本發(fā)明涉及無(wú)人機(jī)運(yùn)維，尤其涉及一種無(wú)人機(jī)電池健康管理預(yù)測(cè)方法與系統(tǒng)。

背景技術(shù)：

1、隨著無(wú)人機(jī)技術(shù)的飛速發(fā)展，其在各個(gè)領(lǐng)域的應(yīng)用日益廣泛。然而，無(wú)人機(jī)電池的續(xù)航能力和健康狀態(tài)直接關(guān)系到無(wú)人機(jī)的作業(yè)效率和安全性。傳統(tǒng)的電池健康管理系統(tǒng)在預(yù)測(cè)精度、實(shí)時(shí)性和智能化管理方面存在不足。因此，本項(xiàng)目旨在開發(fā)一種基于生成對(duì)抗網(wǎng)絡(luò)(gan)的無(wú)人機(jī)電池健康管理預(yù)測(cè)與管理系統(tǒng)，以提高無(wú)人機(jī)電池的可靠性和延長(zhǎng)使用壽命。

2、無(wú)人機(jī)電池作為能源存儲(chǔ)的關(guān)鍵組件，在許多無(wú)人機(jī)領(lǐng)域有著至關(guān)重要的作用。鋰電池的優(yōu)勢(shì)在于其能量密度高、較長(zhǎng)的循環(huán)壽命和低自放電率。然而，隨著使用時(shí)問(wèn)的增加,電池的容量和性能逐漸哀退，影響整個(gè)系統(tǒng)的效能和安全性。因此,準(zhǔn)確預(yù)測(cè)電池的健康狀態(tài)(soh)對(duì)于電池管理系統(tǒng)非常重要，以優(yōu)化其性能和延長(zhǎng)壽命的使用。

3、鋰電池的soh預(yù)測(cè)方法主要分為兩大類:基于模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法?；谀Ｐ偷姆椒ɑ谖锢砘蚧瘜W(xué)原理建立的模型，能夠直觀地解釋電池性能衰退的原因和過(guò)程。雖然這些方法在理論上可以提供準(zhǔn)確的預(yù)測(cè)，但它們?cè)趯?shí)際應(yīng)用中受到限制，為了準(zhǔn)確預(yù)測(cè)電池壽命，需要建立復(fù)雜的數(shù)學(xué)模型，這增加了建模的難度和計(jì)算成本。對(duì)于參數(shù)的依賴性強(qiáng)，模型參數(shù)的準(zhǔn)確性對(duì)預(yù)測(cè)結(jié)果具有重要影響，而參數(shù)的獲取和校準(zhǔn)通常較為困難。基于數(shù)據(jù)驅(qū)動(dòng)的方法是一種不依賴于電池內(nèi)部詳細(xì)物理或化學(xué)模型的預(yù)測(cè)策略，而是通過(guò)分析電池在使用過(guò)程中產(chǎn)生的各種數(shù)據(jù)來(lái)評(píng)估其健康狀態(tài)(soh)并預(yù)測(cè)未來(lái)的性能。這類方法的優(yōu)點(diǎn)在于能夠不需要深入了解電池內(nèi)部反應(yīng)機(jī)理，降低了預(yù)測(cè)難度和成本。能夠處理非線性系統(tǒng)中的大量數(shù)據(jù)，具有高效的擬合能力。隨著數(shù)據(jù)量的增加和算法的不斷優(yōu)化，預(yù)測(cè)精度可以不斷提高。可以實(shí)現(xiàn)實(shí)時(shí)在線預(yù)測(cè)，為電池管理系統(tǒng)提供及時(shí)的健康狀態(tài)評(píng)估。這有助于優(yōu)化充電策略、預(yù)警電池故障等，提高電池的使用效率和安全性。然而，這些方法的性能在很大程度上依賴于數(shù)據(jù)的質(zhì)量和數(shù)量。若數(shù)據(jù)存在缺陷或量級(jí)不足，可能導(dǎo)致預(yù)測(cè)準(zhǔn)確度下降。近年來(lái)，深度學(xué)習(xí)技術(shù)在soh預(yù)測(cè)中得到了廣泛應(yīng)用。當(dāng)前的挑戰(zhàn)在于如何有效使用這些不同的深度學(xué)習(xí)技術(shù)，以及如何處理和解釋由這些復(fù)雜模型生成的結(jié)果。未來(lái)的研究可能會(huì)專注于優(yōu)化這些模型的結(jié)構(gòu)，減少對(duì)大量訓(xùn)練數(shù)據(jù)的依賴，以及提高模型的解釋能力，使其在實(shí)際應(yīng)用中更加可靠和高效。

