Ein mustergetriebenes stochastisches Degradationsmodell zur Vorhersage der verbleibenden Nutzungsdauer von wiederaufladbaren Batterien

In letzter Zeit gab es ein signifikantes Wachstum bei der Entwicklung von Geräten, die mit wiederaufladbaren Batterien betrieben werden, wie z.B. Elektrofahrzeuge, was zu einem dringenden Bedarf an zuverlässigen und sicheren Batterien führt. Die verbleibende Nutzungsdauer (RUL) ist ein kritischer Gesundheitsindikator für Batterien, der definiert ist als die verbleibende Anzahl von Lade- und Entladezyklen, bevor der Gesundheitszustand unter einen vom Nutzer festgelegten Schwellenwert in bestimmten Betriebsbedingungen fällt. Substanziell kann die RUL durch adaptive stochastische Prozesse oder fortgeschrittene Techniken des maschinellen Lernens geschätzt werden. Allerdings gehen die bestehenden Ansätze entweder von vereinfachten Degradationsmustern im Einklang mit den physikalischen Gesetzen aus, was zu einer schlechten Generalisierbarkeit führt, oder funktionieren als Black Box, die keine Interpretation bietet. Um diese Einschränkungen anzugehen, entwickeln wir in diesem Artikel einen mustergetriebenen Degradationsprozess, indem wir eine rekursive Gaussian-Verteilung mit ihrem Mittelwert integrieren, das aus einem gesteuerten rekurrenten Einheit (GRU) abgeleiteten Degradationsmuster gelernt wurde, um die Degradationsfluktuation in das Modell zu erfassen. Aufgrund der nicht-Markovschen Zustandsübergänge wurde ein auf gemeinsames Lernen basierender stichprobenartiger Maximierungsalgorithmus entwickelt, um die Modellparameter basierend auf historischen Beobachtungen zu schätzen. Schließlich zeigten numerische Studien mit echten Batteriedaten, dass die vorgeschlagene Methode eine um über 3 % und 40 % höhere Genauigkeit bei der RUL-Vorhersage im Vergleich zum GRU und dem adaptiven Wiener Prozess erzielt.