CN112051506B

CN112051506B - 一种相似产品可迁移样本筛选方法、系统及用途

Info

Publication number: CN112051506B
Application number: CN202010888563.4A
Authority: CN
Inventors: 马剑; 尚芃超; 邹新宇; 丁宇; 吕琛
Original assignee: Beihang University
Current assignee: Beihang University
Priority date: 2020-08-28
Filing date: 2020-08-28
Publication date: 2021-07-27
Anticipated expiration: 2040-08-28
Also published as: CN112051506A

Abstract

本发明公开一种相似产品可迁移样本筛选方法及系统，涉及似产品迁移学习技术领域，包括预处理待测配方相似产品短期循环寿命测试数据得到目标样本数据，预处理其他配方电池全寿测试容量数据得到多个训练数据；通过进行曲线形态筛选、容量退化率相似度筛选、寿命分布相似度筛选和距离度量最小筛选，获得用于跨配方相似产品寿命预测的可迁移样本数据，本发明从不同配方电池的历史全寿测试数据中，获得与被预测电池容量退化规律相似度最高的数据，并迁移应用于被预测电池寿命预测模型的训练，实现了锂动力电池跨配方剩余寿命的准确预测，预测准确度最高可以达到99.9％，可以有效节省锂电池设计开发过程中的测试时间和费用，具有可观的经济效益和应用价值。

Description

一种相似产品可迁移样本筛选方法、系统及用途

技术领域

本发明涉及相似产品迁移学习技术领域，尤其涉及一种相似产品可迁移样本筛选法、系统和用途。

背景技术

随着储能技术和能源产业的发展，锂离子电池因其质量轻、低放电率和长寿命等优点，广泛应用于军事电子产品、航空电子器件、电动汽车以及各种便携式电子装置(例如笔记本电脑、数码相机、平板电脑、手机等)的主要储能器件。循环寿命是锂电池产品的重要设计性能。在锂电池的设计开发过程中，为了准确的获得设计矩阵中不同配方电池的寿命情况，并为配方选择和设计优化提供反馈，需要针对设计矩阵中各个配方的电池开展循环寿命测试。该项测试需要持续进行到电池容量保持率达到规定的阈值，即锂电池的寿命终止点。然而，由于设计矩阵中的锂电池配方数量众多，导致现有的循环寿命测试时间和资金成本太高，尤其对寿命周期长达多年的动力锂电池的而言，其设计开发效率过低，企业难以承受。

锂电池寿命预测，通常被用于锂电池的使用阶段，主要根据少量的已知历史数据，预测电池当前时刻的剩余寿命。由于被预测锂电池的测试循环数量要尽可能少，难以获得足够多的电池测试数据量以满足剩余寿命预测模型的设计开发需要。因此，利用电池企业同一电池平台的其他配方海量历史循环寿命测试数据，可为设计开发所需的剩余寿命预测模型提供数据支持。然而如何定义和度量数据可迁移性，并用于设计可迁移样本的筛选策略，从其他大量差异化配方电池数据中获得最相似的样本，对相似产品的寿命预测具有重大意义和应用需求。

发明内容

为解决现有技术存在的问题，本发明利用短期实测数据及迁移学习预测方法提供了一种更适用于电池设计开发过程中不同配方间的电池寿命预测的可迁移样本筛选方法及系统，本发明提供的可迁移样本筛选方法及系统能提高寿命预测的准确率，有效避免由于长期测试所产生的能耗及资源浪费，预测准确度高，普适性强。

