàn)故障,便無(wú)法維持車內(nèi)照明和無(wú)線通信裝置以及應(yīng)急裝置的正常使用,對(duì)乘客的生命財(cái)產(chǎn)安全將帶來(lái)很大的威脅[1]。通過(guò)調(diào)研發(fā)現(xiàn),高速鐵路車用蓄電池多為堿性鎘鎳蓄電池,在實(shí)際運(yùn)用中一般根據(jù)運(yùn)行公里數(shù)或運(yùn)用年限進(jìn)行更換。此時(shí)電池壽命往往還有較大余量,提前更換無(wú)疑提高了動(dòng)車組的運(yùn)用成本。一列機(jī)車蓄電池檢修費(fèi)用約為6萬(wàn)元,費(fèi)時(shí)費(fèi)力且造成了不必要的浪費(fèi),研究準(zhǔn)確可靠的壽命預(yù)測(cè)模型刻不容緩。目前在蓄電池剩余壽命預(yù)測(cè)方面,前人針對(duì)鋰離子電池、鉛酸蓄電池以及燃料電池做了大量研究,但針對(duì)鎘鎳蓄電池壽命預(yù)測(cè)的模型研究較少,在算法優(yōu)化及大量數(shù)據(jù)訓(xùn)練的基礎(chǔ)上,本研究提出基于粒子濾波(PF)與長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)融合的預(yù)測(cè)模型,提高了預(yù)測(cè)精度,為蓄電池剩余壽命研究提供了理論基礎(chǔ)。壽命預(yù)測(cè)方法大致分為2類:模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)[2?5]。模型驅(qū)動(dòng)法基于蓄電池的內(nèi)部結(jié)構(gòu)原理、退化機(jī)制建立壽命預(yù)測(cè)模型,李禮夫等[6]應(yīng)用電池層析成像測(cè)量技術(shù)和電化學(xué)性能測(cè)量技術(shù),根據(jù)鋰電池內(nèi)部結(jié)構(gòu)構(gòu)建了動(dòng)力電池循環(huán)壽命預(yù)測(cè)模型,但受電池種類、型號(hào)等因素影響,該方法難以運(yùn)用到實(shí)際中。Bressel等[7]提出了一種退化模型,使用擴(kuò)展卡爾曼濾波對(duì)燃料電池(PEMFC)在線估計(jì)健康度和剩余壽命,該模型對(duì)操作條件具有魯棒性。Jouin等[8?9]將3個(gè)粒子濾波器進(jìn)行組合來(lái)預(yù)測(cè)燃料電池的剩余壽命,新的預(yù)測(cè)框架能得到95%精度的預(yù)測(cè)結(jié)果。LIU等[10]提出一種新的粒子濾波框架,該框架使用當(dāng)前測(cè)量值來(lái)重新采樣狀態(tài)粒子,可以防止粒子的簡(jiǎn)并,此外還能自適應(yīng)調(diào)整粒子數(shù)量,適用于在線應(yīng)用。實(shí)驗(yàn)結(jié)果表明,相較于其他標(biāo)準(zhǔn)模型,該模型能以更短時(shí)間得到更為精確的預(yù)測(cè)結(jié)果。XIONG等[11]為解決粒子多樣性退化的問(wèn)題,使用突變粒子搜索先驗(yàn)概率的擴(kuò)展區(qū)域,以提高后驗(yàn)概率的精確度。Mejdoubi等[12]將鋰電池的老化條件作為預(yù)測(cè)模型的輸入,能夠估計(jì)電池的容量和電阻,進(jìn)而得到剩余壽命的預(yù)測(cè)值,并做了鋰電池在不同老化條件下的壽命試驗(yàn),實(shí)驗(yàn)結(jié)果表明,相較于標(biāo)準(zhǔn)粒子濾波(PF),所用模型預(yù)測(cè)更準(zhǔn)確。然而模型驅(qū)動(dòng)法過(guò)于依賴故障機(jī)理,預(yù)測(cè)的準(zhǔn)確度很大程度上取決于使用的狀態(tài)模型,而蓄電池工作環(huán)境因素復(fù)雜多變,建立準(zhǔn)確的退化模型較為困難。數(shù)據(jù)驅(qū)動(dòng)法通過(guò)挖掘分析失效數(shù)據(jù),得到電池性能退化規(guī)律,進(jìn)而預(yù)測(cè)電池壽命。Patil等[13]提出了一種基于支持向量機(jī)(SVM)實(shí)時(shí)剩余使用壽命RUL估計(jì)方法,分析鋰電池不同工況下的循環(huán)數(shù)據(jù),從電壓和溫度曲線中提取關(guān)鍵特征,利用這些特征訓(xùn)練模型,從而達(dá)到鋰離子電池RUL預(yù)測(cè)的目的。