4、相關(guān)現(xiàn)有技術(shù)存在以下缺點(diǎn)：現(xiàn)有設(shè)備預(yù)測(cè)精度不高，可能存在一定的誤差。測(cè)試方式通過(guò)充電和放電來(lái)測(cè)量電池容量，對(duì)電池的壽命會(huì)有一定的影響。此外，需要根據(jù)不同的測(cè)試環(huán)境和需求進(jìn)行一定的校準(zhǔn)和調(diào)整。測(cè)試時(shí)間較長(zhǎng)，需要完整的充放電循環(huán)周期。設(shè)備的復(fù)雜性和成本可能較高，無(wú)法準(zhǔn)確通過(guò)數(shù)據(jù)直接得出電池的健康狀態(tài)，以及其剩余的壽命。

5、當(dāng)前市場(chǎng)上已有的電池管理系統(tǒng)的局限性，例如監(jiān)測(cè)參數(shù)的單一、數(shù)據(jù)分析能力不足等。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例的主要目的在于提出一種精度高的無(wú)人機(jī)電池健康管理預(yù)測(cè)方法與系統(tǒng)，能夠準(zhǔn)確通過(guò)數(shù)據(jù)直接得出電池的健康狀態(tài)，以及其剩余的壽命。本系統(tǒng)旨在通過(guò)整合多種先進(jìn)的傳感技術(shù)和機(jī)器學(xué)習(xí)算法，對(duì)無(wú)人機(jī)電池的健康狀態(tài)進(jìn)行全面監(jiān)測(cè)、分析和預(yù)測(cè)。系統(tǒng)包括數(shù)據(jù)采集、處理、分析、健康評(píng)估和決策支持功能，旨在提高電池管理的精確性和安全性。

2、為實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例的一方面提出了一種無(wú)人機(jī)電池健康管理預(yù)測(cè)方法，包括以下步驟:

3、數(shù)據(jù)采集與預(yù)處理：通過(guò)多源數(shù)據(jù)采集與傳輸模塊的傳感器網(wǎng)絡(luò)實(shí)時(shí)采集電池狀態(tài)數(shù)據(jù)，通過(guò)小波變換和歸一化處理，構(gòu)建用于模型訓(xùn)練的訓(xùn)練集、驗(yàn)證集和測(cè)試集；

4、異常檢測(cè)：對(duì)采集到的電池狀態(tài)數(shù)據(jù)進(jìn)行異常檢測(cè)，通過(guò)isolation forest算法來(lái)識(shí)別異常數(shù)據(jù)點(diǎn)；

5、數(shù)據(jù)增強(qiáng)：使用gan檢測(cè)數(shù)據(jù)中的潛在異常并生成虛擬數(shù)據(jù)增強(qiáng)訓(xùn)練集，生成器生成與真實(shí)數(shù)據(jù)分布相似的樣本，判別器區(qū)分生成數(shù)據(jù)與真實(shí)數(shù)據(jù)；

6、時(shí)間序列預(yù)測(cè)：通過(guò)lstm模型處理增強(qiáng)訓(xùn)練集，預(yù)測(cè)未來(lái)的電池健康指標(biāo)；

7、綜合健康狀態(tài)評(píng)估：結(jié)合模糊邏輯和決策樹對(duì)電池進(jìn)行綜合健康狀態(tài)評(píng)估，根據(jù)綜合健康評(píng)分將電池狀態(tài)分級(jí)，生成維護(hù)建議和健康報(bào)告；

