一种基于时空特征融合的机器人电池寿命预测方法及系统与流程

摘要: 本发明涉及电变量测量,尤其涉及一种基于时空特征融合的机器人电池寿命预测方法及系统。背景技术:1、机器人电池寿命预测是机器人健康管理领域的核心技术之一,准确预测电...
一种基于时空特征融合的机器人电池寿命预测方法及系统与流程

本发明涉及电变量测量,尤其涉及一种基于时空特征融合的机器人电池寿命预测方法及系统。

背景技术:

1、机器人电池寿命预测是机器人健康管理领域的核心技术之一,准确预测电池的剩余使用寿命,对于保障机器人作业安全、优化能源调度、降低运维成本具有重要意义。然而,机器人动力电池在实际运行中往往面临负载波动大、作业环境复杂、充放电工况多变等挑战,其退化过程呈现出高度非线性和强耦合特性,给寿命预测带来了极大困难。

2、在实际工程中,机器人电池寿命预测方法主要分为机理模型与数据驱动模型两类。机理模型通过构建物理化学方程描述电池内部的退化过程,具有较强的可解释性,但在面对动态多变的机器人作业工况时,难以精确刻画容量衰减、内阻增长、温度变化以及负载扰动之间的非线性关系。

3、数据驱动模型凭借较强的非线性拟合能力,在处理大规模电池时序数据方面展现出一定优势。现有研究中,循环神经网络、长短期记忆网络、门控循环单元以及注意力机制等模型逐步被用于电池寿命预测,以增强模型对时序依赖和多源信息的建模能力。为了同时捕捉空间信息和时间信息,现有研究采用双通道注意力结构进行剩余寿命预测。该类方法通常将输入特征序列分别送入时间建模分支和特征建模分支,时间建模分支利用循环神经网络或门控循环单元结合注意力机制计算不同时间步的重要性,特征建模分支通过特征投影或特征注意力机制评估不同传感特征维度对寿命预测的贡献度,最后再通过动态融合层或加权融合策略将时间动态表征和特征动态表征进行融合。该类方法在一定程度上能够增强模型对关键时间步和关键特征的关注能力,但其仍然存在以下不足。

4、第一,现有特征注意力方法主要用于评估不同特征维度对寿命预测结果的贡献程度,其关注点通常是哪个特征更重要。然而,机器人电池退化过程中,电流、电压、温度、容量、内阻和soc等变量并不是相互独立的。例如,电流冲击可能引起温度升高,温度变化可能影响内阻增长,内阻增长又会进一步影响容量衰减。仅对特征维度进行重要性加权,难以表达不同变量之间的联动退化关系,容易造成变量交互信息丢失。

5、第二,现有时序建模方法多基于单一时间尺度提取退化序列特征。例如,将输入特征序列直接输入循环神经网络或门控循环单元,再通过注意力机制计算不同时间步的重要性。该类方法能够描述一定的时序依赖关系,但机器人电池在实际运行中具有明显的多时间尺度退化特征,短时间尺度上,机器人启停、加速、机械臂动作和负载突变会引起电流、电压和温度的瞬态波动;中时间尺度上,连续任务执行会导致容量波动、温升变化和运行状态漂移;长时间尺度上,循环老化会形成容量衰减和内阻增长等不可逆趋势。单一时间尺度建模难以同时覆盖短期扰动、中期波动和长期衰减信息,导致模型在复杂工况下对寿命变化的敏感性不足。

6、第三,现有双分支融合方法通常采用时间分支和特征分支分别独立建模,然后在末端通过加权融合或门控融合生成综合表征。该方式虽然能够在一定程度上结合时间信息和特征信息,但两个分支在融合前缺少显式交互,无法直接表达某一关键时间片段中究竟是哪一个变量或哪一组变量对寿命衰减起主要作用。因此,该类末端融合方式难以建立时间步与变量节点之间的对应关系,限制了模型对复杂退化过程的判别能力和可解释性。

