Jun, 2024

基于高斯过程的锂离子电池系统健康监测与故障分析

PDF
TL;DR应用高斯过程电阻模型对锂铁磷酸盐电池的实测数据进行分析，实现了对时间依赖性和工作点依赖性电阻的有效分离，进而通过递归时空高斯过程开发了概率性故障检测规则，能够进行高效的在线监测，进一步深入了解电池组在实际应用中的失效过程。
发现论文，激发创造
  • 利用递归高斯过程回归从数据中学习电池模型参数动态变化

    本文提出一种基于数据驱动和模型驱动方法相结合的混合方法来进行电池健康估计，并证明其计算效率高、数据适用性强以及对不同操作条件具有鲁棒性。实验结果表明该方法能够准确预测电池容量和内阻，为了解电池在实际应用中的老化问题提供了新机遇。

    Apr, 2023

  • 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

  • CPS 时代下的锂离子电池健康预测现状

    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。

    Mar, 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

  • 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

  • 基于驾驶行为的机器学习电动车电池健康监测

    开发了一种考虑驾驶行为的特征提取方法，通过评估在真实驾驶情况下特征的获取概率，实现了可靠的电池健康监测，并突出了在开发面向特征的电池健康监测算法时平衡性能和实用性的重要性。

    Sep, 2023

  • 联合电池诊断和预测

    通过以隐私保护的分布式方法处理电池数据和剩余寿命预测，我们提出了一个联邦电池预测模型，在电池健康管理方面提供了一种范式转变。

    Oct, 2023

  • 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

  • 通过捕捉电池老化的当前状态和演化速率来提高现场寿命预测和分类性能

    通过捕捉电池的老化状态和降解速率，本研究提出了一种方法来提高电池寿命的预测性能。该方法通过从电压松弛数据中提取等效电路模型的六个物理特征来指示老化状态，并通过从移动窗口内电压松弛曲线的差异或不同周期的容量 - 电压曲线的差异提取两个特征来捕捉降解速率。基于高斯过程构建了两个机器学习模型，分别用于描述这些物理特征与电池寿命之间的关系，用于寿命预测和分类。该方法在三种不同类型的 74 个电池单元的老化数据上进行了验证。实验结果显示，仅使用 3-12 分钟的采样数据，具有新特征的方法可以准确预测电池寿命，与基准方法相比，预测准确率提高了 67.09%。仅使用两个相邻周期的信息，电池被分为三组（长寿、中寿、短寿），整体准确率大于 90%，实现了退役电池的高效重新分组。

    Aug, 2023

  • 基于物理知识神经网络的锂电池预测与健康管理模型融合

    本文提出了基于 PINN 模型融合物理动态模型和数据驱动模型用于锂离子电池降解动力学的半经验 / 半物理偏微分方程的模型融合方案，并采用基于不确定性的自适应加权方法平衡多个学习任务在公共 LFP / 石墨化锂离子电池数据集上进行验证。

    Jan, 2023