[发明专利]一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法

摘要

一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法，实现为：收集所有航天Ni-Cd蓄电池寿命预测相关数据；寿命预测相关数据预处理；数据相关性分析；数据映射并得到Ni-Cd蓄电池放电终压的当量数据值；DWNN网络的改进；一次M-DWNN（1M-DWNN）网络的建立、训练及预测；基于二次M-DWNN（2M-DWNN）网络的自适应迭代预测模型建立、训练及预测；动态时间窗调整；本发明在寿命预测的过程中动态的调整整个DWNN网络，确保在整个寿命预测过程，预测精度随着时间的延长及数据量的增加不断提高。

主权项

一种基于改进型动态小波神经网络的航天Ni‑Cd蓄电池寿命预测方法，其特征在于实现步骤如下：步骤一、收集所有航天Ni‑Cd蓄电池寿命预测相关数据；步骤二、寿命预测相关数据预处理；对步骤一得到的所有航天Ni‑Cd蓄电池寿命预测数据进行分析和筛选，提取出所需的航天Ni‑Cd蓄电池放电终压参数数据及寿命影响因素数据，所述因素数据包括：放电电流数据、充电电流数据、充放电循环次数及放电深度数据；同时，对筛选出的相关因素数据进行奇异值剔除、数据降噪预处理工作；步骤三、数据相关性分析；通过函数逼近或SPSS(统计产品与服务解决方案，Statistical Product and Service Solutions)方法对相似产品和航天Ni‑Cd蓄电池对应的预处理后的数据进行相关性分析，得到相似产品和Ni‑Cd蓄电池之间在放电终压上的相关关系；所述的相关性分析是指通过函数逼近或利用SPSS方法，实现对不同参数数据的相关性分析，得到参数数据间的映射关系；步骤四、数据映射并得到Ni‑Cd蓄电池放电终压的当量数据值；以步骤三得到的相似产品和Ni‑Cd蓄电池放电终压间的相关关系，以参考的相似产品的放电终压数据为基础，映射并得到Ni‑Cd蓄电池放电终压的当量数据值；步骤五、DWNN网络的改进（M‑DWNN）；根据航天Ni‑Cd蓄电池寿命预测精度需求，对DWNN进行改进，改进方案如下：利用DWNN输出数据序列{Yi}构建AR模型，包括确定AR模型阶数p及系数序列ai,i=0,1,2,……,p‑1，进而把AR模型的阶数作为DWNN模型反馈节点数目，即令M=p，其中，M表示DWNN网络反馈节点数，AR模型的系数序列ai作为各反馈节点相应的权重系数，并作为WNN模型输入，进而完成对DWNN网络模型的改进；其中AR模型系数与节点的对应关系为：ai·Y(t‑i),i＝0,1,2,…,p‑1；步骤六、一次M‑DWNN（1M‑DWNN）网络的建立、训练及预测；根据影响因素分析及关联分析结果，确定1M‑DWNN输入节点数，输出为经处理后的Ni‑Cd蓄电池放电终压，即单输出；利用Ni‑Cd蓄电池在轨EoDV及由步骤四得到的ED‑EoDV做差分比例处理，构造1M‑DWNN的训练样本及测试样本；为了剔除训练样本中的奇异值，加快网 络的收敛速度，对由上述构造的输入向量、目标向量进行归一化处理，然后输入1M‑DWNN网络对其进行训练，确定1M‑DWNN网络参数，并利用训练好的1M‑DWNN网络进行预测，通过反归一化及反差分过程获取Ni‑Cd蓄电池放电终压预测值，进而实现以地面试验数据段为参考，得到在轨放电终压预测结果数据段；步骤七、基于二次M‑DWNN（2M‑DWNN）网络的自适应迭代预测模型建立、训练及预测，实现步骤如下：（1）自适应迭代预测的数据准备，即均值‑斜率时间序列构造对由在轨放电终压及由1M‑DWNN预测得到的放电终压值构成的数据序列进行分段均值处理，并在此基础上，计算均值的斜率，二次M‑DWNN预测即对该均值‑斜率时间序列进行自适应迭代预测，均值‑斜率时间序列构造式如下： s ( k ) = Avr ( k + 1 ) - Avr ( k ) Avr ( k ) (k=1,2,…,n‑1) Avr ( j ) = 1 interval Σ m = 1 interval x ( ( j - 1 ) * interval + m ) (j=1,2,…,n;n=fix(N/interval))其中，{xi}表示EoDV值序列，长度为N，interval为均值区间，{Avr(j)}为均值序列，长度为n，{s(k)}为均值‑斜率序列，长度为n‑1；从步骤（2）开始的后续内容以{s(k)}均值‑斜率序列为对象，对自适应迭代预测方法的核心内容进行描述；（2）自适应迭代过程由步骤（1）构造完成均值‑斜率时间序列后，开始执行自适应迭代预测的核心内容，具体方法如下：（2.1）自适应时间序列数据重抽样对于给定长度为n的时间序列{Aij}，其中，i,j分别表示原始时间序列迭代预测次数与时间序列的重抽样间隔，则A01:＝{s(k)}＝s1,s2,s3,…,sk，…,sn‑1,sn，其中，s(k)即为Equ.1中的s(k)，表示构造完成的均值‑斜率序列，sk为该序列的第k个数据，表示原始数据，已迭代预测次数为0，时间序列抽样间隔定义为1，其中‘:＝’表示‘定义为’；而A12则表示经过一个迭代预测后，重抽样间隔为2的时间序列数据，根据2M‑DWNN网络训练样本量的需要等间隔的从A01中进行重采样，进而得到新的时间序列： A 0 j : s n - ( j n - 1 ) * j , s N - ( j n - 2 ) * j , s n - ( jn - 3 ) * j , . . . , s n - ( i + 1 ) * j , s n - i * j , . . . , s n - 2 * j , s n - j , s n [ j = 1,2,3 , . . . , j max , n - ( j n - 1 ) * j ≥ 1 , j n ≥ Sample _ size _ min ] 其中：n为原始时间序列A01长度；A0j表示以重采样间隔为j而得到时间序列，且从原始数据的最后一个数据（sn）开始抽样；jn表示时间序列A0j的长度，且满足：n‑(jn‑1)*j≥1，且jn随着j的增大不断减小，假设2M‑DWNN网络训练样本量的需求最小值为Sample_size_min，则jn应满足jn≥Sample_size_min，令，jmax＝fix(n/(Sample_size_min))为j的最大值，其中fix表示向下取整，如此完成自适应重新抽样过程；（2.2）自适应重抽样时间序列数据的单步预测利用单步预测思想，分别构建2M‑DWNN模型，对经重抽样得到的时间序列数据进行单步预测，得到A0j的一步预测值，进而得到新的时间序列A0'j表示为： A j 0 ′ : s n - ( j n - 1 ) * j , s n - ( j n - 2 ) * j , s n - ( j n - 3 ) * j , . . . , s n - ( i + 1 ) * j , s n - i * j , . . . , s n - 2 * j , s n - j , s n , s n + j ′ ( j = 1,2 , 3 , · · · j max ) 同样的过程完成所有A0j时间序列，其中j＝1,2,3,…,jmax，从而完成一次迭代过程，并得到jmax个预测值，所构成的新时间序列可表示为：A11:s1,s2,…,sn‑1,sn,s′n+1,s′n+2,…,s′n+j max前面两个步骤实现了由任意时间序列A01得到jmax个预测值后的新的时间序列A11，进而完成了一次迭代预测过程；当用A11替代原始数据A01并重复上述过程，如此迭代即得到A21,A31,…,Ak1,…；（3）自适应预测迭代数据结果反变换及Ni‑Cd寿命值判定通过迭代过程，无限多的获取了均值‑斜率序列Ak1，为了最终判定蓄电池的寿命，需要对预测得到的均值‑斜率序列Ak1进行反变换，并得到Ni‑Cd蓄电池的放电终压序列{x′i}，该序列包含已有在轨放电终压数据、1M‑DWNN预测结果数据及2M‑DWNN迭代预测结果数据；最后基于{x′i}序列，通过蓄电池寿命判据确定Ni‑Cd蓄电池剩余寿命预测值；步骤八、动态时间窗调整在利用M‑DWNN对Ni‑Cd蓄电池进行预测的过程中，由于时间的推移，会不断获取新的数据，此时需要动态的重复上述步骤二到步骤七，重新构建和训练M‑DWNN网络，M‑DWNN网络包括1M‑DWNN和2M‑DWNN模型以更新网络参数并重新预测，保证随着在轨运行时间的延长， 预测精度会不断地提升。