7、第四,现有融合方法通常仅在最终阶段平衡时间特征和特征维度表征的贡献比例,其融合对象是两个相对独立分支的输出。由于两个分支在融合前缺少反馈校正,空间侧难以感知哪些时间片段更关键,时序侧也难以判断哪些变量关系驱动了对应时间片段的退化变化。这种独立分支末端融合方式容易造成空间信息与时间信息之间的割裂,影响时空特征融合深度和预测鲁棒性。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于时空特征融合的机器人电池寿命预测方法及系统,实现了多源变量耦合关系以及多尺度退化规律和时空交互信息的联合建模,从而提高了机器人电池剩余寿命预测的准确性与鲁棒性。

2、本发明是通过以下技术方案予以实现:

3、一种基于时空特征融合的机器人电池寿命预测方法,其包括如下步骤:

4、s1:实时采集机器人电池在实际运行过程中的多源时序信号并进行预处理,基于预处理后的多源时序数据构建固定长度的多变量输入张量;

5、s2:将多变量输入张量作为图节点,确定不同变量节点间连接权重,构建反映电池退化耦合关系的变量关系图,并基于各变量节点特征及节点间连接权重提取多变量联合退化特征;

6、s3:采用不同感受野的时间卷积对固定长度的多变量输入张量进行并行处理,分别捕获短期尺度时序特征、中期尺度时序特征及长期尺度时序特征,并将相应的时序特征输入双向门控循环单元,最终得到能够表征短期扰动、中期波动和长期退化趋势的时序特征表示,并基于时序特征表示在时间维度上计算各时间步的注意力权重;

7、s4:基于多变量联合退化特征及各时间步的注意力权重计算不同时间步与不同变量节点之间的关联强度,形成时空协同矩阵;

8、s5:基于时空协同矩阵对时间步与变量节点两个分支的特征进行双向反馈重构,获得空间显著性重构特征及时序敏感度重构特征;

9、s6:将空间显著性重构特征及时序敏感度重构特征在特征维度上进行拼接,然后计算当前样本下的空间特征融合权重与时序特征融合权重,最终获得融合后的特征向量;

10、s7:将融合后的特征向量输入回归预测头,最终输出机器人电池的剩余使用寿命。

11、优化的,步骤s1中的多源时序信号包括电流、电压、温度、容量、内阻、荷电状态、充放电倍率、功率以及机器人运行过程中的负载状态。

12、优化的,步骤s1中对数据进行预处理时,先采用拉依达准则对多源时序信号异常值进行识别与剔除,再使用线性插值或邻近值填充方法修复缺失数据,然后对多源时序信号分别进行归一化处理,将数据映射至[0,1]区间,并采用滑动窗口方式构建固定长度的多变量输入张量。

13、进一步,步骤s2确定不同变量节点间连接权重的方法如下:

14、s211:沿时间维度对每一个变量输入张量进行特征压缩,得到每个变量在当前窗口内的初始节点表示为式(1):

15、(1);

16、其中:表示输入样本中第个时间步、第个变量的取值,表示第个变量节点的初始节点表示,l是定义的滑动窗口步长;

17、s212:采用皮尔逊相关系数根据式(2)计算多变量之间的相关系数:

18、  (2);

19、其中:表示变量节点与变量节点之间的相关系数,表示第个变量在当前滑动窗口内的均值,表示第个变量在当前滑动窗口内的均值;

20、s213:根据式(3)计算多变量之间的互信息:

21、(3);

22、其中:表示变量节点与变量节点之间的互信息,表示变量序列与变量序列在当前滑动窗口内的联合概率分布,表示变量序列的边缘概率分布,表示变量序列的边缘概率分布;

23、s214:将多变量的初始节点表示、多变量的初始节点表示之间的差异特征、相关系数及互信息根据式(4)进行拼接,形成节点对特征:

24、(4);

25、其中:表示变量节点与变量节点的节点对特征,表示多变量初始节点表示之间的差异,表示第个变量节点的初始节点表示;

