基于堆叠双线性神经网络的动力锂电池多动作预测性维护方法
《Reliability Engineering & System Safety》:Multi-action predictive maintenance for lithium-ion batteries based on stacked bilinear neural network
【字体:
大
中
小
】
时间:2026年03月08日
来源:Reliability Engineering & System Safety 13.7
编辑推荐:
王宗耀|尚冠伟|彭聪|徐志强|范嘉伟|恩里科·齐奥中国北京,北京交通大学自动化与智能学院,邮编100044
摘要:准确预测电池的剩余使用寿命,并制定相应的预测性维护策略,对于确保其可靠高效运行至关重要。然而,现有的大多数预测性维护研究很少考虑将概率性剩余寿命预测与短期维护决策相
王宗耀|尚冠伟|彭聪|徐志强|范嘉伟|恩里科·齐奥中国北京,北京交通大学自动化与智能学院,邮编100044
摘要:准确预测电池的剩余使用寿命,并制定相应的预测性维护策略,对于确保其可靠高效运行至关重要。然而,现有的大多数预测性维护研究很少考虑将概率性剩余寿命预测与短期维护决策相结合的统一框架,这难以满足现代工业系统对智能化维护日益增长的需求。为弥补这一缺陷,我们提出了一种基于概率剩余寿命预测的短期多动作预测性维护策略。首先,构建一种堆叠双线性神经网络,从测量数据中提取特征交互作用和时间衰减模式。然后,通过将分位数回归与核密度估计相结合,得到完全基于数据的概率剩余寿命表示。基于预测的剩余寿命分布,为单组件和多组件系统制定了考虑停机时间、备件库存及运行周期长度的多动作维护模型。最后,利用来自MIT和牛津的两个真实锂离子电池退化数据集验证了该方法的有效性。实验结果表明,所提出的剩余寿命预测方法在点估计和不确定性量化方面均表现出最佳性能,其平均均方根误差为13.7672,平均百分比点距为0.9552,优于多种现有先进算法。此外,该预测性维护策略能有效防止组件级故障,降低系统级维护成本。
引言:锂离子电池是一种寿命长、能量密度高且环保的可充电电池,目前是最广泛使用的电池技术[1]。但随着锂离子电池反复经历充放电循环,其性能不可避免地会随时间下降。当性能下降超过一定阈值时,若不及时处理,可能会导致设备故障甚至灾难性失效[2]。为确保设备的安全可靠运行,提前准确预测电池的剩余使用寿命并制定有效的维护策略具有实际意义。
近年来,锂离子电池剩余使用寿命的预测越来越受到关注。现有方法大致可分为两类:基于模型的方法和基于数据的方法[3]。基于模型的预测方法假设存在描述电池健康状况随时间变化的数学结构[3]。这些方法通常采用等效电路模型、基于物理的退化模型[4]、经验老化模型[5]或随机过程模型来估算电池容量,进而预测设备的剩余使用寿命。例如,Sangiri等人[6]建立了电池的电化学模型,利用离散傅里叶变换分析输出电压响应谱以研究电池老化现象。Ramadesigan等人[7]建立了考虑容量退化的锂离子电池等效物理模型,通过初始循环期间的电压-放电曲线估算电池寿命。Zhang等人[8]提出了具有随机时变协变量的非线性维纳过程,并在NASA锂离子电池退化数据集上验证了该方法。Zhai等人[9]采用自适应维纳过程对电池容量进行建模,进而得出电池剩余使用寿命的概率密度函数。此外,还有一些研究结合了粒子滤波器等先进滤波技术,实时估算锂离子电池的未来容量趋势。例如,Pang等人[10]采用了改进的粒子群优化方法,更新粒子滤波框架中每个粒子的速度和位置。实验表明,所提方法能够准确预测电池容量。但实际上,构建具有良好泛化能力的精确退化模型颇具挑战性[11]。