8、數(shù)據(jù)可視化：通過(guò)前端框架和后端數(shù)據(jù)接口實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)可視化，提供時(shí)間序列圖、健康評(píng)分趨勢(shì)和異常檢測(cè)結(jié)果的可視化展示，并根據(jù)用戶指令設(shè)定報(bào)警閾值和通知方式。

9、在一些實(shí)施例中，所述數(shù)據(jù)采集與預(yù)處理的過(guò)程包括以下步驟：

10、通過(guò)多源數(shù)據(jù)采集與傳輸模塊的傳感器網(wǎng)絡(luò)實(shí)時(shí)采集電池狀態(tài)數(shù)據(jù)，其中，傳感器網(wǎng)絡(luò)包括但不限于：電壓傳感器、電流傳感器、溫度傳感器、內(nèi)阻傳感器、聲學(xué)傳感器、紅外傳感器；其中，電壓傳感器v(t)：用于記錄電池的電壓變化；電流傳感器i(t)：用于監(jiān)測(cè)電池的放電和充電電流；溫度傳感器t(t)：用于測(cè)量電池的溫度，防止過(guò)熱；內(nèi)阻測(cè)量z(t)：用于通過(guò)交流阻抗法獲取電池內(nèi)阻；紅外成像ir(t)：用于檢測(cè)電池表面的溫度分布；另外，所述電池狀態(tài)數(shù)據(jù)還包括放電倍率、電池容量衰減率、電化學(xué)阻抗譜；采集到的電池狀態(tài)數(shù)據(jù)的表達(dá)式為其中，ti為時(shí)間戳，vi為電壓，ii為電流，ti為溫度，zi為內(nèi)阻，iri為紅外數(shù)據(jù)，ri為放電倍率，ci為容量衰減率，eisi為電化學(xué)阻抗譜；n是數(shù)據(jù)采集的樣本數(shù)量；

11、根據(jù)無(wú)人機(jī)飛行特性和電池健康狀態(tài)變化的速度，定義數(shù)據(jù)采集函數(shù)collect_data(t0，t，f)，其中，t0是起始時(shí)間,t是采集周期時(shí)長(zhǎng),f是采集頻率；

12、將所述數(shù)據(jù)采集函數(shù)返回時(shí)間段[t0,t0+t]內(nèi)按頻率f采集的數(shù)據(jù)集dcollected表示為時(shí)間戳與數(shù)據(jù)點(diǎn)的映射，其表達(dá)式為：

13、

14、其中，數(shù)據(jù)集dcollected是一個(gè)映射，將每次數(shù)據(jù)采集的時(shí)間戳tk映射到相應(yīng)的數(shù)據(jù)點(diǎn)xk，dcollected包含多個(gè)元組(tk,xk)，其中tk是時(shí)間戳,xk是在時(shí)間戳tk處采集的數(shù)據(jù)點(diǎn)；

15、在數(shù)據(jù)進(jìn)入云端或邊緣計(jì)算終端后，首先進(jìn)行去噪處理和標(biāo)準(zhǔn)化處理，將原始數(shù)據(jù)轉(zhuǎn)化為凈化后的數(shù)據(jù)dclean；

16、通過(guò)小波變換來(lái)去噪，小波變換公式為：

17、

18、其中，x(t)為信號(hào)，ψ為母小波，a,b為尺度和平移參數(shù)；

19、對(duì)存儲(chǔ)的數(shù)據(jù)集進(jìn)行歸一化處理，構(gòu)建用于模型訓(xùn)練的訓(xùn)練集、驗(yàn)證集和測(cè)試集；

20、其中，所述歸一化處理的表達(dá)式為：其中μ和σ分別是數(shù)據(jù)的均值和標(biāo)準(zhǔn)差；xnormalized是歸一化處理后的數(shù)據(jù)集；

