Developing an online data-driven approach for prognostics and health management of lithium-ion batte

开发一种锂离子电池预测和健康管理的在线数据驱动方法

主要使用方法：NARX（基于带外源输入的非线性自回归神经网络）

研究内容：采用NARX法估算磷酸铁锂和钛酸锂的SOH（电池的健康状态）值，可以准确地估计SOH，并预测电池提前EOL（生命结束）的RUL（电池剩余使用寿命）。

三种测试：容量测试、混合脉冲功率特性（HPPC）测试和开路电压（OCV）测试。

目前使用存在的问题：使用的NMC（镍锰钴氧化物）的数据集大，考虑了21+17NMC电池，和不同温度，充放电速率和循环次数对电池的影响。

highlights:

• 非线性自回归递归神经网络的健康诊断方法。
• 基于相似性的健康预测模型
• 健康状态的估计与最大均方根误差为0.61。
• 该模型可以预测RUL，最大绝对误差为110个周期。

      方法：构造一个包含参考组件的退化模式的数据存储库-->计算各参考成分健康退化轨迹之间的相似性-->根据相似组件的RUL预测测试组件的RUL。该方法包括数据采集、健康诊断和健康预后三部分。数据采集：采集两种类型的NMC电池的电压和容量；健康诊断：从部分电压充电曲线中提取的健康指标作为NARX模型的输入去估计SOH；健康预后：在特定时间间隔记录电压数据，利用训练好的NARX模型来估计电池当前的SOH，将估计的SOH作为训练后的基于相似度的模型输入数据来预测电池的RUL。最后，将预测的RUL发送到计划进行维护的决策支持部门。

       

      图为电池PHM的建议框架，包括在线阶段和离线阶段。基于NARX的数据驱动的健康诊断方法，电压充电曲线代表电池退化的可预测行为，其中NARX是一种递归神经网络，根据y(t)和x(t)的过去的d个值来估计y(t)的值。如下图为NARX的体系结构图：

     本文的电池数据是从BMS传感器上采集到的，两组电池实验分别在NMC细胞上进行，分为A、B两组。A组的测试采用PEC制造的ACT0550电池循环器进行，B组考虑了17个电池单元。

      从表2和图中可以得到以下结论：温度对加速电池退化有巨大影响，电池放电深度（DOD），在较高范围内加速电池的退化，而在实际工作中SOC的变化范围不大，SOC在较低的范围内一定程度上阻碍了电池的老化过程。电池的充放电速率加速了电池的老化过程。

     电压充电曲线在BOL处斜率较小，而在EOL处斜率较大。并且，电池寿命在初始值、平均值和最后值阶段都是不同的。

       利用NARX可以估计未训练细胞的SOH，具有较高的精度和较小的残余误差。其说明NARX对未知数据具有较高的泛化能力

     比较LSTM和NARX：

     lstm的计算复杂度较高，性能高度依赖于在神经网络当中选择合适的参数和结构。且计算量较大，不适合实时操作。而narx的退化模型易于实现，计算时间短，不需要任何假设来建立退化模型。

       本文目前存在的挑战：缺乏数据，电池内部的因素被忽略，跳过了电池内部的故障问题，未来我应该针对电池具有的某一极进行具体改性。

期刊：applied energy（涉及研究方：工程、化工）

平均审稿周期：3.9月 ，Q1

        关于本文的研究进展布鲁塞尔大学还有后续研究，自己还需要继续进行查阅。