一种基于卷积神经网络的新能源重卡电池寿命预测方法与流程

摘要: 本发明涉及一种基于卷积神经网络的新能源重卡电池寿命预测方法,属于新能源重卡领域。背景技术:1、当前新能源重卡电池寿命受充放电循环、温度、负载等多因素影响,传统预...
一种基于卷积神经网络的新能源重卡电池寿命预测方法与流程

本发明涉及一种基于卷积神经网络的新能源重卡电池寿命预测方法,属于新能源重卡领域。

背景技术:

1、当前新能源重卡电池寿命受充放电循环、温度、负载等多因素影响,传统预测方法(如经验模型、等效电路模型)依赖人工特征提取,精度低且泛化性差。现有机器学习方法(如支持向量机、随机森林)对时序数据特征捕捉不足,难以处理电池退化过程中的非线性关系。基于rnn/lstm的预测方法存在长序列训练困难、计算复杂度高的问题,且未充分利用电池多源异构数据(电压、电流、温度等传感器数据)。现有技术缺乏一种能自动提取电池退化多维特征、融合工况数据,并实现高精度端到端寿命预测的轻量化解决方案。

技术实现思路

1、本发明旨在解决传统方法对人工特征工程的依赖,通过cnn自动学习电池退化时空特征,提高预测精度,实现新能源重卡电池剩余使用寿命(rul)的早期预警,设计轻量化网络结构,满足车载边缘设备的实时性要求。

2、本发明是由以下技术方案实现的:

3、一种基于卷积神经网络的新能源重卡电池寿命预测方法,包括以下步骤:

4、步骤1:数据采集,通过车辆内置传感器收集汽车动力电池数据,包括:

5、1)电池本体参数:充放电电压、充放电电流、温度、内阻、soc充电状态、soh健康状态;

6、2)车辆工况参数:负载重量、行驶坡度、加速度、制动频率、环境温湿度;

7、3)历史衰减记录:累计循环次数、历史故障码、维护记录;

8、步骤2:数据预处理,包括:

9、1)数据筛选:提取soc在30%-80%的充放电区间数据;

10、2)缺失值处理:采用分段线性插值法填补因传感器丢包导致的缺失数据,对连续缺失超过5个时间步的数据点标记为异常并剔除;

11、3)噪声滤除:使用自适应卡尔曼滤波即过程噪声协方差动态调整,优先处理电流和电压的高频噪声;

12、4)标准化:对去噪后的数据按特征维度进行z-score标准化,以消除不同特征之间的数值相差很大导致的结果不同,公式为:

13、z=

14、其中x:原始特征值,预处理后即去噪、插值后的某个具体传感器数据;

15、μ:该特征维度的均值,指在全部训练数据中,同一个传感器通道所有数值的平均值,代表该特征的“中心基准点”;

16、σ:该特征维度的标准差,衡量该特征数据围绕均值的离散程度即波动大小);

17、z:标准化后的特征值,计算后,该特征的整体分布变为均值为0、标准差为1的标准正态分布;

18、步骤3:特征工程与输入构建,包括:

19、1)时序对齐:将不同采样频率的传感器数据(如电压1hz、温度0.2hz)通过时间窗口重采样统一为10秒/帧;

20、2)三维张量构建:

21、维度1时间步:滑动窗口截取连续60分钟数据(360个时间步);

22、维度2传感器通道:包括电压、电流、温度、负载重量、行驶坡度、加速度、制动频率、环境温湿度等8个特征通道;

23、维度3循环次数:按电池充放电循环次数堆叠,形成时序-通道-循环的三维矩阵;

24、步骤4:特征工程与输入构建,包括:

25、1)模型输入:预处理后的三维张量和车辆工况参数(通过嵌入层编码为向量);

26、2)核心网络结构:

27、多分支卷积层:

28、分支1:1d卷积,kernel_size=3, stride=1,提取局部时序特征;

29、分支2:空洞卷积,dilation_rate=2,捕捉长周期依赖;

30、特征融合层:将多分支输出在通道维度拼接,通过1×1卷积降维;

31、cbam模块:对传感器通道和关键时间步施加注意力权重;

32、3)输出层:

33、soh预测:sigmoid激活函数输出0-1之间的健康状态;

34、rul预测:线性层输出剩余循环次数;

35、步骤5:模型训练与部署,包括:

36、1)损失函数:

37、

38、其中,α=0.7,β=0.3;λ:l2的正则化系数,这是一个超参数,初始设为0.0001,根据训练情况调整,用于控制正则化项的强度;

39、l2:l2正则化项即权重衰减,具体为模型所有可训练参数的平方和;

40、2)边缘部署:通过can总线实时获取数据,预测结果上传至云端监控平台。

41、本发明为电池健康管理(bms)提供可解释性特征(通过grad-cam可视化关键传感器通道),支持电池更换和维修的精准决策,推动新能源商用车从“定期维护”到“预测性维护”的转型,符合车联网v2x发展趋势。

1.一种基于卷积神经网络的新能源重卡电池寿命预测方法,其特征是:包括以下步骤:

2.根据权利要求1所述的一种基于卷积神经网络的新能源重卡电池寿命预测方法,其特征是:步骤3的1)时序对齐中将不同采样频率的传感器数据通过时间窗口重采样统一为10秒/帧。

3.根据权利要求2所述的一种基于卷积神经网络的新能源重卡电池寿命预测方法,其特征是:步骤3的2)维度1时间步:滑动窗口截取连续60分钟数据,即360个时间步。