法律状态公告日
法律状态信息
法律状态
2022-09-16
实质审查的生效 IPC(主分类):G01R31/392 专利申请号:2022106286331 申请日:20220606
实质审查的生效
1.1所属技术领域
本发明提供一种基于物理信息神经网络的电源产品剩余使用寿命在线预测方法，属于可靠性工程技术领域。
1.2背景技术
近年来，随着电池技术的进步，以锂电池组为代表的电源产品已经广泛应用在诸多领域。在实际使用中，电流、温度、力学等因素会影响电源产品的使用寿命。因此，考虑物理因素综合影响的电源产品剩余使用寿命在线预测是亟需解决的问题。
目前，电源产品剩余使用寿命预测的方法主要包括基于模型的方法和数据驱动的方法。其中，基于模型的方法可以较为准确的计算电源产品的剩余使用寿命，但高精度模型的求解计算规模较大，时间成本较高，无法直接用于在线计算。此外，准确的数据驱动方法通常需要大量详实的数据样本，然而在电源产品实际运行条件下难以获得大量完备的数据，特别是传感器无法直接测量的信息。因此，需要发展一种融合数据和模型的方法，能够在不完备数据信息条件下挖掘隐藏的物理信息，实现精确的电源产品剩余使用寿命在线预测。
物理信息神经网络是一种在训练过程中施加了物理信息约束的神经网络，相较于传统的神经网络，物理信息神经网络能够用更少的数据样本获得较强的泛化能力。同时，与基于有限元的物理仿真方法相比，物理信息神经网络方法又能充分利用数据信息，解决高维非线性、物理模型难以建立等问题。为此，本发明提出一种基于物理信息神经网络的电源产品剩余使用寿命在线预测方法。
1.3发明内容
本发明提供一种基于物理信息神经网络的电源产品剩余使用寿命在线预测方法，主要包含以下步骤：
步骤一：构建电源产品工作数据采集系统；
设计并搭建针对电源产品运行期间工作数据的采集系统，实时采集并传输电源产品运行期间的状态数据。本步骤包含2个子步骤：
步骤1：数据采集传感器的选取及位置布局设计
根据电源产品的型号、性能、安全性与可靠性特点，采集的数据类型包括温度、电压和电流。根据电源产品的结构特点，对电源产品整体和局部布置传感器以采集运行期间的状态数据，具体传感器类型及其采集的数据如表1所示。
表1传感器类型及采集数据类型
考虑准确性和经济性，结合仿真对传感器布置位置进行优化，对于几何结构复杂、仿真精度不满足工程需求的区域，增加传感器数量。
步骤2：实时采集并传输电源产品运行期间的参数数据
利用数据采集装置将步骤1中的传感器连接至上位机，设置传感器初始化参数，设定固定数据采集和传输频率，在电源产品运行期间，实时采集并传输表1中的参数数据，为后续神经网络模型的训练提供数据输入。
步骤二：电源产品物理信息神经网络模型构建与训练；
将电源产品运行过程中产生的热场、电压、电流及它们的耦合作用采用偏微分方程描述，并将所有的偏微分方程作为约束条件加入神经网络的损失函数中，然后借助自动微分算法求解初始神经网络的梯度，最后利用梯度下降算法，调整神经网络的权重，学习给定的训练集样本后，多次迭代训练，优化神经网络模型。本步骤包含3个子步骤：
步骤1：根据实时采集数据构建电源产品在线物理信息神经网络模型
电源产品物理信息神经网络的输入为传感器采集的单元电流、电压和表面温度，输出为电源产品的温度场分布。首先构建一个全连接的深度神经网络，用来定义神经网络的层数、边界条件、训练样本点和网格结构超参数，然后初始化模型，利用物理信息神经网络求解物理约束方程，损失函数包括温度传感器实测的电源产品表面温度与物理信息神经网络计算电源产品表面温度的误差，即数值损失；将物理信息神经网络计算的电源产品表面温度值代入导热微分方程后的结果，即偏微分方程损失；环境温度、绝热条件和对流换热系数值，即边界条件损失，定义如下：
L
L
步骤2：离线训练物理信息神经网络模型
基于在线物理信息神经网络模型，利用传感器实时采集的数据，离线训练物理信息神经网络模型，根据工程实际需求，设置损失值允许接受范围为E
(1)若在线物理信息神经网络计算结果的损失值<＝E
(2)若在线物理信息神经网络计算结果的损失值>E
步骤3：基于实时数据的电源产品全域物理信息重构
基于传感器实时采集的数据，调用在线物理信息神经网络模型完成电源产品全域物理信息重构，包括电源产品内的温度场分布、工作电压和工作电流，这些重构后的参数与电源产品的健康状态相关，可以用于表征和计算电源产品剩余使用寿命。
步骤三：提取电源产品性能退化特征参数量；
