高铁车载邱健蓄电池Trojan电瓶剩余寿命预测研究

高速铁路列车车载蓄电池组[1]是列车行驶的重要保障之一，蓄电池组可为列车提供启动时受电弓所需的电源，在紧急情况下，充电机或者输入电源故障时蓄电池组可以作为驱动、制动和通信等系统紧急的备用电源。是列车的备用心脏。

高速铁路列车车载蓄电池组的安全性与可靠性是我们重要的关注点之一，蓄电池组内电解液大多为有机易燃液，且能量大应用不当会导致着火甚至爆炸；过充电、过放电会导致电池内部材料特性发生变化，造成不可逆的容量损失，从而导致性能下降，寿命缩短，另外随着电池充放电次数的增加，电池的容量等整体性能都会衰退。可能会对高速列车安全运行带来非常严重的后果。因此对列车车载蓄电池的健康状态进行科学的评估和预测，对蓄电池组的运行和维护进行指导。是实现蓄电池长时间可靠工作，保持高速列车安全、平稳运行具有一定的实际意义。¹

本文采用故障预测与健康管理[2,3]（Prognostics and Health Management，PHM）理论方法，分析如何较为准确的估计当前蓄电池组的剩余电量，电池在长期使用过程中伴随着衰变故障(电池老化)、突发故障的发生，电池的寿命在不断消耗，其健康状态随电池使用情况变化规律，根据当前监测所掌握的变化规律，电池按照以往的工作模式继续使用，电池到何时会失效，针对这个问题，本文展开了基于PHM理论预测电池寿命终止点，或者给出电池的剩余使用寿命的分析研究。

1 PHM技术的原理及预测方法

PHM技术是对装备检测维修、后勤库存、运营成本和使用效果综合的一种智能化技术。2000年7月，PHM技术正式作为一个常用术语被美国国防部防务威胁减少局列入《军用关键技术》报告。PHM主要包括两个方面：一个是“P”，代表的是“Prognostics”装备真实状况的评估”，旨在对装备目前的健康等级进行评定和对其剩余寿命的预测；另一个是“M”，代表的是“Management”指状态管理，旨在根据装备的评估/预测信息、现场环境等综合因素的考虑，然后对维修活动做出决策。本文主要研究 PHM 中的前者“Prognostics”，即对蓄电池组的 剩余寿命做评估/预测。

对装备的性能状态和和剩余寿命的预测是PHM技术的核心内容。通过对目前主流技术的研究与分析，PHM的方法大致可以分为基于模型的方法和基于数据驱动的方法。

2 退化状态的识别

以往对于蓄电池组是否达到使用期限都是采用基于经验的方法。这种方法对电池的循环周期进行计数，当电池使用次数达到一定的范围则认为电池到达使用寿命。这种方法只能较为粗略的给出一个数值，并不是应用于单体电池同时这种方法没有考虑不同状况下的循环对寿命消耗的影响也会有区别，不同循环状况对应的等效循环周期数可能不同，因此基于经验的预测方法适应于某些特定场合。

因此本文提出采用根据电池已知运行状态信息、历史信息及状态监测信息估计电池的性能状态退化，如图1所示寻找特征因子[4]表征电池的性能退化状态，并采用一定算法预测电池性能状态退化趋势，直至电池性能退化至失效阈值的一种间接预测方法。

图1 蓄电池剩余寿命预测示意图

2.1 退化状态识别方法

反映电池存储电能性能，定量反映电池退化程度的参数指标，随着充放电次数的增多，电池性能退化，电池状态会反映到相对应的特征因子上，用来确定电池的健康状态。

目前国内外研究学者一般可以采用容量、功率及阻抗表征电池的退化状态。对电池容量的直接预测相当困难。因为普通的传感器无法在线监测电池的内部状态，实际工程中，无法实时有效地获取，往往是通过安时估算法估算电池的实际容量，这种方法不但耗时多，而且误差较大。所以采用直接预测的方法往往会因为数据方面的短板导致预测模型不精确。

因此本文提出采用间接测量的方式，通过寻找与电池容量变化相关性较高的特征因子，通过对其进行大量数据的训练，从而得到特征因子与电池容量变化的模型来反映电池容量的衰退过程，这种间接测量的方式易于测量，可以快速反映电池退化的进行和健康状态，误差相对较小。

3 电池剩余寿命预测

高速铁路列车车载蓄电池剩余寿命的预测[5]是我们研究的重点，蓄电池的剩余寿命的预测是根据已知的运行数据以大量的历史数据，预测电池从当前时间点到达电池失效点的时间。准确的预测时长能为列车蓄电池的维护和更换提供一定的指导，也能避免一些事故的发生。