26、s215:将节点对特征输入可学习的神经网络映射函数,得到变量节点与变量节点之间的未归一化关联得分,再对未归一化关联得分根据式(5)进行归一化,得到邻接矩阵中不同变量节点间连接权重:

27、(5);

28、其中:表示变量节点与变量节点之间的连接权重,d表示变量节点数量,表示变量节点与变量节点之间的未归一化关联得分。

29、进一步,步骤s2中基于各变量节点特征及节点间连接权重提取多变量联合退化特征的方法如下:

30、s221:图注意力网络根据式(6)计算第个变量对第个变量的注意力得分,并对注意力得分根据式(7)进行归一化,得到注意力权重:

31、(6);

32、(7);

33、其中:表示第个变量对第个变量的注意力得分,为可学习权重矩阵,表示激活函数,表示注意力权重,表示自然指数函数;

34、s222:基于注意力权重根据式(8)对节点特征进行聚合更新,得到经过变量关系图建模后的节点特征:

35、(8);

36、其中:表示经过变量关系图建模后的第个节点特征,表示非线性激活函数,表示节点特征变换矩阵,表示第个变量节点的初始节点表示;

37、s223:经过图注意力网络更新后,由经过变量关系图建模后的节点特征组成空间分支输出变量关系特征矩阵。

38、进一步,步骤s3中计算各时间步的注意力权重的方法如下:

39、s311:对多变量输入张量采用三个固定尺度的一维时间卷积分别提取短期尺度时序特征、中期尺度时序特征及长期尺度时序特征;

40、s312:对三个尺度的时序特征进行拼接融合,并根据式(9)计算尺度权重,根据式(10)获得融合后的多尺度时序特征:

41、(9);

42、(10);

43、其中:,表示输出多类别概率分布函数,表示尺度权重计算层的可学习权重矩阵,表示拼接特征,表示尺度权重计算层的可学习偏置向量,表示短期尺度时序特征权重,表示中期尺度时序特征权重,表示长期尺度时序特征权重短期尺度时序特征权重,表示融合后的多尺度时序特征,表示短期尺度时序特征,表示中期尺度时序特征,表示长期尺度时序特征;

44、s313:将融合后的多尺度时序特征输入双向门控循环单元进行时序编码,并根据式(11)计算各时间步的注意力权重:

45、(11);

46、其中:表示第个时间步的注意力权重,表示时间注意力计算层的可学习权重矩阵,表示第个时间步对应的时序隐藏状态特征,表示时间注意力计算层的可学习偏置参数,表示第个时间步对应的时序隐藏状态特征。

47、进一步,步骤s4中形成时空协同矩阵的方法如下:

48、s411:基于各时间步的注意力权重及多变量联合退化特征根据式(12)得到时序增强特征:

49、 (12);

50、其中:表示时序增强特征,表示第个时间步的注意力权重,表示第t个时间步对应的时序隐藏状态特征;

51、s412:基于空间分支输出变量关系特征矩阵及时序增强特征时序增强特征根据式(13)通过双线性映射计算时空协同矩阵:

52、(13);

53、其中:表示时空协同矩阵,表示非线性激活函数,表示可学习协同权重矩阵,s表示空间分支输出变量关系特征矩阵,t表示时序特征矩阵。

54、进一步,步骤s5中根据式(14)获得空间显著性重构特征,根据式(15)获得时序敏感度重构特征:

55、(14);(15);

56、其中:表示空间显著性重构特征,表示时空协同矩阵,表示时序增强特征,t表示时序特征矩阵,表示空间分支输出变量关系特征矩阵,表示时序敏感度重构特征。

57、进一步,步骤s6中获得融合后的特征向量的方法如下:

58、s611:将空间显著性重构特征与时序敏感度重构特征进行拼接后输入至由全连接层和sigmoid激活函数构成的门控网络,由门控网络自动输出当前样本下的空间特征融合权重与时序特征融合权重;

59、s612:基于空间特征融合权重与时序特征融合权重根据式(16)获得融合后的特征向量:

60、(16);