与基于模型的方法相比,基于数据的方法在剩余使用寿命预测领域近年来被越来越多地采用。与基于模型的方法不同,这类方法无需使用等效电路、经验公式或随机过程来构建电池退化过程的精确物理或数学模型,而是直接从庞大复杂的数据集中学习老化特征与电池寿命之间的映射关系,因此具备更强的泛化能力[12]。与传统机器学习方法相比,深度学习因其强大的学习复杂隐式非线性特征的能力,被广泛用于锂离子电池剩余使用寿命预测[13][14]。在深度学习中,一类称为循环神经网络的神经网络模型能够从原始监测数据中提取时间信息,因此在锂离子电池剩余使用寿命预测领域越来越受欢迎。例如,Reza等人[15]采用闪电搜索算法优化长短期记忆网络的超参数,以实现准确的电池剩余使用寿命预测。Liu等人[16]建立了电压信号的数学模型以提取特征,并利用门控循环单元估算电池剩余使用寿命。Ma等人[17]提出了一种基于改进长短期记忆网络和极端梯度提升法的锂离子电池健康状态与剩余使用寿命联合预测方法。鉴于卷积神经网络能够从数据中提取潜在特征,许多研究将卷积神经网络与循环神经网络结合,以提高剩余使用寿命预测的准确性。Ren等人[18]提出了一种基于自编码器-卷积神经网络-长短期记忆网络架构的预测方法,实验结果表明该方法能够生成平稳可靠的剩余使用寿命估算值。为在训练数据有限的情况下实现准确的剩余使用寿命预测,Jia等人[13]开发了一种将卷积神经网络与深度双向长短期记忆网络相结合的框架。Faizanbasha等人[19]提出了一种基于时间卷积神经网络-Transformer-双向长短期记忆网络-平滑半鞅架构的电池剩余使用寿命预测方法。在两个真实世界数据集上的测试表明,所提方法优于众多现有先进算法和基准方法。然而,传统的基于循环神经网络或卷积神经网络的方法往往存在两大局限:其一,卷积神经网络和循环神经网络只能沿单一维度建模依赖关系[20];此外,卷积神经网络仅能提取局部时间模式,可能丢失全局时间序列信息,而长短期记忆网络在非平稳和含噪声的序列上表现较差。其二,大多数预测模型仅关注剩余使用寿命的点估计,忽视不确定性量化,而概率性剩余使用寿命对于制定可靠的维护策略至关重要[21]。
将深度学习架构与贝叶斯神经网络相结合,可以有效地对网络内的不确定性进行建模,从而量化预测结果中的不确定性。特别是,贝叶斯深度学习框架能够表征剩余使用寿命预测中的认知不确定性(未知模型参数)和随机不确定性(数据噪声)。例如,Caceres等人[22]开发了一种考虑认知不确定性和随机不确定性的概率贝叶斯循环神经网络。Kim等人[23]基于前馈神经网络和贝叶斯神经网络开发了一种混合模型,用于共同建模认知不确定性和随机不确定性。Chen等人[24]将贝叶斯神经网络与双向门控循环单元结合,全面考虑并量化预测不确定性。Najera等人[25]采用基于物理知识的贝叶斯神经网络预测锂离子电池故障。Zhang等人[26]开发了一种将贝叶斯卷积神经网络与贝叶斯长短期记忆网络相结合的贝叶斯混合神经网络,最终得到电池剩余使用寿命的概率密度函数。Lin等人[27]提出了一种基于贝叶斯神经网络和不确定性校准的剩余使用寿命预测框架,用于估算涡扇发动机和锂离子电池的剩余使用寿命。理论上,贝叶斯神经网络的输出分布是未知的;但在实际应用中,通常通过变分近似及相关技术将其简化为高斯分布或高斯混合分布[26][27][28]。此类简化可能无法捕捉到真实的剩余使用寿命分布,后者可能是非对称的或多模态的。
在概率性剩余使用寿命预测中,锂离子电池研究的最终目标是为预测性维护制定合适的策略。然而,许多研究仅专注于估算剩余使用寿命的概率密度函数,而忽视了将剩余使用寿命预测信息与维护决策相结合[2]。例如,Wang等人[29]提出了一种基于随机建模的多模态不确定性感知剩余使用寿命预测框架,以提高谐波减速器预测性维护决策的可靠性。为支持预测性维护,Jiang等人[30]提出了一种结合卷积神经网络、长短期记忆网络和贝叶斯神经网络的框架,用于预测轴承的剩余使用寿命概率密度函数。有些研究仅将剩余使用寿命预测结果或维护知识纳入预测阶段或维护阶段,未能构建一个由剩余使用寿命信息驱动的连续且整合的预测性维护框架。例如,He等人[31]提出了一种基于剩余使用寿命信息的条件维护策略,旨在确定能实现最大经济利益的决策方案。Li等人[32]将维护成本纳入神经网络的损失函数中,旨在在准确预测剩余使用寿命的同时降低维护成本。