针对蓄电池剩余寿命的预测方法有很多种，较为广泛的方法是基于模型[6]的预测方法，这种方法根据电池负载情况、内部化学机理及退化机理结合电池失效机制实现电池剩余寿命的预测。基于模型的预测方法已经研究了很久已经较为成熟，如电化学第一原理模型、电化学阻抗谱模型、等效电路模型和经验退化模型等。这类基于模型的预测方法在蓄电池的预测方面取了显著的成就，随着算法的改进已经加入了综合因子考虑建立的复杂的模型都显现了较为准确的预测结果，为后续的研究打下了坚实的基础。但是此类方法都较大的依赖准确的数据进行准确模型的的建立，而且蓄电池退化过程是个动态过程，相对固定且复杂的基于模型的预测方法难以实现精准的预测。

因此本文采用基于数据[7]的预测方法，不考虑蓄电池退化的内部机理，通过各种数据学习和分析方法获取的能表征蓄电池退化的特征因子与蓄电池退化过程反映关系，这种方法可以包含更过的蓄电池工作环境的因素，体现单个蓄电池自身的退化规律，在一定层面上克服基于模型方法动态适应性差的问题。

本文介绍一种基于数据驱动的人工神经网络[8]预测方法(artificial neural networks，ANN)是由许多神经元如图二所示。按照某种规则相互连接而形成的一种人工智能网络系统。

图二 神经元数学模型

其中 是输入向量， 是输出， 是权系数；输入和输出具有如下关系：

 为阈值， 为激发函数；它可以是线性函数也可以是非线性函数。

当众多神经元组合在一起形成神经网络例图三为含有中间层（隐层）的B-P神经网络。

图三 带中间层的B-P神经网络

ANN具有强大的自我学习能力，通过使用大量的数据对神经元进行训练，确定神经元的节点的阈值和权值，建立数据模型。对非线性映射关系具有很好的放映能力。非常适合蓄电池退化非线性特征。

目前ANN算法因其较为简单的方法在各类电池剩余寿命的预测中应用十分广泛，国内外学者也对神经网络展开了深入的研究例如：基于电池放电电流量来预测电池剩余寿命的单输出输入的方法[9]、基于电池充放电次数来预测电池剩余寿命的方法[10]，但ANN方法在前期的预测结果与实际情况一致程度较高，但在后期预测效果不够理想，因此针对ANN优化算法的研究成为了重点。Ｒezvani等人[11],对自适应神经网络方法展开研究，将电池容量作为神经网络的输入数据，从而建立电池容量预测ANN模型，该模型具有较好的单步预测能力，实现了电池剩余寿命的预测，并提高了准确性。总体来看，基于神经网络的预测方法不需要太多的电池理论知识基础，避免了基于模型预测的复杂性，是一种较为实用的预测方法。

综上，本文的研究的预测方法归结为一下几点：

（1）首先通过对高速铁路列车蓄电池的监测系统进行分析，收集监测数据，对收集的大量多种数据进行处理并与电池容量的变化进行相关性分析，通过间接监测与计算得到能反映电池退化情况与健康状态的最佳的特征因子。

（2）对得到的大量特征因子数据进行分析、模拟。结合特征因子变化特征等因素，选取最佳的神经网络系统与优化算法。并结合大量的数据对神经网络进行训练，得到最佳的权值和阈值。过程中改进算法从而得到准确的预测效果。

（3）通过收集当前运行高速铁路列车蓄电池数据，将数据进行计算得到相应的特征因子，带入到已经训练好的神经网络系统进行预测，从而验证神经网络系统的准确性和可行性。

其蓄电池剩余寿命预测方法流程图如下：

图四 蓄电池剩余寿命与预测流程图

通过以上流程方法，我们在理论上实现了对高速列车测在蓄电池在复杂环境下剩余寿命的预测，为接下来的深入研究提供了理论基础。

4总结

高速铁路列车车载蓄电池退化过程是个复杂的物理化学过程，电池寿命受工作环境、工作模式，其本身的物理结构和化学特性等因素影响。本文分析了在直接获取电池数据较难的情况下，采用间接测量的方式，寻找电池退化过程中敏感的特征因子以及特征因子与蓄电池退化非线性特性之间的关系；在预测寿命方面分析了基于模型方法在多因素共同影响电池退化复杂性，从电池机理方面完全描述每一个因素对电池退化影响较为困难。但基于模型的研究成果具有很大的研究和应用价值。在基于模型预测方法的基础上，本文采用基于PHM理论方法的数据驱动的神经网络方法实现对电池剩余寿命的预测，采用大量获取的蓄电池特征因子对神经网络进行训练，再结合在线蓄电池特征因子数据实现对蓄电池剩余寿命的预测。以上理论研究为接下来蓄电池在线预测奠定了基础。