21、通過(guò)布爾函數(shù)對(duì)所述數(shù)據(jù)集進(jìn)行篩選，該過(guò)程的表達(dá)式為：

22、dcleaned＝{(t，x)∈dcollected|is_valid(x)＝1}

23、其中，數(shù)據(jù)集dcleaned是從dcollected中刪除了不滿足有效性條件的數(shù)據(jù)點(diǎn)；dcollected代表采集到的未篩選數(shù)據(jù)集；有效性條件由布爾函數(shù)is_valid(x)決定，如果is_valid(x)返回true，則表示數(shù)據(jù)點(diǎn)(t，x)符合有效性條件，應(yīng)該包含在dcleaned中；

24、其中，所述訓(xùn)練集、驗(yàn)證集和測(cè)試集，滿足以下條件：

25、dprocessed＝dtrain∪dval∪dtest且

26、其中，dtrain代表訓(xùn)練集、dval代表驗(yàn)證集和dtest代表測(cè)試集。

27、在一些實(shí)施例中，所述異常檢測(cè)的過(guò)程包括以下步驟：

28、使用isolation forest算法對(duì)數(shù)據(jù)進(jìn)行異常檢測(cè)與數(shù)據(jù)增強(qiáng)：

29、首先從數(shù)據(jù)集中隨機(jī)選擇子采樣構(gòu)建隨機(jī)樹，創(chuàng)建多個(gè)隨機(jī)樹，每棵樹用來(lái)分割數(shù)據(jù)點(diǎn)；其中，異常數(shù)據(jù)點(diǎn)在較淺的分割層次被隔離；公式化表示異常評(píng)分s(x)為：其中：e(h(x))為數(shù)據(jù)點(diǎn)x在隨機(jī)樹中的平均路徑長(zhǎng)度；c(n)為歸一化系數(shù)，依賴于樣本數(shù)量n；

30、根據(jù)異常分?jǐn)?shù)s(x)，設(shè)定一個(gè)閾值θ，若s(x)>θ，則將樣本x標(biāo)記為異常點(diǎn)。

31、在一些實(shí)施例中，所述數(shù)據(jù)增強(qiáng)的過(guò)程包括以下步驟：

32、構(gòu)建模型的生成器，所述生成器用于生成與真實(shí)電池健康數(shù)據(jù)相應(yīng)的模擬數(shù)據(jù)；

33、構(gòu)建模型的判別器，所述判別器用于區(qū)分輸入數(shù)據(jù)為真實(shí)電池健康數(shù)據(jù)還是模擬數(shù)據(jù)；

34、設(shè)計(jì)所述生成器和所述判別器的目標(biāo)函數(shù)，并定義優(yōu)化器；

35、根據(jù)所述目標(biāo)函數(shù)和所述優(yōu)化器，通過(guò)所述訓(xùn)練集、驗(yàn)證集和測(cè)試集，對(duì)所述生成器和判別器進(jìn)行訓(xùn)練，得到訓(xùn)練好的gan模型；

36、使用gan檢測(cè)數(shù)據(jù)中的潛在異常并生成虛擬數(shù)據(jù)增強(qiáng)訓(xùn)練集，用生成對(duì)抗網(wǎng)絡(luò)生成類似異常數(shù)據(jù)的樣本，以增強(qiáng)數(shù)據(jù)集的多樣性和模型的魯棒性。

37、在一些實(shí)施例中，所述時(shí)間序列預(yù)測(cè)的過(guò)程包括以下步驟：

38、基于lstm使用增強(qiáng)后的訓(xùn)練集重新訓(xùn)練電池健康預(yù)測(cè)模型預(yù)測(cè)電池未來(lái)的健康指標(biāo)，其中，健康指標(biāo)包括但不限于容量衰減趨勢(shì)、電壓變化、內(nèi)阻變化；所述健康指標(biāo)的預(yù)測(cè)結(jié)果用于更新健康評(píng)分模型；

39、通過(guò)lstm模型處理時(shí)間序列數(shù)據(jù)；

40、將預(yù)處理后的數(shù)據(jù)按照時(shí)間順序整理，構(gòu)建時(shí)間序列數(shù)據(jù)集；

41、使用訓(xùn)練集訓(xùn)練lstm模型，通過(guò)驗(yàn)證集進(jìn)行模型調(diào)優(yōu)，并使用測(cè)試集評(píng)估模型性能；