Saha等[14]將等效電路模型參數(shù)和老化過(guò)程數(shù)據(jù)結(jié)合,用相關(guān)向量機(jī)(RVM)對(duì)PF的預(yù)后框架進(jìn)行改進(jìn),進(jìn)一步提高了預(yù)測(cè)的精確度,降低了預(yù)測(cè)的不確定性。同樣是RVM與PF的融合方法,周建寶等[15?16]提出一種動(dòng)態(tài)可重構(gòu)的RVM方法,解決了核函數(shù)矩陣和矩陣求逆的計(jì)算方法和結(jié)構(gòu)設(shè)計(jì)等問(wèn)題,提高鋰電池壽命預(yù)測(cè)的效率。但是相關(guān)向量機(jī)訓(xùn)練時(shí)間較長(zhǎng),導(dǎo)致計(jì)算效率和預(yù)測(cè)精度難以平衡。HU等[17]提供了一種集成數(shù)據(jù)驅(qū)動(dòng)方法,采用3種加權(quán)方案來(lái)確定成員算法的權(quán)重,并通過(guò)k折交叉驗(yàn)證(k-fold cross validation)估計(jì)加權(quán)方案所需的預(yù)測(cè)誤差。隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展,相關(guān)方法也應(yīng)用到了電池壽命預(yù)測(cè)中來(lái),LIU等[18]使用自適應(yīng)遞歸神經(jīng)網(wǎng)絡(luò)(ARNN)算法進(jìn)行動(dòng)態(tài)系統(tǒng)狀態(tài)預(yù)測(cè)。ARNN算法采用遞歸Levenberg-Marquardt(RLM)方法對(duì)RNN體系結(jié)構(gòu)的權(quán)重進(jìn)行了幾處校正,驗(yàn)證得出自適應(yīng)RNN具有比經(jīng)典訓(xùn)練算法(包括RVM和PF方法)更好的學(xué)習(xí)能力。劉嘉蔚等[19]采用等間隔取樣實(shí)現(xiàn)數(shù)據(jù)的重構(gòu),采用局部加權(quán)回歸散點(diǎn)平滑法處理數(shù)據(jù),使用核超限學(xué)習(xí)機(jī)對(duì)PEMFC壽命試驗(yàn)數(shù)據(jù)進(jìn)行學(xué)習(xí)和預(yù)測(cè),實(shí)驗(yàn)顯示,新方法的準(zhǔn)確度比一般神經(jīng)網(wǎng)絡(luò)高出28.46%。ZHANG等[20]使用彈性均方反向傳播方法自適應(yīng)地優(yōu)化長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM),實(shí)驗(yàn)結(jié)果表明,LSTM能得到比支持向量機(jī)、標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)更準(zhǔn)確的預(yù)測(cè)結(jié)果。神經(jīng)網(wǎng)絡(luò)對(duì)歷史數(shù)據(jù)具有很好的學(xué)習(xí)能力,但是網(wǎng)絡(luò)結(jié)構(gòu)難以確定,對(duì)數(shù)據(jù)的樣本量和質(zhì)量要求很高,且不具有輸出的不確定性表達(dá)。上述研究多針對(duì)鋰電池和燃料電池,而鎘鎳蓄電池壽命試驗(yàn)耗時(shí)長(zhǎng),試驗(yàn)條件苛刻,目前還未有相關(guān)的壽命研究?,F(xiàn)有相關(guān)研究所用蓄電池的循環(huán)壽命為1 000次以下,而某型動(dòng)車組用鎘鎳蓄電池壽命周期則高達(dá)2 000次以上,電池容量才會(huì)降到標(biāo)準(zhǔn)以下。隨著周期數(shù)的增大,離線方法無(wú)法更新模型,誤差累加,難有較好的精確度,而在線預(yù)測(cè)模型能隨數(shù)據(jù)的更新而更新模型,模型的預(yù)測(cè)精度將更高。此外,鎘鎳電池具有“記憶效應(yīng)”的特性,一般的預(yù)測(cè)方法,難有較好的預(yù)測(cè)結(jié)果。鑒于LSTM有較好的學(xué)習(xí)能力,PF能很好地適應(yīng)非線性、非高斯系統(tǒng),并能給出不確定性表達(dá),因此本文提出融合LSTM與PF2種算法,對(duì)蓄電池剩余壽命進(jìn)行在線預(yù)測(cè),該方法能在線更新模型,避免了誤差的疊加,LSTM模型訓(xùn)練得到的退化方程作為PF的狀態(tài)轉(zhuǎn)移方程,解決了PF過(guò)度依賴經(jīng)驗(yàn)方程的缺陷。