此外,许多关于设备预测性维护的研究仅关注长期维护规划,忽视了剩余使用寿命的动态更新。例如,Wang等人[33]基于剩余使用寿命预测开发了混合整数线性规划模型,用于解决飞机发动机的长期维护调度问题。Zhu等人[34]提出了一种兼顾成本和风险的长期维护策略,以降低整体维护费用。Faizanbasha等人[35]提出了一种基于深度学习集成模型的剩余使用寿命预测方法,并基于预测的剩余使用寿命信息制定了任务中止决策策略,该策略在航空发动机数据集上得到了验证。在我们之前的研究[14]中,我们为锂离子电池开发了一种多目标长期维护模型,通过优化预防性更换间隔来降低维护成本并提高设备可用性。
为充分利用概率性剩余使用寿命预测结果并降低维护成本,本研究提出了一种适用于单组件和多组件系统的多动作预测性维护策略。与许多现有维护策略[2][36]不同,所提方法不仅考虑预防性和纠正性更换措施,还考虑了设备停机时间、备件持有成本以及运行周期,并将单组件维护模型扩展到多组件系统。此外,为获得可靠的剩余使用寿命信息,我们提出了一种基于堆叠双线性神经网络、分位数回归和核密度估计的剩余使用寿命预测方法。该方法既能提供准确的点估计值,又能给出可信的剩余使用寿命概率密度函数,从而支持基于数据的维护决策制定。本研究的主要贡献如下:(1)与主要捕捉时间模式或局部特征结构的卷积神经网络/长短期记忆网络/时间卷积神经网络架构不同,所提出的堆叠双线性神经网络模型能够捕捉时间动态与退化特征之间的二阶交互作用,从而为复杂的电池退化过程实现更丰富的表示学习。(2)通过将多分位数回归与核密度估计相结合,构建了一种非参数不确定性建模框架,无需依赖特定的分布假设即可学习剩余使用寿命分布。(3)将预测得到的剩余使用寿命分布直接嵌入到注重成本的预测性维护框架中,将概率性预测与运营决策相衔接,而非将不确定性估计视为独立任务。(4)通过两个真实世界数据集的实验验证了所提框架的有效性。
本文的其余部分分为四个主要章节。第2节介绍所提出的多动作预测性维护框架。第3节阐述剩余使用寿命预测方法及预测性维护中维护策略的原理和实现步骤。第4节利用两个真实世界数据集评估所提方法的有效性并分析结果。第5节总结本研究工作,并指出未来研究的可能方向。
多动作预测性维护框架:在本节中,我们提出了一种针对锂离子电池的多动作预测性维护框架,该框架结合了基于堆叠双线性神经网络的剩余使用寿命预测、不确定性量化以及多动作维护策略,如图1所示。所提出的预测性维护框架包括三个主要步骤。第一步是对收集到的数据进行预处理。在对退化测量值进行标准化处理后,采用滑动窗口技术来丰富原始数据中所包含的时间信息。
所提出的方法:在本节中,我们首先构建堆叠双线性神经网络模型,然后通过分位数回归和核密度估计得到概率性剩余使用寿命。随后,基于该概率性剩余使用寿命构建多动作预测性维护模型。
实验与结果分析:在本节中,我们利用MIT[41]和牛津[42]两个真实世界数据集验证所提预测性维护策略的有效性,并分析所得结果。
结论:本研究提出了一种针对锂离子电池的多动作预测性维护策略,旨在为实际工业环境中的维护决策提供支持。一方面,通过SBNN-QR-KDE框架获得了可靠的剩余使用寿命概率密度函数。将该预测方法应用于MIT和牛津的电池数据集后,其表现十分优异,对应的RMSE值分别为24.8660和2.6648,PICP值分别为0.9771和0.9333。这些结果优于其他基准模型。
致谢
本研究得到了北京市自然科学基金丰台轨道交通前沿研究联合基金(项目编号L231003)、北京市优秀青年科学家计划JWZQ20240101010以及中央高校基本科研业务费2024YJS115的支持。
作者贡献说明
王宗耀:撰写——初稿、验证、软件、方法论、正式分析。尚关伟:撰写——审阅与编辑、指导、资金获取、正式分析。彭聪:撰写——审阅与编辑、验证、软件、方法论、研究调查。徐志强:方法论、正式分析、数据整理。范家伟:软件、方法论、正式分析。恩里科·齐奥:撰写——审阅与编辑、指导。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号