数据驱动的锂离子电池诊断与剩余寿命预测方法

机理-数据驱动的锂离子电池诊断与剩余寿命预测方法02/融合物理信息参数和电化学阻抗谱的锂离子电池诊断03/基于模型集成的锂离子电池剩余寿命预测2锂离子电池用途广泛口高能量密度，较低成本和较长寿命的特点，使得锂离子电池在工业领域和现代生活中的广泛使用。口充放电循环过程，锂离子电池内部会发生物理和电■物理退化机制电应力 vehiclesbasedontheFMEAmethod[C]2014研究背景和意义口锂离子电池状态指标■充放电循环数电池完成一次100%完整放电/充电的过程，作为时间长度指标来定义电池的寿命及剩余使用寿命电池在一定条件下完全放电，所能释放出来的电荷总数■电池内阻(R)电流流经电池内部所受到的阻力■剩余使用寿命(RUL)在一定充放电条件下，电池从当前容量降低至额定容量80%所能进行的充放电循环次数荷电状态荷电状态SOC健康状态SOH研究背景和意义可靠安全地使用锂离子电池(1)阻抗；(1)阻抗；(2)界面现象；(3)材料特性；研究背景和意义锂离子电池的剩余寿命预测锂离子电池的剩余寿命预测针对锂离子电池的故障预测与健康管理(PHM)成为相关领域的研究热点。剩余寿命预测(RUL)是PHM的核心问题。研究背景和意义确信可靠性理论退化永恒原理退化永恒原理可靠性：确定性与不确定性的综合研究背景和意义确信可靠性理论裕量方程：②2阻抗谱的锂离子电池诊断传统锂离子电池诊断方法基于模型的方法电化学模型等效电路模型学-物理方程，描述锂离子电池退化规律。电化学模型等效电路模型(1)电化学模型；(2)半经验模型；(3)等效电路模型；(1)随机过程模型；(2)回归模型；(3)深度学习模(1)随机过程模型；(2)回归模型；(3)深度学习模深度学习模型深度学习模型传统锂离子电池诊断方法电压曲线容量曲线电压曲线容量曲线难度较大。口数据驱动方法：解释性有限，因为其结构通常是黑箱，口数据驱动方法：解释性有限，因为其结构通常是黑箱，且训练过程的随机性又加剧这一现象。电流曲线融合物理信息参数和电化学阻抗谱的锂离子电池诊断电化学阻抗谱的阻抗谱，能够提供锂离子电池内部状态的丰富信息；处于服役阶段的电池防护，以及退役电池的梯次利用。锂离子电池在一次充放电循环的EIS口EIS口EIS随着锂离子电池容量退化，呈现明显变化趋势。锂离子电池运行期间的EIS数据集融合物理信息参数和电化学阻抗谱的锂离子电池诊断口为分析锂离子电池内部状态，将EIS作为研究对象，使等效电路模型RsEIRcTZwarRse:固体电解质膜内阻。Zwar:沃伯格阻抗。电池01电池05Normalizedoh公众号·5融合物理信息参数和电化学阻抗谱的锂离子电池诊断(1)使用充放电曲线，对锂离子电池内部状态分析少；(1)使用充放电曲线，对锂离子电池内部状态分析少；(3)有限的可解释性。以获得准确和可解释的锂离子电池容量估计值。融合物理信息参数和电化学阻抗谱的锂离子电池诊断融合物理信息参数和电化学阻抗谱的锂离子电池诊断口(5)第四种融合机制：多任务学习，将领域知识：判定锂离子电池的寿命是长寿还是早衰，作为分类任务，整合到容量估计；融合物理信息参数和电化学阻抗谱的锂离子电池诊断融合物理信息参数和电化学阻抗谱的锂离子电池诊断口(5)第四种融合机制：多任务学习，将领域知识：判定锂离子电池的寿命是长寿还是早衰，作为分类任务，整合到容量估计；(5)第四种融合机制(6)第五种融合机制口(7)第六种融合机制：在第四种融合机制的基础上，进行物理正则化；口(1)基准模型：将阻抗谱曲线作为DL模型的输入，进行锂离子电池的容量估计；口(2)第一种融合机制：将阻抗谱曲线作为DL模型将一条阻抗谱曲线所有点的将一条阻抗谱曲线所有点的的输入，将物理信息参数也作为输入；实部和虚部作为模型输入实部和虚部作为模型输入口(3)第二种融合机制：考虑到物理信息参数的维度要远低于阻抗谱曲线，则对输出的影响可能被稀释，则将其输出到靠近输出层的隐层；口(4)第三种融合机制：物理正则化，赋予某个隐层特定神经元物理意义，将这些神经元的数值通过将一条阻抗谱曲线所有点的设计的损失函数，向物理信息参数靠拢；融合物理信息参数和电化学阻抗谱的锂离子电池诊断循环次数循环次数循环次数循环次数口7种模型都可对容量进行估计，较为准确；不同模型对应不同的精准度；口7种模型都可量化预测不确定性；不同模型的预测不确定性有明显差异。