        1 PF與LSTM的融合方法

        1.1 粒子濾波器

        粒子濾波器在貝葉斯濾波的基礎(chǔ)上,引入蒙特卡洛采樣以獲得后驗(yàn)概率和隨機(jī)樣本的估計(jì)值。假設(shè)一個(gè)系統(tǒng)其狀態(tài)方程和觀測(cè)方程如下:

        其中:xy分別時(shí)刻的系統(tǒng)狀態(tài)和觀測(cè)值;v為過(guò)程噪聲;n為觀測(cè)噪聲。在蓄電池壽命預(yù)測(cè)運(yùn)用中,式(1)通常為經(jīng)驗(yàn)退化方程,實(shí)際工程中精確的退化方程難以獲得。為獲得目標(biāo)狀態(tài)的最優(yōu)估計(jì),粒子濾波通過(guò)預(yù)測(cè)和更新2個(gè)過(guò)程來(lái)得到系統(tǒng)的后驗(yàn)概率密度(x|Y)。預(yù)測(cè)階段利用?1時(shí)刻的概率密度(x?1|Y?1)獲得先驗(yàn)概率(x|Y?1):

        更新階段利用重要性采樣法引入重要性概率密度函數(shù)(x|Y),從中生成采樣粒子,利用粒子的加權(quán)和來(lái)逼近后驗(yàn)概率分布(x|Y):

        1.2 LSTM

        循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)可以利用其記憶功能處理非線性時(shí)間序列,但是當(dāng)序列很長(zhǎng)時(shí)易存在梯度爆炸、梯度消失的問(wèn)題,長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)便是為解決該問(wèn)題而設(shè)計(jì)的一種特殊的RNN。相較于RNN,LSTM增加了信息處理單元即細(xì)胞cell,該單元由遺忘門、輸入門、輸出門組成。

        遺忘門能以一定概率來(lái)丟棄上層的冗余信息:

        其中:(t?1)為上一層的隱藏狀態(tài);(t)為當(dāng)前序列位置信息;W,Ub為遺忘門中線性關(guān)系的權(quán)重與偏移量;為sigmoid激活函數(shù)。該門將輸出一個(gè)0到1之間的值,決定信息的丟失程度,0表示“完全舍棄”,1表示“完全保留”。

        輸入門能處理當(dāng)前序列位置的信息:

        其中:W,UWU為輸入門中線性關(guān)系的權(quán)重;bb為偏移量。遺忘門和輸入門的結(jié)果將用于細(xì)胞狀態(tài)的更新:

        其中:(t)為更新后的細(xì)胞狀態(tài);⊙為Hadamard積。

        輸出門則能處理當(dāng)前序列的信息、細(xì)胞狀態(tài)以及上層隱藏狀態(tài),向下一層輸出新的隱藏狀態(tài):

