ADEnet:一种基于注意力机制的深度集成网络,用于锂离子电池剩余使用寿命预测

《ADVANCED ENGINEERING INFORMATICS》:ADEnet: attention-based deep ensemble network for remaining useful life prediction of lithium-ion batteries

【字体: 大 中 小 】 时间:2026年07月30日 来源:ADVANCED ENGINEERING INFORMATICS 11.5

编辑推荐:

  摘要:近年来,锂离子电池在各类工业应用中的使用日益增多,因此准确预测其剩余使用寿命对于确保其安全可靠运行至关重要。然而,由于这类电池的退化过程十分复杂,且现有的基于模型的预测方法容易受到外部因素影响而存在稳定性问题,从而导致预测结果存在不确定性,难以准确预估剩余使用寿命。为解决这

  摘要:近年来,锂离子电池在各类工业应用中的使用日益增多,因此准确预测其剩余使用寿命对于确保其安全可靠运行至关重要。然而,由于这类电池的退化过程十分复杂,且现有的基于模型的预测方法容易受到外部因素影响而存在稳定性问题,从而导致预测结果存在不确定性,难以准确预估剩余使用寿命。为解决这些难题,我们提出了一种能够显著提升剩余使用寿命预测精度的新方法。与以往的研究不同,该方法将集成学习与长短期记忆网络相结合,通过将隐藏状态中的位置信息引入自注意力机制中,从而实现更强大的特征提取能力。我们提出了基于注意力的深度集成网络ADEnet,该网络借助这些创新技术提升了预测精度。ADEnet通过利用与电池健康状况核心指标——容量具有强相关性的多种新型时间序列特征来进行训练和测试。该方法仅需历史数据即可对锂离子电池的剩余使用寿命进行精准预测,无需依赖目标电池的初始退化数据。ADEnet不仅提升了预测精度,还降低了预测的不确定性,非常适合那些存在大量噪声数据的实际工业应用场景。通过使用真实世界数据集与多种现有技术进行全面对比测试,证明了所提出方法的优异性能,在剩余使用寿命预测方面取得了显著改进。

引言:锂离子电池具有高能量密度、高功率输出以及长使用寿命等优点,这使其区别于其他类型的电池。正因如此,它们被广泛应用于能量存储系统、电动汽车、便携式医疗设备以及航空航天领域。剩余使用寿命预测是指估算某个系统或组件预计失效或达到其使用寿命终点的时间。准确的剩余使用寿命预测对于制定有效的维护计划以及避免意外系统故障至关重要。通过估算组件的剩余使用寿命,企业可以采取主动措施,避免出现昂贵的运营中断。目前,剩余使用寿命预测技术通常依赖于历史数据、传感器读数以及其他相关信息,以此来分析电池的退化趋势和动态变化。因此,准确预测锂离子电池的剩余使用寿命对于确保其安全可靠运行具有极为重要的意义。

剩余使用寿命预测方法通常可分为基于模型法和数据驱动法两类。基于模型法依靠领域知识及物理原理,运用微分方程、状态空间模型以及基于第一性原理的物理模型等方法。相比之下,数据驱动法无需对系统有明确的物理理解,只需充足的传感器数据即可快速实现应用,无需对物理参数进行假设或经验估算。这类方法能够有效将嘈杂的高维数据转化为低维信息,从而帮助做出更准确的预测决策。用于剩余使用寿命预测的基于模型的方法包括基于物理的故障建模、卡尔曼滤波法以及粒子滤波法。这些方法需要一个能够描述锂离子电池退化轨迹的数学模型,通常会采用粒子滤波法来进行预测。已有研究提出了一种将扩展卡尔曼滤波器与粒子滤波器相结合的方法,用于预测锂离子电池的剩余使用寿命。尽管这些方法具有一定优势,但也存在明显局限:电池复杂的内部电化学特性使得难以构建精确的数学或物理模型;直接对电池损伤进行建模往往具有不可预测性且较为复杂,因此需要简化模型;此外,粒子滤波法还存在粒子简并等问题,可能会影响剩余使用寿命预测的精度。