为实现本发明的技术目的，本发明一方面提供一种相似产品可迁移样本筛选方法，包括：

预处理待测配方相似产品短期循环寿命测试数据得到目标样本数据，预处理其他配方电池全寿测试容量数据得到多个训练数据；

通过进行曲线形态筛选，从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据；

通过容量退化率相似度筛选，从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据；

通过寿命分布相似度筛选，从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据；

通过距离度量最小筛选，从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据；

将第四训练数据用于跨配方相似产品寿命预测的可迁移样本数据。

其中，从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据包括：

将目标样本数据和多个训练数据分别图形化为目标样本数据曲线和多个训练数据曲线；

将目标样本数据曲线和多个训练数据曲线分为直线，凹曲线和凸曲线三类；

根据直线、凹曲线和凸曲线类型进行筛选，排除与目标样本数据曲线类型不同的训练数据曲线，得到第一训练数据。

其中，从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据包括：

计算第一训练数据从初始状态退化到测试结束时容量曲线的变化率，保留与目标样本数据最近接的几个第一训练数据；

将保留的第一训练数据作为第二训练数据。

其中，从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据包括：

通过测量运行到试验停止阈值时的循环次数，比较第二训练数据的寿命分布，并保留最接近目标样本数据的寿命分布的几个第二训练数据；

将保留的最接近目标样本数据的寿命分布的第二训练数据作为第三训练数据。

其中，从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据包括：

选用切比雪夫距离对容量曲线进行筛选，计算几个第三训练数据的退化曲线与目标样本数据的容量退化曲线间的切比雪夫距离；

选择切比雪夫距离最小的第三训练数据作为第四训练数据。

其中，所述预处理包括：

剔除待测配方电池短期测试样本数据和其他配方电池全寿测试容量数据库中不稳定的起始数据和未体现退化趋势的数据；

对剔除后的短期测试样本数据和全寿测试容量数据库中的数据进行平滑处理，得到目标样本数据和预测训练数据。

其中，所述进行平滑处理之前还包括：

对剔除后的短期测试样本数据和全寿测试容量数据库中的数据进行归一化处理。

其中，所述相似产品是锂电池。

为实现本发明的技术目的，本发明另一方面提供一种相似产品可迁移样本筛选系统，包括：

数据处理模块，用于处理待测配方相似产品短期循环寿命测试数据得到目标样本数据，处理其他配方电池全寿测试容量数据得到训练数据；

数据筛选模块，用于根据目标样本数据对训练数据进行多级筛选，得到用于跨配方相似产品寿命预测的可迁移样本数据。

特别是，所述数据筛选模块包括：

第一筛选单元，用于通过进行曲线形态筛选，从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据；

第二筛选单元，用于通过容量退化率相似度筛选，从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据；

第三筛选单元，用于通过寿命分布相似度筛选，从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据；

第四筛选单元，用于通过距离度量最小筛选，从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据。

为实现本发明的技术目的，本发明再一方面提供一种将上述的相似产品可迁移样本筛选方法或上述的相似产品可迁移样本筛选系统用于相似产品寿命预测的用途。

有益效果：

由于被预测电池较短的测试数据难以有效凸显其容量退化规律，导致寿命预测模型难以有效训练和给出准确的预测结果。针对这一问题，本发明提供一种基于迁移学习的思想，采用四次筛选的可迁移样本筛选方法，从不同配方电池的历史全寿测试数据中，获得与被预测电池容量退化规律相似度最高的数据，并迁移应用于被预测电池寿命预测模型的训练，实现了锂动力电池跨配方剩余寿命的准确预测，预测准确度最高可以达到99.9％，可以有效节省锂电池设计开发过程中的测试时间和费用，具有可观的经济效益和应用价值。

附图说明

图1是本发明实施例1提供的相似产品可迁移样本筛选方法流程图；

图2是本发明实施例2提供的相似产品可迁移样本筛选系统；

图3是本发明应用实施例1提供的锂离子电池的可迁移样本筛选方法的流程图；

图4是应用实施例1提供的25℃、45℃和60℃三种温度条件下的电池退化数据数据预处理结果图，其中，图4(a)25℃的数据曲线，图4(b)是45℃的数据曲线，图4(c)是60℃的数据曲线；

图5是应用实施例1提供的25℃、45℃和60℃三种温度条件下可迁移样本筛选结果示意图。

具体实施方式

下面将结合示意图对本发明方法和系统进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。

在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

下述实施例中所使用的实验方法如无特殊说明，均为常规方法。下述实施例中所用的结构、材料等，如无特殊说明，均可从商业途径得到。

实施例1

如图1所示，本发明提供的一种相似产品可迁移样本筛选方法，包括：

步骤S101预处理待测配方相似产品短期循环寿命测试数据得到目标样本数据，预处理其他配方电池全寿测试容量数据得到多个训练数据；

具体的，所述预处理包括：

进一步的，所述进行平滑处理之前还包括：

为了保证跨配方预测时的数据尺度一致性，本发明首先基于局部加权回归的方法对锂电池容量保持率的原始数据曲线进行平滑处理，得到规整化后的预处理数据。本发明选取锂电池初始容量的80％为寿命终止点(失效阈值)，对其容量数据和循环寿命数据进行归一化处理，初始容量值化为1，运行至失效阈值时的容量值化为0，得到预测模型输入数据和对应的循环寿命标签，具体的计算步骤如下：

