一个基于数据预处理的混合数据层次关注BiLSTM网络,用于预测航天器离子电池的剩余使用寿命

科学领域:

• 航空航天工程 航空航天工程
• 材料科学 材料科学 材料科学
• 电气工程 电气工程

背景情况:

• 离子电池对于航天器的动力至关重要,但它们复杂的降解机制和环境敏感性阻碍了准确的剩余使用寿命 (RUL) 预测.
• 由于复杂的降解途径,评估用于航天器离子电池的RUL模型的可靠性存在重大挑战.

研究的目的:

• 开发一种新的混合深度学习模型,用于增强航天器离子电池的RUL预测.
• 通过解决复杂的降解模式和特征相关性,提高RUL估计的准确性和可靠性.

主要方法:

• 一个混合数据预处理管道,包括用于特征线性化的Box-Cox转换和用于消除噪音的适应噪音 (CEEMDAN) 的完整集体实证模式分解.
• 主要组件分析 (PCA) 以减少特征维度,然后使用滑动窗口技术.
• 一个多层次的分层注意力双向长期短期记忆 (MHA-BiLSTM) 模型用于未来的容量估计和RUL预测,考虑缩放的信息意义.

主要成果:

• 拟议的方法在特征提取和多维时间序列预测离子电池退化方面表现出卓越的性能.
• 在多种实验类型和两个不同的离子电池数据集中进行验证证实了该模型的有效性.
• MHA-BiLSTM模型成功地捕获了不同尺度的周期信息的相关性和意义,以准确预测RUL.

结论:

• 开发的混合深度学习方法为航天器离子电池中准确的RUL预测提供了强大的解决方案.
• 集成先进的数据预处理和MHA-BiLSTM显著提高了预测准确性和可靠性.
• 这种方法为管理航天器动力系统和确保任务寿命提供了有价值的工具.