42、其中，訓(xùn)練目標(biāo)是通過(guò)最小化預(yù)測(cè)誤差，使模型能夠捕捉電池健康狀態(tài)的長(zhǎng)期變化趨勢(shì)；

43、使用以下模塊構(gòu)建lstm模型，包括：

44、輸入門：

45、it＝σ(wi·[ht-1,xt]+bi)

46、遺忘門：

47、ft＝σ(wf·[ht-1,xt]+bf)

48、輸出門：

49、ot＝σ(wo·[ht-1,xt]+bo)

50、細(xì)胞狀態(tài)更新：

51、

52、其中，xt是當(dāng)前時(shí)間步t的輸入向量，ht-1是前一時(shí)刻的隱藏狀態(tài)，ct為當(dāng)前時(shí)間步的記憶單元狀態(tài)；ct-1是前一時(shí)刻的細(xì)胞狀態(tài)；σ是標(biāo)準(zhǔn)差；代表候選記憶單元狀態(tài)，是通過(guò)輸入門決定是否添加到記憶單元的候選信息；wi、wf、wo分別代表輸入門、遺忘門、輸出門的權(quán)重矩陣；bi、bf、bo、bc分別代表輸入門、遺忘門、輸出門的偏置向量；it、ft、ot分別代表輸入門、遺忘門、輸出門的激活值；

53、使用訓(xùn)練好的lstm模型輸入當(dāng)前及歷史電池狀態(tài)數(shù)據(jù)，預(yù)測(cè)未來(lái)多個(gè)時(shí)間步長(zhǎng)的健康指標(biāo)，以更新健康評(píng)分模型。

54、在一些實(shí)施例中，所述綜合健康狀態(tài)評(píng)估的過(guò)程包括以下步驟：

55、進(jìn)行綜合健康狀態(tài)評(píng)估，根據(jù)綜合健康評(píng)分，將電池狀態(tài)分級(jí)，生成維護(hù)建議和健康報(bào)告；

56、進(jìn)行綜合健康狀態(tài)評(píng)估的過(guò)程具體為：

57、通過(guò)模糊邏輯來(lái)處理不確定性，模糊邏輯的模糊隸屬函數(shù)為：其中，μa(x)為模糊隸屬度；α控制斜率；c為中心值；

58、結(jié)合模糊邏輯與決策樹分析各個(gè)電池參數(shù)，計(jì)算綜合健康評(píng)分s：其中：wi為每個(gè)健康參數(shù)的權(quán)重；xi為參數(shù)值；wanomaly為異常數(shù)據(jù)的權(quán)重；fanomaly是異常數(shù)據(jù)的綜合影響函數(shù)；

59、基于綜合健康評(píng)分、異常檢測(cè)結(jié)果和趨勢(shì)分析結(jié)果，生成維護(hù)建議，維護(hù)建議包括但不限于：調(diào)整充放電策略、進(jìn)行深度檢測(cè)、更換電池；

60、根據(jù)綜合健康評(píng)分，將電池狀態(tài)分為：

61、健康：s>θhigh；

62、亞健康：θmid<s≤θhihh；

63、注意：θlow<s≤θmid；

64、失效：s≤θlow；

65、其中θhigh,θmid,θlow為預(yù)設(shè)閾值。

66、在一些實(shí)施例中，所述根據(jù)所述目標(biāo)函數(shù)和所述優(yōu)化器，通過(guò)所述訓(xùn)練集、驗(yàn)證集和測(cè)試集，對(duì)所述生成器和判別器進(jìn)行訓(xùn)練，得到訓(xùn)練好的gan模型，包括以下步驟：

67、設(shè)g(z；θg)為生成器函數(shù)，d(x；θd)為判別器函數(shù)，其中z是噪聲向量，θg和θd分別是生成器和判別器的參數(shù)，gan的訓(xùn)練通過(guò)交替更新生成器和判別器的參數(shù)θg和θd進(jìn)行；