        W,Ub為輸出門中線性關(guān)系的權(quán)重與偏移量,(t)為當(dāng)前層的隱藏狀態(tài),既作為當(dāng)前層的輸出,也繼續(xù)傳入下一層。

        1.3 融合方法

        鎘鎳蓄電池使用過(guò)程中,由于活性物失活,電解液減少等原因,蓄電池的可用容量減小, TB_T3061-2016規(guī)定,容量值作為失效判斷依據(jù),當(dāng)容量減少到額定容量的70%時(shí),即為失效。因此通常將電池容量作為性能退化因子,根據(jù)退化因子的演變規(guī)律來(lái)進(jìn)行壽命的預(yù)測(cè)。蓄電池壽命受到溫度、充放電倍率、工況等多種因素的影響,失效過(guò)程是非線性、非高斯的。粒子濾波能很好地適用于非高斯非線性的系統(tǒng),能夠得到預(yù)測(cè)結(jié)果的不準(zhǔn)確性表達(dá),但標(biāo)準(zhǔn)的粒子濾波需要式(1)所示的狀態(tài)轉(zhuǎn)移方程,實(shí)際運(yùn)用中環(huán)境等因素變化較大,難以得到較為準(zhǔn)確的狀態(tài)方程。LSTM擁有記憶功能,能夠?qū)W習(xí)長(zhǎng)時(shí)間跨度的時(shí)間序列,但無(wú)法適應(yīng)系統(tǒng)中出現(xiàn)的噪聲等不確定因素,且無(wú)法給出不確定表達(dá),因此可以融合2種方法,結(jié)合各自優(yōu)點(diǎn)更好地實(shí)現(xiàn)蓄電池的壽命預(yù)測(cè)。

        本文選擇容量作為退化因子,將前期已有的容量數(shù)據(jù)建立為時(shí)間序列(1,2,3,…,x),對(duì)LSTM模型進(jìn)行訓(xùn)練學(xué)習(xí),基于前個(gè)時(shí)刻的信息可以得到后一時(shí)刻的預(yù)測(cè)值。

        利用重要性采樣優(yōu)化新粒子的權(quán)重,越接近狀態(tài)預(yù)測(cè)值x的粒子,權(quán)重越大,用加權(quán)的粒子和逼近第時(shí)刻的容量預(yù)測(cè)值。新增的時(shí)間序列用來(lái)更新LSTM模型參數(shù)。具體流程如圖1。

        圖1 在線預(yù)測(cè)流程圖

        Step 1:對(duì)容量數(shù)據(jù)預(yù)處理,剔除不可用數(shù)據(jù),進(jìn)行歸一化;

        Step 3:處理后的數(shù)據(jù)投入到LSTM中進(jìn)行學(xué)習(xí)訓(xùn)練,LSTM中增加dropout模塊以防過(guò)擬合;

        Step 8:當(dāng)容量到達(dá)額定容量的70%,判定為電池失效,預(yù)測(cè)結(jié)束,得到剩余壽命。

        2 實(shí)驗(yàn)驗(yàn)證

        為研究鎘鎳電池老化特性,使用了多組同類型的動(dòng)車組車用排氣式鎘鎳電池,單體電池標(biāo)稱電壓1.2 V,額定容量160 A?h,高低溫試驗(yàn)箱用于維持試驗(yàn)環(huán)境溫度,蓄電池組測(cè)試系統(tǒng)用于監(jiān)測(cè)電流電壓等參數(shù)。

        圖2 實(shí)驗(yàn)設(shè)備

        根據(jù)鐵標(biāo)TB_T3061-2016規(guī)定在25 ℃±5 ℃環(huán)境下進(jìn)行循環(huán)壽命試驗(yàn),以50次循環(huán)為1組,每組循環(huán)中的第1次循環(huán)以0.25I充電6 h,以0.25I放電2.5 h,2~50次循環(huán)以0.2I充電7~8 h,以0.2I放電至1.0 V/節(jié),直至任一50次循環(huán)的放電時(shí)間少于3.5 h為止,以0.2I再進(jìn)行1組循環(huán),若連續(xù)2組的第50次循環(huán)放電時(shí)間都少于3.5 h,說(shuō)明容量下降到額定容量的70%以下,則壽命試驗(yàn)終止。

