本發(fā)明涉及無人機運維，尤其涉及一種無人機電池健康管理預測方法與系統(tǒng)。

背景技術：

1、隨著無人機技術的飛速發(fā)展，其在各個領域的應用日益廣泛。然而，無人機電池的續(xù)航能力和健康狀態(tài)直接關系到無人機的作業(yè)效率和安全性。傳統(tǒng)的電池健康管理系統(tǒng)在預測精度、實時性和智能化管理方面存在不足。因此，本項目旨在開發(fā)一種基于生成對抗網(wǎng)絡(gan)的無人機電池健康管理預測與管理系統(tǒng)，以提高無人機電池的可靠性和延長使用壽命。

2、無人機電池作為能源存儲的關鍵組件，在許多無人機領域有著至關重要的作用。鋰電池的優(yōu)勢在于其能量密度高、較長的循環(huán)壽命和低自放電率。然而，隨著使用時問的增加,電池的容量和性能逐漸哀退，影響整個系統(tǒng)的效能和安全性。因此,準確預測電池的健康狀態(tài)(soh)對于電池管理系統(tǒng)非常重要，以優(yōu)化其性能和延長壽命的使用。

3、鋰電池的soh預測方法主要分為兩大類:基于模型的方法和基于數(shù)據(jù)驅動的方法?；谀Ｐ偷姆椒ɑ谖锢砘蚧瘜W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程。雖然這些方法在理論上可以提供準確的預測，但它們在實際應用中受到限制，為了準確預測電池壽命，需要建立復雜的數(shù)學模型，這增加了建模的難度和計算成本。對于參數(shù)的依賴性強，模型參數(shù)的準確性對預測結果具有重要影響，而參數(shù)的獲取和校準通常較為困難?；跀?shù)據(jù)驅動的方法是一種不依賴于電池內部詳細物理或化學模型的預測策略，而是通過分析電池在使用過程中產(chǎn)生的各種數(shù)據(jù)來評估其健康狀態(tài)(soh)并預測未來的性能。這類方法的優(yōu)點在于能夠不需要深入了解電池內部反應機理，降低了預測難度和成本。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，預測精度可以不斷提高?？梢詫崿F(xiàn)實時在線預測，為電池管理系統(tǒng)提供及時的健康狀態(tài)評估。這有助于優(yōu)化充電策略、預警電池故障等，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)的質量和數(shù)量。若數(shù)據(jù)存在缺陷或量級不足，可能導致預測準確度下降。近年來，深度學習技術在soh預測中得到了廣泛應用。當前的挑戰(zhàn)在于如何有效使用這些不同的深度學習技術，以及如何處理和解釋由這些復雜模型生成的結果。未來的研究可能會專注于優(yōu)化這些模型的結構，減少對大量訓練數(shù)據(jù)的依賴，以及提高模型的解釋能力，使其在實際應用中更加可靠和高效。

4、相關現(xiàn)有技術存在以下缺點：現(xiàn)有設備預測精度不高，可能存在一定的誤差。測試方式通過充電和放電來測量電池容量，對電池的壽命會有一定的影響。此外，需要根據(jù)不同的測試環(huán)境和需求進行一定的校準和調整。測試時間較長，需要完整的充放電循環(huán)周期。設備的復雜性和成本可能較高，無法準確通過數(shù)據(jù)直接得出電池的健康狀態(tài)，以及其剩余的壽命。

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

技術實現(xiàn)思路

1、本發(fā)明實施例的主要目的在于提出一種精度高的無人機電池健康管理預測方法與系統(tǒng)，能夠準確通過數(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)旨在通過整合多種先進的傳感技術和機器學習算法，對無人機電池的健康狀態(tài)進行全面監(jiān)測、分析和預測。系統(tǒng)包括數(shù)據(jù)采集、處理、分析、健康評估和決策支持功能，旨在提高電池管理的精確性和安全性。

2、為實現(xiàn)上述目的，本發(fā)明實施例的一方面提出了一種無人機電池健康管理預測方法，包括以下步驟:

3、數(shù)據(jù)采集與預處理：通過多源數(shù)據(jù)采集與傳輸模塊的傳感器網(wǎng)絡實時采集電池狀態(tài)數(shù)據(jù)，通過小波變換和歸一化處理，構建用于模型訓練的訓練集、驗證集和測試集；

4、異常檢測：對采集到的電池狀態(tài)數(shù)據(jù)進行異常檢測，通過isolation forest算法來識別異常數(shù)據(jù)點；

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

6、時間序列預測：通過lstm模型處理增強訓練集，預測未來的電池健康指標；

7、綜合健康狀態(tài)評估：結合模糊邏輯和決策樹對電池進行綜合健康狀態(tài)評估，根據(jù)綜合健康評分將電池狀態(tài)分級，生成維護建議和健康報告；

8、數(shù)據(jù)可視化：通過前端框架和后端數(shù)據(jù)接口實現(xiàn)數(shù)據(jù)的實時可視化，提供時間序列圖、健康評分趨勢和異常檢測結果的可視化展示，并根據(jù)用戶指令設定報警閾值和通知方式。

