基于多尺度分解和深度学习的锂电池寿命预测
预诊健康管理系统作为一种先进的维护技术，目的是提高设备的可靠性和经济效益。锂电池作为许多系统的核心部件，其健康状况和性能影响整个设备的运作。预测锂电池未来的健康状况，对于提高该类系统的可靠性具有重要意义。影响电池健康状态的因素包括温度、放电深度和充电速率等，但这些指标不能直接表征电池的性能退化程度，对于在线检测存在一定困难。电池实际容量是指电池在充满电的情况下所储存的电能，是能够直接表征电池寿命退化的重要参数，因此在电池剩余寿命预测研究中常被作为健康指标，描述电池健康状况的退化程度。
标签：锂电池;剩余寿命预测（RUL）;多尺度分析;深度置信网络;长短期记忆网络（LSTM）
1 基于多尺度分解和深度神经网络的集成预测方法
1.1 SOH指标
锂电池在使用过程中，随着充、放电周期的增加，SOH一般呈现下降趋势。电池容量作为SOH的重要指标，当容量衰退到一定程度时，电池将无法继续正常工作，达到寿命终点.
1.2 基于EEMD与CA的多尺度分解
n经验模态分解（EMD）是对非平稳信号进行分析的方法，它將信号分解为本征模态函数（IMF）和余量，自适应地表示信号中的局部特征和全局退化趋势。EMD在分解时容易产生模态混叠现象，导致错误的IMF分量出现，从而使IMF丧失具体的物理意义。EEMD是针对EMD方法的不足所提出的噪声辅助数据分析方法.EEMD的原理是进行次重复EMD分解信号的过程，在每次分解过程中都向原始信号加入零均值、固定方差的白噪声，有效地解决了模态混叠现象。采用EEMD提取出锂电池SOH数据中的局部特征，大幅度降低了重生现象产生的数据波动对算法的预测性能所造成的影响。采用EEMD和CA，将SOH时间序列中的全局退化趋势和局部特征有效分离，使得局部重生现象能够得到明显的改善，提高了SOH预测模型的预测性能。此外，自适应地设定关联阈值，能够进一步提高预测方法的鲁棒性。通过筛选方式，将具有强相关性的IMF数据与余量进行组合，在保留了局部特征的同时，避免了分组较多、造成累计误差过大的问题。
1.3 基于DBN的预测模型
DBN是一个概率生成模型，由多个玻尔兹曼机（RBM）堆叠以及一个回归层（或分类层）组合而成的深度网络。以电池容量作为健康指标，经EEMD分解分离出的全局退化过程会随着时间呈现出逐步下降的趋势。由于DBN可以
通过时间序列构建深层模型，通过历史数据找寻电池退化过程中的隐含规律，自适应地拟合下降趋势，从而能够实现高效的预测。采用DBN预测锂电池的主退化趋势，将时刻作为输入，其中为输入时间窗大小。通过计算和重构各节点权值完成每层RBM的训练。在训练过程中，节点的样本统计概率与模型生成概率应尽量相等，从而使DBN模型能够实现更准确的预测。整个DBN的训练过程包含2个阶段：预训练阶段，利用无监督贪婪机制自底向上地进行逐层训练，将低层特征向高层特征转化，最终送入至顶层的回归层;反向微调阶段，自顶而下地微调网络权值，以达到降低误差的目的。
1.4 基于LSTM的预测模型
LSTM是一种特殊的循环神经网络（RNN）。.与传统的RNN相比，LSTM在隐层增加了一个细胞状态，对RNN的隐层进行改进，解决了RNN在处理长序列数据时容易陷入梯度消失或梯度爆炸问题，具有更有效的长期预测能力。LSTM的核心由input、forget与output3个“门（gate）”组成，网络结构可以有效遗忘之前的无用信息，保存有效的输入信息，决定所需要输出的信息，从而更加高效地处理长时间序列，运算公式如下所示。
it=σ（Wi·[yt?1，xt]+bi），（1）;
ft=σ（Wf·[yt?1，xt]+bf），（2）;
ot=σ（Wo·[yt?1，xt]+bo），（3）;
Cet=tanh（WC·[yt?1，xt]+bC），（4）;
Ct=ft×Ct?1+it×Cet，（5）;
yt=ottanh（Ct）.（6）;
式中：表示输入向量，表示输出向量，i、f、o、c分别表示输入门、遗忘门、输出门和细胞状态，矩阵和分别为待训练的权重参数和偏置项，σ为sigmoid非线性函数。
LSTM引入记忆门单元和门限，实现了对长距离信息的有效利用，面对变化幅度较大的数据时能够及时地给予响应。通过多门协作的方式，使得LSTM具有良好的鲁棒性，从而能够有效地应对梯度消失和梯度爆炸的问题。在训练过程中，按照时间窗的大小，从训练集中取出所需数据代入LSTM计算，得到输出值。通过损失函数计算损失值和权重梯度，优化网络参数.重复以上的计算和更新步骤，直至所有训练数据完成。
2 实验结果分析
2.1 SOH时间序列的多尺度分解
以#5电池为例演示算法流程，应用EEMD，将SOH时间序列分解为若干个分量IMFs和余量。利用CA方法提取出与总趋势有强相关性的分量IMFs，将这些IMFs与余量进行组合，通过计算得到关联阈值CT为0.146。通过基于EEMD和CA的多尺度分解方法[1]，从数据中有效地提取出了局部特征。通过自适应筛选，将没有明显波动的3组IM。主退化数据呈现出很好的单调下降趋势，不再受重生现象的影响。通过上述方法对数据进行多尺度分解，能够有效地将电池容量退化数据中的局部特征和全局退化趋势进行分离，避免了重生现象对预测方法造成的不良影响，这将有助于提高后续预测模型的性能。
2.2 One-step-ahead预测
通过One-stepprediction验证方法性能，利用已知的数据预测出下一时刻的SOH。以电池#5为例，共有168组数据，取前80组作为训练集，后88组作为测试集。将训练集代入设置好的LSTM与DBN模型进行训练。将训练好的模型对测试集进行预测，集成各模型输出得到最终的预测结果。可以看出，DBN的预测结果与实际容量的下降趋势基本保持一致，同时LSTM模型为波动数据给予了及时的响应，从而使得集成预测模型的输出值与实际值实现了高度拟合，体现出了该方法的高效性能。在实际情况中，该方法所需的时间成本完全在可接受范围内，且无需大量的历史数据训练模型，因此能够用于电池RUL的在线预测，实现对电池健康状况的动态监控，从而能够在电池接近寿命终点前及时地更换，保证系统能够持续地正常运行[2]。
结论：
简而言之，提出基于多尺度分解和深度神经网络的锂电池健康预测模型，对锂电池的健康趋势变化进行有效的学习与预测集成。本文采用锂电池容量作为健康指标，通过EEMD和相关性分析对数据进行预处理，将数据分为主趋势数据和波动数据，显著提高了该模型的预测准确性。基于深度学习优异的特征学习能力，DBN和LSTM分别建模电池能量变化的全局趋势与波动，将各模型输出进行集成，得到最终的RUL预测结果。实验结果验证了基于多尺度分解和深度神经网络的锂电池健康预测的有效性与优越性。
参考文献：
[1]王常虹，董汉成，凌明祥，等.车用锂离子电池剩余使用寿命预测方法[J].汽车工程，2015，37（4）：476–479.
[2]李赛，庞晓琼，林慧龙，等.基于相关向量机的锂离子电池剩余寿命预测[J].计算机工程与设计，2018，39（8）：2682–2686.