68、將gan的目標(biāo)確定為：解決以下最小-最大優(yōu)化問(wèn)題：

69、

70、其中，v(d,g)為gan的損失函數(shù)，pdata(x)是真實(shí)數(shù)據(jù)分布，pz(z)是噪聲向量的分布；

71、g(z；θg)：生成器函數(shù)，輸入為噪聲向量z，輸出為生成的數(shù)據(jù)樣本，參數(shù)為θg；

72、d(x；θd)：判別器函數(shù)，輸入為數(shù)據(jù)樣本x，輸出為數(shù)據(jù)樣本來(lái)自真實(shí)數(shù)據(jù)分布的概率，參數(shù)為θd；

73、將高斯噪聲z作為生成器g的輸入，生成器生成與真實(shí)數(shù)據(jù)分布相似的虛擬樣本并與原始訓(xùn)練集結(jié)合，形成增強(qiáng)后的訓(xùn)練集；

74、判別器網(wǎng)絡(luò)接收增強(qiáng)后的訓(xùn)練集作為輸入，并輸出一個(gè)概率，表示輸入樣本是來(lái)自真實(shí)數(shù)據(jù)分布的概率；在訓(xùn)練過(guò)程中，任何顯著偏離真實(shí)數(shù)據(jù)分布的樣本被視為潛在的異常數(shù)據(jù)。

75、本發(fā)明實(shí)施例的另一方面還提供了一種無(wú)人機(jī)電池健康管理預(yù)測(cè)系統(tǒng)，系統(tǒng)包括：多源數(shù)據(jù)采集與傳輸模塊、數(shù)據(jù)處理與分析模塊、健康狀態(tài)評(píng)估模塊、決策支持與建議模塊、用戶界面與可視化模塊；

76、所述多源數(shù)據(jù)采集與傳輸模塊集成了多種傳感器，實(shí)時(shí)采集電池狀態(tài)數(shù)據(jù)；傳感器包括但不限于電壓傳感器、電流傳感器、溫度傳感器、內(nèi)阻傳感器、紅外傳感器；

77、數(shù)據(jù)處理與分析模塊，用于：當(dāng)數(shù)據(jù)基于本地邊緣計(jì)算終端或者進(jìn)入云端后，首先進(jìn)行預(yù)處理，所述預(yù)處理包括去噪處理、歸一化處理、異常檢測(cè)和數(shù)據(jù)填補(bǔ)；最后使用gan檢測(cè)數(shù)據(jù)中的潛在異常并生成虛擬數(shù)據(jù)增強(qiáng)訓(xùn)練集；然后使用lstm進(jìn)行時(shí)間序列分析，捕捉電池狀態(tài)的長(zhǎng)期變化趨勢(shì)；

78、健康狀態(tài)評(píng)估模塊使用智能算法結(jié)合模糊邏輯和決策樹，計(jì)算出電池的健康評(píng)分；

79、決策支持與建議模塊基于健康評(píng)分和趨勢(shì)分析，生成電池維護(hù)建議和詳細(xì)的健康報(bào)告；

80、用戶界面與可視化模塊提供實(shí)時(shí)的電池狀態(tài)監(jiān)控、歷史數(shù)據(jù)分析和趨勢(shì)預(yù)測(cè)；其中，可視化工具展示包括但不限于時(shí)間序列圖、健康評(píng)分趨勢(shì)、異常檢測(cè)結(jié)果，以及用于自定義報(bào)警閾值和通知設(shè)置。

81、本發(fā)明實(shí)施例的另一方面還提供了一種電子設(shè)備，包括處理器以及存儲(chǔ)器；

82、所述存儲(chǔ)器用于存儲(chǔ)程序；

83、所述處理器執(zhí)行所述程序?qū)崿F(xiàn)如前面所述的方法為實(shí)現(xiàn)上述目的。

84、本發(fā)明實(shí)施例的另一方面提出了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)前面所述的方法。