根据电源产品的固有参数以及步骤二计算得到的电源产品内部节点信息，提取电源产品退化特征参数，包括电源产品的平均温度和平均电流密度，用于电源产品剩余使用寿命在线预测。
步骤四：电源产品剩余使用寿命在线预测；
根据步骤三提取的电源产品内各个单元的性能退化特征参数，计算电源产品的容量退化量，选定失效依据，结合电源产品历史退化轨迹和寿命模型，计算电源产品的剩余使用寿命。
通过以上步骤，给出了一种基于物理信息神经网络的电源产品剩余使用寿命在线预测方法。本发明的优异效果是：在电源产品可靠性工程技术领域，通过在神经网络中增加温度、电流及它们耦合作用的约束，能够在不完备数据信息条件下挖掘隐藏的物理信息，实现准确的电源产品剩余使用寿命在线预测。
1.4附图说明
图1方法流程图
图2锂电池组结构示意图
图3在线物理信息神经网络模型部分计算结果
图4离线训练的物理信息神经网络模型部分计算结果
图5锂电池组温度分布
1.5具体实施方式
本发明的流程如图1所示。为使本发明的特征及优点得到更清楚的了解，以下结合附图及案例进行详细说明。本发明的案例为一种由典型的18650型号锂电池3并5串组成的锂电池组，结构如图2所示。具体实施步骤是：
步骤一：基于ZL 202111010110.2“一种面向可靠性数字孪生的锂电池组充放电测试与数据采集系统”步骤五的方法，测量所有电池单体电压、各并联支路电流数据；在图2中3号、 6号、10号、13号电池表面几何中心位置布置热电偶测量锂电池单体表面温度。
步骤二：将锂电池运行中生热与导热过程采用偏微分方程描述，并将偏微分方程作为约束条件加入神经网络的损失函数中，然后借助自动微分算法求解初始神经网络的梯度，最后利用梯度下降算法，调整神经网络的权重，学习给定的训练集样本后，多次迭代训练，优化神经网络模型。本步骤包含3个子步骤：
步骤1：根据实时采集数据构建电源产品在线物理信息神经网络模型
采用三维稳态导热的能量守恒方程描述锂电池组内热量传递，采用基于能量守恒定律的 Bemardi模型来描述锂电池的生热速率：
其中，k为导热系数；T为热力学温度；φ(x,y,z)表示热源，x、y、z分别为x轴坐标、y轴坐标、z轴坐标；I为充放电电流；R
构建一个全连接的深度神经网络，神经网络的输入数据是传感器采集的锂电池表面的坐标点及对应的温度值，输出是锂电池组内各坐标点的温度值，设置神经网络的层数为 [2,50,50,50,1]，表示神经网络模型为5层，每层的神经元个数分别为2、50、50、50、1；环境温度设为313K、电池组的上、下、前、后面设为绝热、空气对流换热系数设为7.5W/(m
L
其中，P
部分神经网络的计算结果如图3所示，在训练结束时总损失约为3.43×10
步骤2：离线训练物理信息神经网络模型
基于在线物理信息神经网络模型，利用传感器采集的数据，离线训练神经网络模型。根据工程实际需求，设置总损失接受范围为0.01，偏微分方程损失接受范围为0.01，则由子步骤 1计算的结果知，当前在线神经网络的误差不在允许接受范围内，因此，使用传感器实时采集的数据离线训练神经网络模型，结果如图4所示。此时，损失值已经在工程允许的范围内，因此使用该离线模型更新在线神经网络模型。
步骤3：基于实时数据的电源产品全域物理信息重构
基于传感器实时采集的数据，调用在线物理信息神经网络模型完成电源产品全域物理信息重构，得到电源产品内的温度场分布，计算的部分结果如表2所示，并将结果以图的方式展现，如图5所示。
表2锂电池组温度场分布部分计算结果
步骤三：根据步骤计算得到的锂电池组内温度场分布，计算各个电池的平均温度，即分别计算每个电池单体几何区域的所有点温度值的平均值。计算结果如表3所示：
表3各电池单体的平均温度
步骤四：由于温度为影响电池容量退化的关键因素，已有研究认为，电流通过产热温升的形式间接影响电池的退化。根据步骤三计算得到的锂电池单体平均温度，采用阿伦尼乌斯公式描述电池单体容量的衰减：
其中，C
根据实验获得电池单体前50循环的容量退化数据，拟合参数A
采用80％的容量剩余量作为锂电池的失效判据，由公式(12)计算可得任意时刻电池容量退化情况C
其中，C
则在经历50次循环退化后，基于上述建立的锂电池容量退化模型预测锂电池组的剩余寿命约为1612次循环。
机译： 一种训练卷积神经网络进行物理产品模拟的方法，一种进行模拟物理产品和卷积神经网络的对应方法
机译： 预测软管剩余使用寿命的方法，以及预测软管剩余使用寿命的系统
机译： 预测滚动轴承剩余使用寿命的方法和预测滚动轴承剩余使用寿命的装置
