论 文
Guangzheng LYU, Heng ZHANG, Qiang MIAO. Parallel State Fusion LSTM-based Early-cycle Stage Lithium-ion Battery RUL Prediction Under Lebesgue Sampling Framework[J]. Reliability Engineering & System Safety, 2023, 236: 109315.
摘要：
循环初期的锂离子电池剩余使用寿命（remaining useful life, RUL）预测对于提高电池性能、减少电池意外失效造成的损失具有重要意义。由于退化机理复杂，测试样品记录数据不足，目前的RUL预测方法难以在早期周期阶段达到令人满意的预测精度。此外，由于依赖迭代处理，长期容量退化轨迹预测中的累积误差使这个问题更加严重。针对上述挑战，本文提出了一种基于Lebesgue采样平行状态融合LSTM（Lebesgue sampling parallel state fusion LSTM, LS-PSF-LSTM）的锂离子电池早期循环阶段RUL预测方法。首先，通过相似度测量为测试样本选择相似样本，训练出对于测试样本更有效的预测网络。然后，提出了名为平行状态融合LSTM（PSF-LSTM）的时间序列多步预测算法，该算法充分利用相似样本来控制累积误差。最后，将预测网络的训练和测试转移到Lebesgue采样框架中，提出LS-PSF-LSTM进一步提高预测精度和效率。通过使用两个具有代表性的锂离子电池退化数据集的实验来验证所提出方法的有效性。以早期100个循环为预测起始点，使用MIT数据集和同济数据集进行RUL预测的平均百分比误差分别为3.59%和6.71%。
挑战：
（1） 训练样本的数据分布差异使得早期循环阶段的退化轨迹和RUL预测结果具有很大的不确定性。
（2） 传统LSTM迭代预测过程中的累积误差严重影响了容量退化轨迹预测的准确性。
（3）Reimann采样框架下的容量退化轨迹预测面临样本长度不一致和时间成本高昂的问题。
贡献：
（1） 提出了一种基于相似样本的锂离子电池早期循环阶段RUL预测策略，解决了训练样本数据分布差异带来的精度不足问题。
（2） 提出了一种称为平行状态融合LSTM（PSF-LSTM）的时间序列预测算法来控制LSTM迭代预测过程中的累积误差，还可以充分利用不完整的样本。
（3） 将锂离子电池退化轨迹预测转换到Lebesgue采样框架，提出LS-PSF-LSTM，进一步提高RUL预测的精度和效率。
方法流程：
本文提出的方法框架如图1所示，集成了相似性测量、Lebesgue采样和PSF-LSTM，称为LS-PSF-LSTM。对于运行到预测起始点（prediction starting point, PSP）的测试样本，相似样本是通过容量退化曲线的相似性测量从历史样本中选择的。然后，在勒贝格采样框架下，使用相似样本训练LS-PSF-LSTM预测网络，并借助相似样本并行预测用于容量退化轨迹和RUL预测。
图1 所提出方法的流程图
实验：
使用后MIT数据集和Tongji数据集作为验证数据集。一个数据集上的任意一个样本作为测试样本时，剩余所有样本作为历史样本。分别在两个数据集的不同寿命分布区间获取4个样本作为观察对象。用于实验的计算机搭载Intel 12th I9-12900K CPU和NVIDIA GeForce RTX3090Ti GPU，实验环境是MATLAB R2022a。
图2 容量退化数据，
(a)MIT数据集，(b)Tongji数据集
在预测起始点为100个循环时，在两个数据集的的容量退化轨迹和RUL预测结果分别如图3和图4所示。RUL预测结果的分布在每张图的子图中描述，其中横轴代表RUL，纵轴代表预测数量。红色正态分布曲线表示RUL预测结果的PDF。