85、本發(fā)明實(shí)施例還公開了一種計(jì)算機(jī)程序產(chǎn)品或計(jì)算機(jī)程序，該計(jì)算機(jī)程序產(chǎn)品或計(jì)算機(jī)程序包括計(jì)算機(jī)指令，該計(jì)算機(jī)指令存儲(chǔ)在計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中。計(jì)算機(jī)設(shè)備的處理器可以從計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)讀取該計(jì)算機(jī)指令，處理器執(zhí)行該計(jì)算機(jī)指令，使得該計(jì)算機(jī)設(shè)備執(zhí)行前面的方法。

86、本發(fā)明實(shí)施例至少包括以下有益效果：本發(fā)明提供一種無(wú)人機(jī)電池健康管理預(yù)測(cè)方法與系統(tǒng),該方案通過(guò)多源數(shù)據(jù)采集與傳輸模塊的傳感器網(wǎng)絡(luò)實(shí)時(shí)采集電池狀態(tài)數(shù)據(jù)，通過(guò)小波變換和歸一化處理，構(gòu)建用于模型訓(xùn)練的訓(xùn)練集、驗(yàn)證集和測(cè)試集；對(duì)采集到的電池狀態(tài)數(shù)據(jù)進(jìn)行異常檢測(cè)，通過(guò)isolation forest算法來(lái)識(shí)別異常數(shù)據(jù)點(diǎn)；使用gan檢測(cè)數(shù)據(jù)中的潛在異常并生成虛擬數(shù)據(jù)增強(qiáng)訓(xùn)練集，生成器生成與真實(shí)數(shù)據(jù)分布相似的樣本，判別器區(qū)分生成數(shù)據(jù)與真實(shí)數(shù)據(jù)；通過(guò)lstm模型處理增強(qiáng)訓(xùn)練集，預(yù)測(cè)未來(lái)的電池健康指標(biāo)；結(jié)合模糊邏輯和決策樹對(duì)電池進(jìn)行綜合健康狀態(tài)評(píng)估，根據(jù)綜合健康評(píng)分將電池狀態(tài)分級(jí)，生成維護(hù)建議和健康報(bào)告；通過(guò)前端框架和后端數(shù)據(jù)接口實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)可視化，提供時(shí)間序列圖、健康評(píng)分趨勢(shì)和異常檢測(cè)結(jié)果的可視化展示，并根據(jù)用戶指令設(shè)定報(bào)警閾值和通知方式。本發(fā)明的準(zhǔn)確性高，能夠準(zhǔn)確通過(guò)數(shù)據(jù)直接得出電池的健康狀態(tài)，以及其剩余的壽命。

相關(guān)知識(shí)

電池管理系統(tǒng)里的電池健康評(píng)估和壽命預(yù)測(cè)
無(wú)線電池管理系統(tǒng)：實(shí)現(xiàn)智能電池生態(tài)系統(tǒng)解決方案
多類型鋰離子電池組管理系統(tǒng)的健康狀態(tài)和剩余壽命預(yù)測(cè)方法.pdf
鉛酸電池健康管理的系統(tǒng)及方法與流程
廣汽埃安BMS電池管理系統(tǒng)關(guān)鍵CAN數(shù)據(jù)與電池健康系統(tǒng)分析
手機(jī)電池健康狀況的多種測(cè)量方法
純電動(dòng)汽車5 電池管理系統(tǒng)與能量管理系統(tǒng)ppt課件.ppt
電池健康狀態(tài)的判別方法、存儲(chǔ)介質(zhì)及檢測(cè)系統(tǒng)與流程
P2Mini國(guó)產(chǎn)操作系統(tǒng)無(wú)人機(jī)智能充電柜對(duì)電池健康狀態(tài)的評(píng)估與監(jiān)控
電池健康狀態(tài)檢測(cè)系統(tǒng)及方法與流程

網(wǎng)址: 一種無(wú)人機(jī)電池健康管理預(yù)測(cè)方法與系統(tǒng) http://m.u1s5d6.cn/newsview1222675.html