数据驱动的锂离子电池剩余使用寿命预测方法则侧重于从历史数据中学习电池的退化规律,这些数据包括电池容量、电流、电压以及阻抗等参数。这类方法并不试图分析电池故障的根本原因或内部反应。为模拟电池的退化行为,人们采用了多种机器学习算法,如相关向量机、支持向量机、高斯过程回归、支持向量回归以及自回归模型等。这些方法高度依赖大量的历史数据来识别电池容量下降的趋势。但如果退化数据呈现高度非线性特征,预测的准确性可能会受到影响。神经网络技术的应用通过弥补传统算法的缺陷,显著提升了锂离子电池剩余使用寿命的预测精度。自适应循环神经网络能够用于评估电池的动态状态,从而实现剩余使用寿命的预测。有研究利用长短期记忆网络来捕捉电池的长期退化趋势,并建议将长短期记忆网络与其他模型结合使用以提高预测精度。不过研究发现,长短期记忆网络难以可靠地预测电池容量的恢复情况,尤其是容量出现的意外上升现象。此外,长短期记忆网络往往需要大量参数才能达到最佳预测效果。为克服这一参数过多的问题,有研究者采用了双向长短期记忆网络架构,以便更有效地捕捉特征之间的前后时间依赖关系。还有研究将多变量堆叠型双向长短期记忆网络应用于锂离子电池的健康管理之中。另外,门控循环单元作为长短期记忆网络的改进版本,通过简化结构提升了预测精度,因此在系统可靠性分析以及剩余使用寿命预测领域得到了广泛应用。另有研究提出了一种人工神经网络模型,该模型在初始训练阶段会与双重扩展卡尔曼滤波器相配合,从而从锂离子电池中提取关键信息。

近年来,深度学习已成为研究领域的热门方向,它在自动提取和分类数据特征方面展现出卓越的能力。有研究提出了一种改进型的卷积神经网络,该网络采用端到端的学习方式,利用电流、电压和温度等时间序列数据来预测电池的寿命终点。此外,为了进一步提升预测精度,人们还开发了混合预测模型。有研究提出了一种将卷积神经网络与长短期记忆网络相结合的混合模型,其中卷积神经网络负责特征提取,长短期记忆网络则负责预测工作。同样,也有研究者创建了一种深度混合网络,该网络将长短期记忆网络与卷积神经网络相结合,用于预测电池的剩余使用寿命,这一研究进一步证明了结合不同架构有助于提升预测效果。近期,在预测建模技术方面的进展,尤其是基于长短期记忆网络和门控循环单元的网络应用,主要集中在整合不同时间窗口的数据,以此提升锂离子电池剩余使用寿命预测的精度。这些模型能够通过门控结构有效捕捉电池容量数据中的时间依赖关系。然而,一个亟待解决的难题是:在利用时间窗口进行电池容量预测时,深度学习方法缺乏数据反馈和校正机制,这一问题可能会影响预测的可靠性,因此有必要开发融入反馈系统的改进方法。尽管数据驱动方法相比基于模型的方法具有诸多优势,但它们仍然存在一些固有的局限性。若要实现对锂离子电池剩余使用寿命的可靠预测,就必须克服以下几个主要挑战:首先,依赖循环神经网络(如长短期记忆网络、门控循环单元)的模型,会在处理长序列数据时出现梯度消失的问题,从而导致预测性能下降;其次,自注意力机制本身不具备序列处理能力,必须借助额外的时间编码机制才能解读序列数据,进而理解时间序列的变化规律;再者,数据量不足会给深度学习模型带来挑战,而离线训练的模型在处理噪声数据时往往存在困难,难以适应含有噪声的实时数据流,这也会导致预测结果不可靠;最后,现有的电池数据集中,电池的充放电循环次数相对有限,这就要求我们需要在全新的、未曾见过的数据上评估模型的性能,因为单一模型可能无法完全反映数据的复杂性。