1)数据归一化

选取锂电池初始容量的82％为失效阈值，将锂电池容量值归一化为1-0(初始容量为1，初始容量的82％为0)。同时，RUL标签代表每个测试循环对应的电池RUL值，也需要对其进行归一化处理(初始容量对应的剩余寿命为1，初始容量的82％对应的剩余寿命为0)，归一化过程如下所示。

2)基于局部加权回归的锂电池容量曲线平滑预处理

由于在试验过程中存在人为干扰、非正常停止等因素影响，部分电池的容量曲线原始数据往往存在突变和异常值，会导致结果存在偏差，因此需要对电池原始数据进行平滑预处理。

本发明使用局部加权回归算法对容量曲线进行平滑处理，局部加权回归算法(LWR，Locally Weighted Regression)是一种对于普通回归算法实现效果提升的回归算法，就是对局部观测数据进行多项式加权拟合，并用最小二乘法进行估计，最终得到需要拟合的点，具体原理为：

对每一个点q_i，确定一个窗口范围，在窗口内所有的q_k上，k＝1,2,…,n，由权值函数可得到权值α_k(q_i)，使用带有权值α_k(q_i)的加权最小二乘法对q_i进行d阶多项式拟合(公式1)，得到拟合值p_i。利用α_k(q_i)得到p_i就称为局部加权回归。

p_i＝α₀(q_i)+α₁(q_i)q_i+…+α_m(q_i)q_i ^β+ε_i,i＝1,2,…,n

其中α₀(q_i),α₁(q_i),…,α_m(q_i)为相对于q_i未知的参数，ε_i,i＝1,2,…,n为独立同分布的随机误差项，β为事先给定的值。

LWR具有以下优点：自适应滤除局部数据之间的噪声干扰，保持原始信号的特征；通过减少噪声干扰提高预测精度，有效避免过拟合和欠拟合问题。

本发明为确保样本数据的代表性和准确性，提高电池剩余寿命预测准确度，以一定的测试数据长度为基准计算目标电池和同温度同倍率不同配方的其他电池容量退化曲线的四种相似度(容量曲线形态、容量退化率、寿命分布和切比雪夫距离相似度)进行筛选。从大量历史电池中选出与目标电池相似度最高的电池，作为最终用于迁移寿命预测的可迁移样本，具体步骤如S102-S105所示。

步骤S102通过进行曲线形态筛选，从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据；

具体的，所述从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据包括：

本发明根据曲线类型进行第一次筛选，排除与目标曲线类型不同的训练曲线，高效率的缩小相似度度量的范围。原始曲线的类型判别可依据二次斜率统计规律进行：直线二次斜率等于0，凹曲线二次斜率大于0，凸曲线二次斜率一般小于0。

S₁＝f″(x)

其中，S₁表示第一次筛选。

步骤S103通过容量退化率相似度筛选，从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据；

具体的，所述从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据包括：

计算第一训练数据从初始状态退化到测试结束时容量曲线的变化率，保留与目标样本数据最接近的几个第一训练数据；

将保留的第一训练数据作为第二训练数据。

其中，第二次筛选的计算公式为：

其中x₀，x_EOT表示初始状态的额定容量值和测试停止时的容量值，Cycles_EOT表示运行到试验停止阈值EOT的测试循环数，S₂表示第二次筛选。

步骤S104通过寿命分布相似度筛选，从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据；

具体的，所述从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据包括：

步骤S105通过距离度量最小筛选，从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据；

具体的，所述从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据包括：

选择切比雪夫距离最小的第三训练数据作为第四训练数据。

切比雪夫距离(ChebyshevDistance)是：若两个点p和q，其坐标分别为p_i及q_i，则两者之间的切比雪夫距离D_Chebyshev(p,q)，定义为其各坐标数值差的最大值，形式如下：

发明人经过大量实验发现，基于切比雪夫距离计算的相似曲线聚敛性更好，筛选出的曲线退化趋势更相似，因此本申请将基于切比雪夫距离的相似性度量方法与上述筛选方法结合，实现了深度学习和协同过滤的预测精度的提升。

具体的，所述相似产品是锂电池。

进一步的，所述相似产品为锂离子电池。

实施例2

如图2所示，本发明提供一种相似产品可迁移样本筛选系统，包括：数据处理模块1，用于处理待测配方相似产品短期循环寿命测试数据得到目标样本数据，处理其他配方电池全寿测试容量数据得到训练数据；数据筛选模块2，用于根据目标样本数据对训练数据进行多级筛选，得到用于跨配方相似产品寿命预测的可迁移样本数据；