图3 MIT数据集
图4 Tongji数据集
除了PSP等于100个周期时的RUL预测外，所提出的方法在1到100个周期的不同PSP下执行100次，RMSE指标的评估结果如表所示。当PSP设置为1时，由于参考数据不足，所选相似样本的质量受到限制，这严重阻碍了相似样本的有效性，导致与其他PSP情况相比，RUL预测不准确。随着PSP的增加，相似样本的质量提高，RMSE计算结果相应降低。当PSP设置为100个循环时，MIT数据集中测试样本的RMSE计算结果小于18.50，最小为8.03。在同济数据集中，当PSP为100次循环时，RMSE计算结果最小值达到1.57，循环寿命为712的T#4测试样本的RMSE计算结果达到2.37。
表1 在不同PSP情况下RUL预测结果的RMSE评价
图5与图6展示了与现有方法的对比实验结果，验证了所提方法的有效性与优越性。
图5 所提出方法与现有方法的
容量退化轨迹预测精度对比
图6 所提出方法与现有方法的
RUL预测精度对比
结论：
锂离子电池广泛应用于电动汽车、工业等领域。 他们在早期周期阶段的RUL预测对于提高可靠性具有重要意义。然而，在工程实践中，早期周期阶段的RUL预测存在一些挑战问题，包括迭代预测中的累积误差、样本尺寸不一致以及Reimann采样框架下的低效率。因此，本文提出了一种锂离子电池RUL预测方法，命名为LS-PSF-LSTM。分别使用MIT数据集和Tongji数据集进行了早期预测起始点为100次循环时的容量退化轨迹和RUL预测实验。LS-PSF-LSTM方法使用MIT数据集进行容量退化轨迹预测时，ARMSE为1.07%，AR2为96.4%。对于RUL预测，该方法实现了14.52的RMSE和3.59%的APE，平均预测时间为8.75秒。同时，使用Tongji数据集，所提出的方法实现了容量退化轨迹预测的ARMSE为3.06%和AR2为95.0%，RUL预测的RMSE为20.73和APE为6.71%，平均预测时间为4.69秒。
作者简介
学院“装备智能健康评估”团队作为一支专门从事装备可靠性与健康评估的研究团队，拥有教授1名，副教授/副研究员3名，博士后2名。团队一直紧密围绕国家工程领域的重大需求，针对装备安全关键系统故障预测与健康管理存在的若干问题，与航空航天、能源动力等行业领域的重要企业和科研院所开展了一系列科研合作。
苗强，教授，博士生导师，四川省空天信息与智能装备国际科技合作基地主任，入选四川省学术和技术带头人、四川省有突出贡献的优秀专家、教育部新世纪优秀人才支持计划。以国家重大工程装备健康运行的重大需求为导向，围绕装备健康管理与可靠性评估开展了一系列研究工作，主持了国家重点研发计划项目1项、国家自然科学基金4项、省级教改项目1项以及包括装备预先研究项目、国际创新合作项目、航空科学基金等在内的共计30余项国家级/省部级项目，以第一或通讯作者发表高水平学术论文110余篇，授权国家发明专利16项，获教育部自然科学奖二等奖1项，学院青年科技人才奖1项。多次在国际会议做专题讲座和特邀报告，并承办故障预测与健康管理领域国际会议（PHM-2016）及高端论坛。曾担任IEEE可靠性学会执行委员及副主席，现担任IEEE TIM、IEEE TRel、CJA等多个知名期刊的编委。
吕光正，十大网投平台信誉排行榜最新硕士研究生，主要研究方向为动力锂电池管理系统，包括剩余使用寿命预测、健康状态评估、充电控制及优化。
张恒，助理研究员，学院，主要研究方向为复杂机电装备故障预测与健康管理、动力锂电池管理系统，主持了国家自然科学基金、四川省自然科学基金、中国博士后科学基金等国家级/省部级项目，以第一或通讯作者在IEEE TII、TIE、RESS等国际期刊发表高水平学术论文13篇，担任中国航空学会预测与健康管理分会青年委员，并担任多个国际期刊的审稿人。