为了解决锂离子电池剩余使用寿命预测方面的种种难题,我们提出了以下几项重要贡献:第一,本研究提出了计算效率更高的时间序列特征,这些特征与电池容量衰减之间存在显著的关联,因此能够助力实现准确的剩余使用寿命预测。而且这些特征完全是从历史数据中提取的,无需依赖目标电池的初始退化数据,这一优势对于实现大规模工业应用具有重要意义。这种方法设计得十分通用,无需针对不同类型的锂离子电池进行专门校准,即可应用于各种不同的电池系统中。第二,在利用长短期记忆网络从输入数据中提取有用信息之后,我们还将自注意力机制应用于该网络的隐藏状态,这样一来就可以直接计算任意两个序列之间的相关性,这对于预测锂离子电池的剩余使用寿命至关重要。这种方法能够有效解决时间序列数据中的距离相关问题,精准捕捉电池性能中的相互依赖关系以及长期变化规律。由此,它显著提升了长短期记忆网络处理长期依赖关系的能力,进而提高了剩余使用寿命预测的精度,同时也帮助长短期记忆网络在应对梯度消失和梯度爆炸问题时提升其预测性能。第三,我们通过正弦嵌入的方式将位置信息引入自注意力机制中,从而提升了该机制准确模拟时间序列数据的能力。这种改进通过明确编码时间关系,使得电池性能数据能够被更精准地解读,进而提高了剩余使用寿命预测的可靠性。选择正弦嵌入方案,是因为它具有稳定的梯度特性,且无需通过学习参数即可表示任意的序列位置。第四,为了应对锂离子电池剩余使用寿命预测中数据量不足的问题,我们开发了一种统一的集成学习方法。该方法借助自举聚合技术,在降低过拟合风险的同时保持了模型的可解释性,而这对于工业应用而言至关重要。实验结果表明,与单一模型以及异构集成模型相比,该方法在计算效率和预测精度方面都具有显著优势,尤其是在数据量较少的情况下表现更为突出。第五,所提出的方法无需目标电池的退化数据,仅依靠历史训练数据即可实现剩余使用寿命的预测。

本文的其余部分结构如下:第二节阐述了所提模型的问题定义及基本理论;第三节介绍了实验数据集的详细情况,并展示了所提方法及其竞争对手方法的预测结果;最后,第四节对全文进行了总结。

问题定义:剩余使用寿命预测方法是基于历史传感器数据进行的。如图1所示,问题描述及所提出的解决方法展示了剩余使用寿命预测面临的挑战,同时也概述了后续将详细介绍的总体解决方案。在本研究中,我们将这一挑战转化为通过网络训练找到最优的映射函数。一旦网络训练完成,就可以利用实时的传感器数据来高效、准确地预测电池的剩余使用寿命。

深度集成学习:集成学习通过整合多个独立的模型,从而提升模型的泛化能力。当与深度神经网络相结合时,便形成了深度集成学习,这种组合方式能够通过各模型之间的互补作用,协同提升预测性能。目前的集成学习方法可以分为几类:即袋装集成、堆叠集成、异构集成与同构集成,以及采用多数投票等技术的决策融合策略。

案例研究:在电池的研发过程中,NASA电池数据集和CALCE电池数据集被广泛用作基准数据集,因为获取电池的充放电实验数据既耗时又成本高昂。

结论:本研究提出了一种全新的ADEnet框架,该框架整合了集成学习、自注意力机制以及长短期记忆网络,能够在数据量有限的条件下实现精准的预测。此外,我们还设计了全新的计算效率高且仅基于历史数据提取的时间序列特征,这些特征能够捕捉电池容量衰减过程中的相关性,从而助力实现准确的剩余使用寿命预测。由于无需额外校准,这种方法极大地提升了其在不同类型锂离子电池应用中的适用性。为了解决与电池容量相关的各种挑战……

作者贡献声明:Hossein Ebrahimi:撰写原始稿件、软件开发、实验研究、形式化分析;Niloofar Mozafari:验证工作、监督指导、方法设计、概念构思;Mohammad Mehdi Arefi:撰写原始稿件、验证工作、监督指导、方法设计;Alireza khayatian:验证工作、监督指导、方法设计;Hao Luo:验证工作、方法设计、实验研究、概念构思。

利益冲突声明:各位作者声明自己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。

Hossein Ebrahimi | Niloofar Mozafari | Mohammad Mehdi Arefi | Alireza khayatian | Hao Luo
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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