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

10、通過多源數(shù)據(jù)采集與傳輸模塊的傳感器網(wǎng)絡實時采集電池狀態(tài)數(shù)據(jù)，其中，傳感器網(wǎng)絡包括但不限于：電壓傳感器、電流傳感器、溫度傳感器、內阻傳感器、聲學傳感器、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)測電池的放電和充電電流；溫度傳感器t(t)：用于測量電池的溫度，防止過熱；內阻測量z(t)：用于通過交流阻抗法獲取電池內阻；紅外成像ir(t)：用于檢測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、電化學阻抗譜；采集到的電池狀態(tài)數(shù)據(jù)的表達式為其中，ti為時間戳，vi為電壓，ii為電流，ti為溫度，zi為內阻，iri為紅外數(shù)據(jù)，ri為放電倍率，ci為容量衰減率，eisi為電化學阻抗譜；n是數(shù)據(jù)采集的樣本數(shù)量；

11、根據(jù)無人機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是起始時間,t是采集周期時長,f是采集頻率；

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

13、

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

15、在數(shù)據(jù)進入云端或邊緣計算終端后，首先進行去噪處理和標準化處理，將原始數(shù)據(jù)轉化為凈化后的數(shù)據(jù)dclean；

16、通過小波變換來去噪，小波變換公式為：

17、

18、其中，x(t)為信號，ψ為母小波，a,b為尺度和平移參數(shù)；

19、對存儲的數(shù)據(jù)集進行歸一化處理，構建用于模型訓練的訓練集、驗證集和測試集；

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

21、通過布爾函數(shù)對所述數(shù)據(jù)集進行篩選，該過程的表達式為：

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；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(t，x)符合有效性條件，應該包含在dcleaned中；

24、其中，所述訓練集、驗證集和測試集，滿足以下條件：

25、dprocessed＝dtrain∪dval∪dtest且

26、其中，dtrain代表訓練集、dval代表驗證集和dtest代表測試集。

27、在一些實施例中，所述異常檢測的過程包括以下步驟：

28、使用isolation forest算法對數(shù)據(jù)進行異常檢測與數(shù)據(jù)增強：

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

30、根據(jù)異常分數(shù)s(x)，設定一個閾值θ，若s(x)>θ，則將樣本x標記為異常點。

31、在一些實施例中，所述數(shù)據(jù)增強的過程包括以下步驟：

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

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

34、設計所述生成器和所述判別器的目標函數(shù)，并定義優(yōu)化器；

35、根據(jù)所述目標函數(shù)和所述優(yōu)化器，通過所述訓練集、驗證集和測試集，對所述生成器和判別器進行訓練，得到訓練好的gan模型；

36、使用gan檢測數(shù)據(jù)中的潛在異常并生成虛擬數(shù)據(jù)增強訓練集，用生成對抗網(wǎng)絡生成類似異常數(shù)據(jù)的樣本，以增強數(shù)據(jù)集的多樣性和模型的魯棒性。

37、在一些實施例中，所述時間序列預測的過程包括以下步驟：

38、基于lstm使用增強后的訓練集重新訓練電池健康預測模型預測電池未來的健康指標，其中，健康指標包括但不限于容量衰減趨勢、電壓變化、內阻變化；所述健康指標的預測結果用于更新健康評分模型；

39、通過lstm模型處理時間序列數(shù)據(jù)；

40、將預處理后的數(shù)據(jù)按照時間順序整理，構建時間序列數(shù)據(jù)集；

41、使用訓練集訓練lstm模型，通過驗證集進行模型調優(yōu)，并使用測試集評估模型性能；

42、其中，訓練目標是通過最小化預測誤差，使模型能夠捕捉電池健康狀態(tài)的長期變化趨勢；

43、使用以下模塊構建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、細胞狀態(tài)更新：

51、

52、其中，xt是當前時間步t的輸入向量，ht-1是前一時刻的隱藏狀態(tài)，ct為當前時間步的記憶單元狀態(tài)；ct-1是前一時刻的細胞狀態(tài)；σ是標準差；代表候選記憶單元狀態(tài)，是通過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、使用訓練好的lstm模型輸入當前及歷史電池狀態(tài)數(shù)據(jù)，預測未來多個時間步長的健康指標，以更新健康評分模型。

54、在一些實施例中，所述綜合健康狀態(tài)評估的過程包括以下步驟：

55、進行綜合健康狀態(tài)評估，根據(jù)綜合健康評分，將電池狀態(tài)分級，生成維護建議和健康報告；

56、進行綜合健康狀態(tài)評估的過程具體為：

57、通過模糊邏輯來處理不確定性，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、結合模糊邏輯與決策樹分析各個電池參數(shù)，計算綜合健康評分s：其中：wi為每個健康參數(shù)的權重；xi為參數(shù)值；wanomaly為異常數(shù)據(jù)的權重；fanomaly是異常數(shù)據(jù)的綜合影響函數(shù)；