61、其中:表示,表示空间显著性重构特征,表示时序敏感度重构特征,γ是空间特征融合权重,表示时序特征融合权重。

62、一种基于时空特征融合的机器人电池寿命预测系统,用于执行如上述任意一项所述的一种基于时空特征融合的机器人电池寿命预测方法,其包括数据采集模块、预处理模块、变量关系图建模空间分支模块、多尺度时序建模分支模块、时空协同矩阵构建模块、跨维度双向重构模块、自适应门控融合模块及输出模块;

63、所述数据采集模块模块用于实时采集机器人电池在实际运行过程中的多源时序信号;

64、所述预处理模块用于对多源时序信号进行预处理,并基于预处理后的多源时序数据构建固定长度的多变量输入张量;

65、所述变量关系图建模空间分支模块用于将多变量输入张量作为图节点,确定不同变量节点间连接权重,构建反映电池退化耦合关系的变量关系图,并基于各变量节点特征及节点间连接权重提取多变量联合退化特征;

66、所述多尺度时序建模分支模块用于采用不同感受野的时间卷积对固定长度的多变量输入张量进行并行处理,分别捕获短期尺度时序特征、中期尺度时序特征及长期尺度时序特征,并将相应的时序特征输入双向门控循环单元,最终得到能够表征短期扰动、中期波动和长期退化趋势的时序特征表示,并基于时序特征表示在时间维度上计算各时间步的注意力权重;

67、所述时空协同矩阵构建模块基于多变量联合退化特征及各时间步的注意力权重计算不同时间步与不同变量节点之间的关联强度,形成时空协同矩阵;

68、所述跨维度双向重构模块基于时空协同矩阵对时间步与变量节点两个分支的特征进行双向反馈重构,获得空间显著性重构特征及时序敏感度重构特征;

69、所述自适应门控融合模块用于将空间显著性重构特征及时序敏感度重构特征在特征维度上进行拼接,然后计算当前样本下的空间特征融合权重与时序特征融合权重,最终获得融合后的特征向量;

70、所述输出模块用于将融合后的特征向量输入回归预测头,最终输出机器人电池的剩余使用寿命。

71、发明的有益效果:

72、本发明提供的一种基于时空特征融合的机器人电池寿命预测方法及系统,具有如下优点:

73、1.将电流、电压、温度、容量、内阻和soc等运行变量作为图节点,构建变量关系图,并利用图注意力网络学习变量间的退化耦合关系。与仅对特征维度进行贡献度加权的方法相比,本发明能够显式表达电流冲击、温度升高、内阻增长和容量衰减之间的联动关系,避免变量交互信息丢失,提高对机器人电池复杂退化过程的表征能力。

74、2.通过不同感受野的时间卷积同时提取短期负载扰动、中期容量波动和长期寿命衰减趋势,并结合bigru时序编码和时序交互注意力突出关键退化片段,使模型能够更好地适应机器人启停、加速、负载突变、连续任务执行和循环老化等复杂工况,提高对容量再生、温度异常、内阻突增和长期寿命衰减的敏感性。

75、3.通过时空协同矩阵显式建立时间步与变量节点之间的关联,使模型能够识别某一关键时间片段中哪些变量或变量组合对寿命衰减起主要作用。该机制能够弥补时间分支与特征分支独立建模后末端融合所造成的时空交互不足,提高模型对复杂退化过程的判别能力和可解释性。

76、4.自适应门控融合机制能够根据电池当前所处的退化阶段,动态调整空间特征与时序特征的融合权重,避免了固定融合方式在关键退化阶段的信息丢失或过拟合问题,使模型在电池早期、中期和末期均能保持优异的预测性能,泛化能力得到有效提升。

77、5.可便捷地集成于机器人电池管理系统中,以滑动窗口方式实时接收传感数据流,在线输出剩余使用寿命预测值,并行双通道结构在保证高精度的同时,计算复杂度可控,满足机器人实际运行中的实时性要求,为机器人电池的健康管理和智能运维提供了可靠的技术支撑。