离子电池的多视图健康状态估计使用时频图像融合和基于注意力的深度学习

科学领域:

• 储能系统 储能系统 储能系统
• 电池健康监测 电池健康监测
• 机器学习用于工程.

背景情况:

• 离子电池对于现代应用至关重要,但预测其剩余使用寿命 (RUL) 对安全性和可靠性至关重要.
• 在离子电池中预测早期故障对于防止意外停机和潜在危险至关重要.
• 目前用于估计健康状况 (SOH) 的方法需要提高准确性和稳定性.

研究的目的:

• 开发一种新的多视图方法,用于精确的早期离子电池健康状况 (SOH) 估计.
• 整合时间域和时间频率特征以进行更全面的电池健康评估.
• 提高剩余使用寿命 (RUL) 估计的预测准确性和可靠性.

主要方法:

• 时间域信号被转换成时间频率图像使用波形变换.
• 卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络被用来提取空间和时间特征.
• 一个两阶段的注意力机制处理了原始时间特征,随后又有一个LSTM用于时间依赖模型.
• 从两个平行分支的输出被合并使用加权集成最终的SOH估计.

主要成果:

• 与四个基线模型相比,拟议的时间频融合架构显著提高了SOH预测准确性.
• 多视图方法的每个组件都对整体性能提升做出了有意义的贡献.
• 综合方法有效地捕捉了电池退化模式的空间和时间依赖.

结论:

• 新的多视图方法为离子电池SOH估计提供了一个高度准确的方法.
• 整合时间域和时间频率特征为电池健康监测提供了一个强大的策略.
• 这种方法通过精确的早期RUL预测来提高电池的安全性和可靠性.