[发明专利]一种基于LSTM的锂电池寿命预测方法

说明书

本发明提供一种基于LSTM的锂电池寿命预测方法，包括：获取锂电池的容量退化数据集；将所述容量退化数据集进行预处理；构建基于LSTM的剩余寿命预测模型；在构建基于LSTM的剩余寿命预测模型后，进一步构建三个锂电池本地寿命预测模型和一个中央服务器端全局寿命预测模型，所述LSTM为网络结构，其中的任一个LSTM单元里面包括遗忘门、输入门和输出门；所述三个锂电池本地寿命预测模型结构相同，其模型结构包括两个LSTM层，两个Dropout层防止过拟合和一个顶层的预测输出层。

技术领域

本发明涉及高端设备的故障测试和预测技术领域，具体而言，涉及一种基于LSTM的 锂电池寿命预测方法。

背景技术

近年来，随着工业化程度的提高，群体产品逐渐由单一化和简单化向智能化和复杂化 发展，在很多领域有着越来越重要的应用价值，这也对群体产品的可靠性提出了一定的要 求。故障预测和健康管理((Prognostics and Health Management,PHM))的出现为提高群体 产品的可靠性提供了一种可行的解决办法，故障预测和健康管理技术运用数据挖掘和信息 融合等技术，研究分析产品的实时状态数据，能够减少产品维护成本，提高产品的可靠性。

在故障诊断和预测领域采用人工智能技术挑战与机遇并存，如何利用人工智能技术快 速诊断故障并精准给出预测结果成了研究热点。群体产品存在多种类型，每种类型的群体 产品的故障模式也复杂多样，针对所有可能的故障模式开发诊断和预测模型不切实际，而 且采集产品全寿命周期的所有状态数据耗费成本巨大。在群体产品上采集到的产品运行状 态数据相似性有限，直接整合数据不利于预测结果的准确度，在联合建模时出现较大困难， “数据孤岛”的困局和近几年发布的关于数据隐私保护问题的相关法案更是进一步限制了企 业间交换数据的自由，“数据孤岛”的困局和隐私保护的问题严重地阻碍了人工智能技术 的进一步发展。

开展故障预测与健康管理相关技术的研究对群体产品的意义巨大。一方面，避免了维 修时间的浪费，同时减少了维修的经济成本。另一方面，相较于传统的定期保养和故障后 维修，对产品开展PHM可以有效提高产品的可靠性与安全性，减少灾难性事故的发生。但 是在实际应用中，数据的隐私需要保护，同时可供充分采集的数据不够多且采集数据的成 本巨大，再加上不同企业的产品处于不同工况环境，直接整合建模效果不佳。

寿命预测包含了终止寿命(End of Life，EOL)预测和剩余使用寿命(RemainingUseful Life，RUL)预测，可以用RUL＝EOL-T表示二者间关系，其中T是给定的时间。基于解析模型的RUL预测方法是通过研究产品失效的物理机理构建描述产品退化过程的数学模型，该过程需要根据产品的状态数据不断更新模型参数，最终实现利用历史数据预测产品剩余寿命的目标。该方法通过先进的数据挖掘技术研究分析产品失效背后蕴含的信息从而实现寿命的预测，利用概率统计方法或机器学习方法构建预测模型，在保证预测结果准确度较高的前提下降低了对研究人员的物理和数学能力要求。人工神经网络在基于机器学习的寿命预测方法中使用是最频繁的。循环神经网络等深度学习模型具有强大的特征自学习能力，如何将其应用在寿命预测方面也是研究热点。综合来说基于数据驱动的寿命预测技术不需要研究产品失效背后的物理机理，降低了对模型设计者的要求，已经广泛应用于各种产品的剩余寿命预测领域。

综上所述，由于群体产品复杂多样，其背后隐含的失效机理也复杂多变，使用基于解 析模型的剩余寿命预测方法需要针对每种失效模式研究对应的失效机理并建立合适的模 型，这种方法不太适合。基于此，本发明选择基于数据驱动的LSTM(长短时记忆网络) 剩余寿命预测方法进行预测，克服基于概率统计方法存在严重依赖大量数据这一不足，准 确地预测群体产品的剩余寿命，有效地指导产品的维修，提供产品的可靠性。

发明内容

为了解决现有技术所存在的问题，本发明提出一种基于LSTM的剩余寿命预测方法。

根据本发明的一个方面，所述方法包括：一种基于LSTM的锂电池寿命预测方法，包括：