        根據(jù)安時(shí)積分定理計(jì)算得到容量,以容量作為電池性能退化特征:

        C為第k個(gè)充放電周期的容量;為放電電流,得到容量的時(shí)間序列,使用歸一化函數(shù)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理:

        模型的擬合度評(píng)價(jià)函數(shù):

        為了驗(yàn)證所提方法的預(yù)測(cè)效果,使用標(biāo)準(zhǔn)的粒子濾波對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)測(cè)作為對(duì)比。狀態(tài)轉(zhuǎn)移方程使用指數(shù)模型[21?23]:

        由實(shí)驗(yàn)得到,鎘鎳蓄電池前期因?yàn)槠涮赜械摹坝洃浶?yīng)”,呈現(xiàn)低容量現(xiàn)象,經(jīng)過(guò)多次徹底的充放電循環(huán)后,容量恢復(fù)到額定值,在第2 842個(gè)周期失效。電池失效的容量門限為112 A?h,分別以=1 100 cycle,=2 000 cycle為預(yù)測(cè)起始點(diǎn),使用預(yù)測(cè)起點(diǎn)前的實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練集,預(yù)測(cè)起點(diǎn)后數(shù)據(jù)作為測(cè)試集。LSTM模型結(jié)構(gòu)為輸入輸出層,一個(gè)LSTM層,dropout層,以及一個(gè)全連接層,優(yōu)化器使用adam。粒子數(shù)目=300,觀測(cè)噪聲協(xié)方差=0.000 1。

        (a) PF模型預(yù)測(cè)結(jié)果;(b) LSTM模型預(yù)測(cè)結(jié)果;(c) LSTM-PF模型預(yù)測(cè)結(jié)果

        表1 T=1 100 cycle,實(shí)驗(yàn)結(jié)果

        圖3中是預(yù)測(cè)起始點(diǎn)=1 100 cycle,實(shí)際RUL=1 742 cycle,融合模型LSTM-PF,標(biāo)準(zhǔn)PF及LSTM模型的預(yù)測(cè)對(duì)比圖,表1為3種模型的結(jié)果評(píng)價(jià),包括預(yù)測(cè)結(jié)果、誤差及擬合度。根據(jù)擬合度數(shù)據(jù)可以看出,融合模型誤差更小,且預(yù)測(cè)誤差較PF少27個(gè)周期,較LSTM少18個(gè)周期。

        (a) PF模型預(yù)測(cè);(b) LSTM模型預(yù)測(cè);(c) LSTM-PF模型預(yù)測(cè)

        表2 T=2 000 cycle,RUL預(yù)測(cè)值

        圖4中是預(yù)測(cè)起始點(diǎn)=2 000 cycle,實(shí)際RUL=842 cycle,融合模型LSTM-PF,標(biāo)準(zhǔn)PF及LSTM模型的預(yù)測(cè)對(duì)比圖,表2展示了3種模型的結(jié)果評(píng)價(jià),融合模型預(yù)測(cè)誤差較PF少9個(gè)周期,較LSTM少5個(gè)周期,具有較高的擬合度。

        實(shí)驗(yàn)結(jié)果表明,從同一起始點(diǎn)開(kāi)始預(yù)測(cè)時(shí),融合模型比標(biāo)準(zhǔn)的PF和LSTM模型具有更精確的預(yù)測(cè)結(jié)果,而對(duì)于3種模型而言,均有當(dāng)=2 000 cycle時(shí),比=1 100 cycle時(shí)預(yù)測(cè)效果更好,起始點(diǎn)越靠后,意味著更多的數(shù)據(jù)可以用于訓(xùn)練模型,模型愈加精確。對(duì)于同一模型,隨著觀測(cè)數(shù)據(jù)的更新,預(yù)測(cè)模型不斷學(xué)習(xí)并更新參數(shù),在線的預(yù)測(cè)結(jié)果也愈加精確。