具体的，所述数据筛选模块2包括：第一筛选单元21，用于通过进行曲线形态筛选，从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据；第二筛选单元22，用于通过容量退化率相似度筛选，从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据；第三筛选单元23，用于通过寿命分布相似度筛选，从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据；第四筛选单元24，用于通过距离度量最小筛选，从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据。

应用实施例1

本发明采用的锂离子电池可迁移样本筛选方法流程如图3所示，具体筛选步骤及用于锂离子电池寿命预测的步骤如下：

1、数据收集

为验证本发明在不同配方电池之间的寿命迁移预测能力，本发明从已经完成电池寿命测试的相同电池平台不同配方的相似产品中筛选10组不同配方的电池样本数据，分别为A，B，……，I，J组，进行跨配方电池剩余寿命预测，每组样本数据包括了25℃、45℃及60℃三种不同温度下的试验数据。

2、数据预处理

本发明中以电池容量退化数据作为反映系统退化的性能指标，通过对数据的初步分析，将失效阈值定为0.82，也即当容量退化至初始容量的82％时，认为该电池到达寿命终止点。

按照数据归一化标准，将电池容量退化数据归一化为1-0(初始容量为1，初始容量的82％为0)，同时将对应的剩余寿命也归一化为1-0(初始容量对应的剩余寿命为1，初始容量的82％对应的剩余寿命为0)。归一化后的电池容量退化原始数据可以看出原始数据曲线存在较大的跳变波动，这是由于锂电池放电过程中复杂的化学反应过程导致的，为了便于进行数据分析，采用局部加权回归的方法对原始数据进行平滑处理。基于局部加权回归方法的锂电池容量平滑预处理的效果图如图4所示。

基于局部加权回归方法对锂电池容量曲线进行平滑处理后，经过筛选，最终本研究共选择147个不同电池开展研究，具体如表1所示：

表1电池筛选结果

3、可迁移样本选择结果

本发明的研究限制在同温度同倍率不同配方情况下电池寿命的迁移预测，设置不同的实验终止阈值，如TS_失效＝90％，表示当容量退化至初始容量的90％时停止试验。通过四次筛选方法，比较目标电池容量退化曲线与同温度同倍率下其余样本电池(不同配方)容量退化至90％长度时曲线的相似度，选取最优的样本电池作为可迁移样本预测目标电池的剩余循环寿命，提高寿命预测精度。可迁移样本筛选结果如图5所示。

4、寿命迁移预测

将可迁移样本用于LSTM模型中，对锂离子电池进行预测，其中，25℃实验条件下的预测结果如表2所示：

表2 25℃电池寿命预测结果

根据表2的结果可知，利用本发明提供的可迁移样本进行寿命预测的精度最高可达99.9％，节约了分析电池配方性能的成本，由不同配方电池的数据相似性分析，可以节约大量试验成本，实现有效的数据共享。为电池循环寿命试验带来了新的选择，具有很好的经济性和实用性。

尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

Claims

1.一种相似产品可迁移样本筛选方法，其特征在于，包括：

将第四训练数据作为用于跨配方相似产品寿命预测的可迁移样本数据。

2.如权利要求1所述的方法，其特征在于，从多个训练数据中筛选出与目标样本数据曲线类型相似的第一训练数据包括：

3.如权利要求2所述的方法，其特征在于，从第一训练数据筛选出与目标样本数据的容量退化趋势相似的第二训练数据包括：

将保留的第一训练数据作为第二训练数据。

4.如权利要求3所述的方法，其特征在于，从第二训练数据筛选出与目标样本数据寿命分布相似的第三训练数据包括：

5.如权利要求4所述的方法，其特征在于，从第三训练数据中筛选出与目标样本数据的距离度量最小的第四训练数据包括：

选择切比雪夫距离最小的第三训练数据作为第四训练数据。

6.如权利要求1所述的方法，其特征在于，所述预处理包括：

7.如权利要求6所述的方法，其特征在于，所述进行平滑处理之前还包括：

8.如上述权利要求任一项所述方法，其特征在于，所述相似产品是锂电池。

9.一种相似产品可迁移样本筛选系统，其特征在于，包括：

数据筛选模块，用于根据目标样本数据对训练数据进行多级筛选，得到用于跨配方相似产品寿命预测的可迁移样本数据；

其中，所述数据筛选模块包括：

10.一种将权利要求1所述的相似产品可迁移样本筛选方法或权利要求9所述的相似产品可迁移样本筛选系统用于相似产品寿命预测的用途。