Mar, 2024

CPS 时代下的锂离子电池健康预测现状

PDF
TL;DR研究论文探讨了锂离子电池（Li-on）与预测与健康管理的无缝集成，提供了一种多学科方法，增强了这些动力源的可靠性、安全性和性能。重点深入探讨了剩余寿命（RUL），强调其在预测组件故障之前的作用。论文综述了各种 RUL 预测方法，从传统模型到尖端的数据驱动技术。此外，它强调了深度学习架构在锂离子电池健康预测领域中的转变，解释了深度学习在解决电池系统复杂性中的关键作用。还探讨了 PHM 在各行业的实际应用，为读者提供了对实际实施的洞察。该论文旨在成为锂离子电池 PHM 领域研究人员和实践者的全面指南。
lithium-ion batteriesprognostics and health managementremaining useful liferul prediction methodsdeep learning architectures
发现论文，激发创造
  • 锂离子电池剩余寿命的两阶段早期预测框架

    通过使用神经网络模型判断降解数据的健康状态并预测第一次预测周期之后的降级模式，本文提出了一种用于锂离子电池剩余寿命（RUL）预测的新方法，并通过实验证明该方法在 RUL 预测方面优于传统方法，显示出在实际场景中提供更准确可靠的电池管理能力。

    Aug, 2023

  • 用变压器预测多变量电池性能和健康状态

    通过使用深度转换网络，我们展示了对 28 个电池健康描述符进行预测的第一步，使用两组循环数据集代表了六种锂离子阴极化学组成（LFP，NMC111，NMC532，NMC622，HE5050 和 5Vspinel），多种电解质 / 阳极组成和不同的充放电方案。这些预测与电池寿命相比的准确性（对于一个 LFP 快充数据集预测终点寿命的绝对平均误差为 19 个循环）展示了深度学习在提供更深入理解和控制电池健康方面的潜力。

    Sep, 2023

  • 锂离子电池剩余使用寿命及状态健康度评估（适用于电动汽车）

    提出一种基于机器学习技术的方法，利用电压、电流和温度等各种电池性能参数，训练一个预测模型以准确预测锂离子电池的剩余使用寿命，并在一组锂离子电池循环数据集上评估了该方法的性能，取得了显著的效果

    May, 2023

  • 铅酸电池剩余寿命估计的机器学习方法映射研究

    本文介绍了机器学习方法在估计铅酸电池 State of Health 和 Remaining Useful Life 方面的研究现状，并分析了测量铅酸电池性能的传感器组合。

    Jul, 2023

  • 锂离子电池循环寿命预测：机器学习与更多

    电池是动态系统，受到电池设计、化学成分、制造和工作条件等复杂的非线性老化影响。预测电池的循环寿命和估算老化状态对于加快电池的研发和测试，以及进一步了解电池的退化过程非常重要。本教程首先概述了循环寿命预测的基本原理、机器学习和混合电池模型。然后，解释了从实验室测试数据中开发可解释的机器学习模型的典型流程，并且强调了机器学习模型所面临的挑战，以此来激发将物理学引入混合建模方法的动机，后者对于解读电池的老化轨迹至关重要，但需要更多的数据和进一步研究电池退化的物理学。本教程最后讨论了普适性和进一步的研究方向。

    Apr, 2024

  • GPT4Battery：基于 LLM 的自适应状态估计原始锂离子电池的框架

    利用大规模语言模型提出了一种适用于不同电池的适应性健康状态估计框架，通过测试时间训练技术保证了估计准确性，并在 62 个电池的四个公认数据集上达到了最先进的准确度。

    Jan, 2024

  • 采用数据分析和等值电路建模技术对老化锂离子电池进行健康诊断和恢复

    通过 62 个商用高能型磷酸铁锂（LFP）电池的老化和重整实验，该论文使用机器学习模型预测电池寿命，并识别可恢复能力的重要指标，还发现了侧向锂非均匀性对可恢复容量损失的贡献，并通过等效电路模型和实验证明了锂非均匀性如何积累并导致可恢复容量损失，SHapley Additive exPlanations（SHAP）分析揭示了电池操作历史对容量恢复的显著影响。

    Sep, 2023

  • 稳健电池预测的概率融合方法探索

    本研究采用贝叶斯集成学习方法，结合神经网络和贝叶斯建模概念，预测锂离子电池容量衰减，同时量化电池设计和老化过程所带来的不确定性，实现了对复杂、遥远和可靠操作自主系统潜力的准确预测。

    May, 2024

  • 一种用于牢固的巡检无人机操作的混合概率电池健康管理方法

    利用混合概率方法，根据物理模型和概率纠错模型，预测锂聚合物电池的放电结束电压；通过对实际数据集进行评估，该方法相比其他概率方法在概率准确性上表现出 14.8% 的改善，并为电池健康状态的诊断提供了可靠的估计。

    Apr, 2024

  • 利用时空多模态注意力网络预测锂离子电池剩余寿命

    提出了一种基于时空多模态注意网络（ST-MAN）的二阶段锂离子电池剩余寿命预测方案，能够捕捉电池数据中复杂的时空依赖关系，并在预测剩余寿命方面实现了最先进的性能。

    Oct, 2023