        3 結(jié)論

        1) 針對(duì)高速列車動(dòng)車組車載鎘鎳電池進(jìn)行長(zhǎng)時(shí)間循環(huán)壽命實(shí)驗(yàn),完善了鎘鎳電池壽命研究的方法,為動(dòng)車組蓄電池的檢修修程提供參考。

        2) 融合模型結(jié)構(gòu)簡(jiǎn)單,LSTM嵌套于PF之中,壽命試驗(yàn)所得容量數(shù)據(jù)轉(zhuǎn)化為時(shí)間序列,用已有歷史數(shù)據(jù)訓(xùn)練LSTM模型得到退化趨勢(shì)方程,作為PF的狀態(tài)轉(zhuǎn)移方程,解決PF過(guò)于依賴經(jīng)驗(yàn)?zāi)P偷膯?wèn)題,PF利用粒子的加權(quán)和逼近容量的預(yù)測(cè)值,能得到剩余壽命的不確定表達(dá),在線方法使得模型參數(shù)更新及時(shí),有更好的適應(yīng)性。

        3)從=1 100 cycle,=2 000 cycle 2個(gè)起始點(diǎn)進(jìn)行預(yù)測(cè),比較融合模型、標(biāo)準(zhǔn)的PF和LSTM 3種方法的預(yù)測(cè)結(jié)果,結(jié)果表明,本文提出的融合方法有著更好的預(yù)測(cè)精度和擬合度,在后續(xù)的研究中將會(huì)考慮多變量因素(包括溫度、濕度、不同倍率充放電)情況的壽命預(yù)測(cè)研究。

        [1] 張曙光. CRH1型動(dòng)車組[M]. 北京: 中國(guó)鐵道出版社, 2008. ZHANG Shuguang.CRH1 electrical multiple units[M]. Beijing: China Railway Press, 2008.

        [2] HONG S, ZHOU Z, Zio E, et al. An adaptive method for health trend prediction of rotating bearings[J]. Digital Signal Processing, 2014, 35: 117?123.

        [3] TANG S, YU C, WANG X, et al. Remaining useful life prediction of lithium-ion batteries based on the wiener process with measurement error[J]. Energies, 2014, 7(2): 520?547.

        [4] XU X, CHEN N. A state-space-based prognostics model for lithium-ion battery degradation[J]. Reliability Engineering & System Safety, 2017, 159: 47?57.

        [5] WU J, ZHANG C, CHEN Z. An online method for lithium-ion battery remaining useful life estimation using importance sampling and neural networks[J]. Applied Energy, 2016, 173: 134?140.

        [6] 李禮夫, 張東羽. 基于形態(tài)與性能的動(dòng)力電池循環(huán)壽命預(yù)測(cè)方法[J]. 華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2018, 46(4): 1?7. LI Lifu, ZHANG Dongyu. An prognostic method power battery remaining useful life based on morphology and performance[J]. Journal of South China University of Technology (Natural Science Edition), 2018, 46(4): 1?7.

        [7] Bressel M, Hilairet M, Hissel D, et al. Remaining useful life prediction and uncertainty quantification of proton exchange membrane fuel cell under variable load[J]. IEEE Transactions on Industrial Electronics, 2016, 63(4): 2569?2577.

        [8] Jouin M, Gouriveau R, Hissel D, et al. Joint particle filters prognostics for proton exchange membrane fuel cell power prediction at constant current solicitation[J]. IEEE Transactions on Reliability, 2016, 65(1): 336?349.

        [9] Jouin M, Gouriveau R, Hissel D, et al. Prognostics of proton exchange membrane fuel cell stack in a particle filtering framework including characterization disturbances and voltage recovery[C]// Prognostics & Health Management. IEEE, 2014:1-6.

        [10] LIU Z, SUN G, BU S, et al. Particle learning framework for estimating the remaining useful life of Lithium-ion batteries[J]. IEEE Transactions on Instrumentation and Measurement, 2016, 66(2): 280?293.