融合物理信息参数和电化学阻抗谱的锂离子电池诊断口相较于基准模型，整合物理信息参数和领域知识的口相较于基准模型，整合物理信息参数和领域知识的模型，都可提高容量估计的精准度和确定性；-第一种融合机制—第五种融合机制-第二种融合机制—第六种融合机制口整合物理信息参数时，第二种融合机制优于第一种融合机制；口整合物理信息参数时，物理正则化(第三种融合机口整合物理信息参数时，物理正则化(第三种融合机制)的诊断结果是最好的；口再整合领域知识，多任务学习能够进一步提升模型口再整合领域知识，多任务学习能够进一步提升模型的诊断性能；口采用物理正则化的多任务学习(第六种融合机制)口采用物理正则化的多任务学习(第六种融合机制)的容量估计的精准度和确定性最高。电池领域应用电池容量退化(PHM)成为相关领域的研究热点。电池领域应用电池容量退化2法法电化学模型、基于SE膜的机理模型、等以多项式、双指数及其变型经验模型为主随机过程模型等■■经验模型模型1(双指数模型):C₁(k)=α₁·exp(α₂·k)+α₃模型2(多项式模型):变量，代表充放电循环次数。PNGV模型：■电化学模型基于SEI机理模型电化学第一原理模型单因子和多因子综合电化学模型■等效电路模型建模复杂求参困难模型1(双指数模型):C=α₁·exp(a₂·k)+a₃·exp(a₄·k)模型2(多项式模型):C₂k=β₁·k²+β₂·k+β₃时间变量，代表充放电循环次数。锂离子电池锂离子电池RUL预测不确定性问题反映于从一系列候选模型中选择适应于当前预测对象的最佳模型涉及的不确定性√数据不确定性需要在退化过程的建模中对数据噪声进行合理的量化；√模型集成法方法是模型不确定问题的有效解决途径，但模型的集成机制需反映模型的预测性能水平等因素，有效的集成机制仍有待研究。反映于由设备、产品内外环境和测量误差引起的数据噪声模型模型不确定性p确定个体模型确定模型权重建立集成模型确定个体模型确定模型权重进行状态预测分配①条分配①条②属 模型层数据验证集V2验证集VI多项式模型状态空间数据噪声是模型权重分配方案个体在线数据权重初始化集成模型构建基于误差分解的加权方法粒子滤波算法口反映个体模型预测性能水平口具有退化相关性模型权重分配方案：权重初始化RUL,=k""-k,e=RUL-RUL模型权重分配方案：权重更新生成初始粒子集{02,1-=1,M生成初始粒子集{02,1-=1,M开始(k=0)结束否Al电池研我社在线训练在线训练在线数据是案例应用◆选用Maryland大学公开的CS2和CX2两个数据集进行案例应用，每个数据集包含四个锂离子电池的全充电过程2.保持电压不变直到充电电流降至50mA放电过程◆失效判据：电池容量下降至初始容量的80%.案例应用画案例应用及参数计算案例应用及参数计算◆4折交叉验证结果1 ◆数据噪声方差计算σ²案例应用(1)平均绝对误差(MAE)个体模型1个体模型1只派个体模型1案例应用案例应用循环数循环数循环数案例应用(1)平均绝对误差(MAE)2)均方根误差(RMSE)知识星球锂电派案例应用循环数循环数测试集(CS2-#3)效循环数循环数测试集(CS2#3)1案例应用□95%置信水平下的预测区间总结√强大的非破坏性的技术√可用于分析物理和电化学反应√包含丰富的内部状态信息多种融合机制多种融合机制扩展输入空间：P多任务学习等效电路模型：CPE₁√建模电化学阻抗谱√表征物理和电化学反应性可通过多种融合机制得到进一步提升。Y.-H.Lin,S.-J.Ruan,Y.-X.Chen,Y.-F.Li,Physics-informeddeeplearningelectrochemicalimpedancespectroscopy,RenewableandSustaina提出了数据噪声量化方法，并应用于基于经验模型和粒子滤波算法的RUL预测方法中，为基于模型集成的RUL预测方法提供了研究基础。通过案例应用说明了该方法可以有效利用不断更新的在线数据信息实现RUL实时预测，降低剩余寿命的预测误差，并说明了剩余寿命预测中的存在的模型不确定性问题。建立了完整的基于模型集成的锂离子电池RUL预测方法框架，并针对模型集成方法中个