离子电池的混合优化剩余使用寿命预测框架,数据样本有限

科学领域:

• 电池健康监测 电池健康监测
• 机器学习用于预测.
• 在工程领域的人工智能.

背景情况:

• 准确预测剩余使用寿命 (RUL) 对离子电池 (LIB) 的可靠运行和维护至关重要.
• 传统的RUL预测模型经常面临着在不同电池数据集的准确性和概括性方面的挑战.
• 集成先进的优化算法与神经网络架构,为增强预测性能提供了潜力.

研究的目的:

• 开发和评估一种基于水母优化 (JFO) 的新型Feedforward神经网络 (FNN) 模型,以改进RUL对LIB的预测.
• 调查系统数据采样和多个输入 (MBMI) 配置的多个电池的有效性.
• 将拟议的JFO-FNN模型的性能与使用已建立的LIB数据集的传统FNN模型进行比较.

主要方法:

• 使用了Feedforward神经网络 (FNN) 模型,与水母优化 (JFO) 技术集成,用于超参数优化.
• 使用多个输入 (MBMI) 配置文件的多个电池,从LIB数据中生成91维的特征.
• 应用了系统采样方法来提取相关数据特征,并将平均平方误差 (MSE) 作为目标函数.

主要成果:

• 基于JFO的FNN模型在RUL预测准确性方面明显优于传统的FNN模型.
• 在NASA LIB数据集上,LIB单元B5的低平均平方误差 (MSE) 为3.9494*10^-4 .
• 模型性能使用粒子群优化进行了验证,并且在麻省理工学院-斯坦福大学LIB数据集上显示出高适用性,尽管容量再生问题影响了特定的LIB (B6,B18).

结论:

• 由JFO优化的FNN模型为LIB RUL预测提供了增强的预测准确性,概括性和稳定性.
• 拟议的框架为电池预测提供了快速有效的解决方案,利用系统的数据采样和先进的优化.
• 该研究强调了JFO-FNN在可靠的电池健康管理和预测性维护应用中的潜力.