        [11] XIONG R, ZHANG Y, HE H, et al. A double-scale, particle-filtering, energy state prediction algorithm for Lithium-ion batteries[J]. IEEE Transactions on Industrial Electronics, 2017, 65(2): 1526?1538.

        [12] Mejdoubi A E, Chaoui H, Gualous H, et al. Lithium-ion batteries health prognosis considering aging conditions[J]. IEEE Transactions on Power Electronics, 2018, 34(7): 6834?6844.

        [13] Patil M A, Tagade P, Hariharan K S, et al. A novel multistage support vector machine based approach for Li ion battery remaining useful life estimation[J]. Applied Energy, 2015, 159: 285?297.

        [14] Saha B, Goebel K, Poll S, et al. Prognostics methods for battery health monitoring using a Bayesian framework[J]. IEEE Transactions on Instrumentation and Measurement, 2009, 58(2): 291?296.

        [15] 周建寶, 王少軍, 馬麗萍, 等. 可重構(gòu)衛(wèi)星鋰離子電池剩余壽命預(yù)測(cè)系統(tǒng)研究[J]. 儀器儀表學(xué)報(bào), 2013, 34(9): 2034?2044.ZHOU Jianbao, WANG Shaojun, MA Liping, et al.Study on the reconfigurable remaining useful life estimation system for satellite Lithium-ion battery[J]. Chinese Journal of Scientific Instrument, 2013, 34(9): 2034?2044.

        [16] 周建寶. 基于RVM的鋰離子電池剩余壽命預(yù)測(cè)方法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2013. ZHOU Jianbao. Research on Lithium-ion battery remaining useful life estimation with relevance vector machine[D]. Harbin: Harbin Institute of Technology, 2013.

        [17] HU C, Youn B D, WANG P, et al. Ensemble of data-driven prognostic algorithms for robust prediction of remaining useful life[J]. Reliability Engineering & System Safety, 2012, 103: 120?135.

        [18] LIU J, Saxena A, Goebel K, et al. An adaptive recurrent neural network for remaining useful life prediction of lithium-ion batteries[C]// Annual Conference of the Prognostics& Health Management Society, 2010: 1?9.

        [19] 劉嘉蔚, 李奇, 陳維榮, 等. 基于核超限學(xué)習(xí)機(jī)和局部加權(quán)回歸散點(diǎn)平滑法的PEMFC剩余使用壽命預(yù)測(cè)方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2019, 39(24): 7272?7279, 7500. LIU Jiawei, LI Qi, CHEN Weirong, et al. Remaining useful life prediction method of PEMFC based on kernel extreme learning machine and locally weighted scatter plot smoothing[J]. Proceedings of the CSEE, 2019, 39(24): 7272?7279, 7500.

        [20] ZHANG Y, XIONG R, HE H, et al. Long short-term memory recurrent neural network for remaining useful life prediction of Lithium-ion batteries[J]. IEEE Transactions on Vehicular Technology, 2018, 67(7): 5695?5705.

        [21] 李玥鋅. 鋰離子電池SOC估計(jì)和剩余壽命預(yù)測(cè)研究[D]. 大連: 大連理工大學(xué), 2017. LI Yuexin. Research on SOC estimation and prediction of RUL of the Lithium-ion battery[D]. Dalian: Dalian University of Technology, 2017.

        [22] Saha B, Goebel K, Christophersen J. Comparison of prognostic algorithms for estimating remaining useful life of batteries[J]. Transactions of the Institute of Measurement & Control, 2009, 31(3): 293?308.

        [23] Jouin M, Gouriveau R, Hissel D, et al.Combined predictions for prognostics and predictive control of transportation PEMFC[J]. IFAC-Papers on Line, 2016, 49(28): 244?249.