59、基于綜合健康評分、異常檢測結果和趨勢分析結果，生成維護建議，維護建議包括但不限于：調整充放電策略、進行深度檢測、更換電池；

60、根據(jù)綜合健康評分，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為預設閾值。

66、在一些實施例中，所述根據(jù)所述目標函數(shù)和所述優(yōu)化器，通過所述訓練集、驗證集和測試集，對所述生成器和判別器進行訓練，得到訓練好的gan模型，包括以下步驟：

67、設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的訓練通過交替更新生成器和判別器的參數(shù)θg和θd進行；

68、將gan的目標確定為：解決以下最小-最大優(yōu)化問題：

69、

70、其中，v(d,g)為gan的損失函數(shù)，pdata(x)是真實數(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)樣本來自真實數(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，生成器生成與真實數(shù)據(jù)分布相似的虛擬樣本并與原始訓練集結合，形成增強后的訓練集；

74、判別器網(wǎng)絡接收增強后的訓練集作為輸入，并輸出一個概率，表示輸入樣本是來自真實數(shù)據(jù)分布的概率；在訓練過程中，任何顯著偏離真實數(shù)據(jù)分布的樣本被視為潛在的異常數(shù)據(jù)。

75、本發(fā)明實施例的另一方面還提供了一種無人機電池健康管理預測系統(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，實時采集電池狀態(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、內阻傳感器、紅外傳感器；

77、數(shù)據(jù)處理與分析模塊，用于：當數(shù)據(jù)基于本地邊緣計算終端或者進入云端后，首先進行預處理，所述預處理包括去噪處理、歸一化處理、異常檢測和數(shù)據(jù)填補；最后使用gan檢測數(shù)據(jù)中的潛在異常并生成虛擬數(shù)據(jù)增強訓練集；然后使用lstm進行時間序列分析，捕捉電池狀態(tài)的長期變化趨勢；

78、健康狀態(tài)評估模塊使用智能算法結合模糊邏輯和決策樹，計算出電池的健康評分；

79、決策支持與建議模塊基于健康評分和趨勢分析，生成電池維護建議和詳細的健康報告；

80、用戶界面與可視化模塊提供實時的電池狀態(tài)監(jiān)控、歷史數(shù)據(jù)分析和趨勢預測；其中，可視化工具展示包括但不限于時間序列圖、健康評分趨勢、異常檢測結果，以及用于自定義報警閾值和通知設置。

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

82、所述存儲器用于存儲程序；

83、所述處理器執(zhí)行所述程序實現(xiàn)如前面所述的方法為實現(xiàn)上述目的。

84、本發(fā)明實施例的另一方面提出了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)前面所述的方法。

85、本發(fā)明實施例還公開了一種計算機程序產(chǎn)品或計算機程序，該計算機程序產(chǎn)品或計算機程序包括計算機指令，該計算機指令存儲在計算機可讀存儲介質中。計算機設備的處理器可以從計算機可讀存儲介質讀取該計算機指令，處理器執(zhí)行該計算機指令，使得該計算機設備執(zhí)行前面的方法。

86、本發(fā)明實施例至少包括以下有益效果：本發(fā)明提供一種無人機電池健康管理預測方法與系統(tǒng),該方案通過多源數(shù)據(jù)采集與傳輸模塊的傳感器網(wǎng)絡實時采集電池狀態(tài)數(shù)據(jù)，通過小波變換和歸一化處理，構建用于模型訓練的訓練集、驗證集和測試集；對采集到的電池狀態(tài)數(shù)據(jù)進行異常檢測，通過isolation forest算法來識別異常數(shù)據(jù)點；使用gan檢測數(shù)據(jù)中的潛在異常并生成虛擬數(shù)據(jù)增強訓練集，生成器生成與真實數(shù)據(jù)分布相似的樣本，判別器區(qū)分生成數(shù)據(jù)與真實數(shù)據(jù)；通過lstm模型處理增強訓練集，預測未來的電池健康指標；結合模糊邏輯和決策樹對電池進行綜合健康狀態(tài)評估，根據(jù)綜合健康評分將電池狀態(tài)分級，生成維護建議和健康報告；通過前端框架和后端數(shù)據(jù)接口實現(xiàn)數(shù)據(jù)的實時可視化，提供時間序列圖、健康評分趨勢和異常檢測結果的可視化展示，并根據(jù)用戶指令設定報警閾值和通知方式。本發(fā)明的準確性高，能夠準確通過數(shù)據(jù)直接得出電池的健康狀態(tài)，以及其剩余的壽命。

相關知識

電池管理系統(tǒng)里的電池健康評估和壽命預測
無線電池管理系統(tǒng)：實現(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)和剩余壽命預測方法.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)關鍵CAN數(shù)據(jù)與電池健康系統(tǒng)分析
手機電池健康狀況的多種測量方法
純電動汽車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、存儲介質及檢測系統(tǒng)與流程
P2Mini國產(chǎn)操作系統(tǒng)無人機智能充電柜對電池健康狀態(tài)的評估與監(jiān)控
電池健康狀態(tài)檢測系統(tǒng)及方法與流程

網(wǎng)址: 一種無人機電池健康管理預測方法與系統(tǒng) http://www.u1s5d6.cn/newsview1222675.html