        PF-LSTM modeling method for life prediction of Ni-Cd battery

        CHENG Shu1, GAN Qinjie1, ZHAO Ming2, BI Fuliang2, WANG Jiajie3, WANG Guoliang3, YU Tianjian1

        (1. School of Traffic and Transportation Engineering, Central South University, Changsha 410075, China;2. CRRC Changchun Railway Vehicles Co., Ltd, Changchun 130062, China;3. Asiantongdai Railway Equipment Co., Ltd, Qingdao 266000, China)

        The life prediction of a battery for an EMU can evaluate the battery status, avoid the occurrence of failures, reduce the cost of investment, and guide the inspection and repair process. Compared with the online prediction model, the offline prediction model can not adapt to the changing conditions and other factors. This paper proposed an online estimation method based on particle filter (PF) and long short-term memory network (LSTM). The traditional PF method relies on the empirical equation as the state transition equation, but the exact empirical equation is difficult to obtain. This paper used the existing data to train the LSTM model, the degenerate equation obtained by the model was used as the state transition equation of PF. The advantages of the approach can solve the problem of PF dependent empirical equations. The PF can give the uncertainty expression. The results show that the method model is simple and effective, and the prediction accuracy is good, which makes up for the lack of research on the remaining useful life model of cadmium-nickel battery. It has important significance for the development of battery residual life research.

        nickel-cadmium battery; remaining useful life;online estimation; long short-term memory; particle filter

        10.19713/j.cnki.43?1423/u.T20190960

        TM912

        A

        1672 ? 7029(2020)07 ? 1825 ? 08

        2020?10?30

        國(guó)家十三五重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2017YFB1200902-11)

        于天劍(1988?),男,吉林長(zhǎng)春人,講師,博士,從事電力牽引及傳動(dòng)控制研究;E?mail:250486154@qq.com

        (編輯 陽(yáng)麗霞)

        猜你喜歡
        蓄電池壽命容量
        人類壽命極限應(yīng)在120~150歲之間
        中老年保健(2021年8期)2021-12-02 23:55:49
        倉(cāng)鼠的壽命知多少
        馬烈光養(yǎng)生之悟 自靜其心延壽命
        人類正常壽命為175歲
        奧秘(2017年12期)2017-07-04 11:37:14
        聊聊蓄電池的那點(diǎn)事兒(1) 汽車蓄電池的前世
        蓄電池去哪兒了
        蓄電池去哪兒了?VOL12.雷克薩斯RX450h
        蓄電池去哪兒了?
        SnO2納米片容量異常行為的新解釋
        2015年上半年我國(guó)風(fēng)電新增并網(wǎng)容量916萬(wàn)千瓦
        風(fēng)能(2015年8期)2015-02-27 10:15:12
        97国产免费全部免费观看| 国产果冻豆传媒麻婆精东| 中文字幕一区二区人妻性色| 国产精品区一区二区三在线播放| 亚洲av之男人的天堂网站| 男人j进女人p免费视频| 中文字幕久久人妻av| 插上翅膀插上科学的翅膀飞| 欧美天天综合色影久久精品| 日韩一区二区肥| 伊人狼人影院在线视频| 极品少妇被黑人白浆直流| 亚洲av永久无码精品一区二区| 中文字幕无码日韩欧毛| 91羞射短视频在线观看| 男女性杂交内射女bbwxz| 日韩a无v码在线播放| 91热国内精品永久免费观看| 久久一区二区视频在线观看| 无码h黄肉3d动漫在线观看| 区久久aaa片69亚洲| 亚洲国产精品久久久久婷婷软件| 男性av天堂一区二区| 国色天香精品一卡2卡3卡4| 日本免费人成视频播放| 男人阁久久| 国产亚洲3p一区二区| 无码人妻一区二区三区免费视频| 精品无码国产污污污免费| 国产不卡在线免费视频| 免费的小黄片在线观看视频| 色妞ww精品视频7777| 亚洲精品乱码久久久久久麻豆不卡| 日本精品人妻在线观看| 在线观看亚洲av每日更新影片| 国产深夜男女无套内射| JIZZJIZZ国产| 亚洲av狠狠爱一区二区三区| 亚洲国产成人久久三区| 久久6国产| 国产一区二三区中文字幕|