• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于卷積自編碼神經(jīng)網(wǎng)絡(luò)的鋰離子電池健康狀況評(píng)估方法研究

      2020-09-02 08:31:52侯瑞磊范秋華
      關(guān)鍵詞:分量神經(jīng)元卷積

      侯瑞磊,范秋華

      (青島大學(xué) 電氣工程學(xué)院,山東 青島 266071)

      0 引言

      目前鋰離子(Li-ion)電池已被廣泛用作能量存儲(chǔ)系統(tǒng),例如手機(jī)、數(shù)碼產(chǎn)品、電動(dòng)汽車、混合電動(dòng)汽車、飛機(jī)電源等[1]。然而,鋰離子電池的性能會(huì)因其電化學(xué)成分的降解而隨時(shí)間和使用時(shí)間而下降[2],從而導(dǎo)致容量和功率衰減。這稱為電池老化,這是一種多耦合老化機(jī)制的結(jié)果,其機(jī)制受不同因素(例如電池化學(xué)和制造以及環(huán)境和工作條件)的影響[3]。鋰電池由于其高能量密度在很多領(lǐng)域十分受青睞,但是其危險(xiǎn)性也要遠(yuǎn)高于普通鉛酸電池,例如波音777飛機(jī)鋰電池著火、三星手機(jī)電池爆炸和特斯拉電動(dòng)汽車自燃等事故都是由于鋰電池健康狀態(tài)出問題導(dǎo)致[4-6]。因此,在鋰電池的使用過程中對(duì)其健康狀態(tài)進(jìn)行評(píng)估,及時(shí)識(shí)別異常狀態(tài)電池,對(duì)于電池使用安全和延長(zhǎng)電池壽命都有著重要意義[7-8]。

      目前,電池健康狀況評(píng)估(SOH)技術(shù)已經(jīng)廣泛應(yīng)用于電動(dòng)汽車等高耗電、大電池在運(yùn)行中的實(shí)際性能評(píng)估。SOH反映了電池相對(duì)于其壽命開始時(shí)的當(dāng)前存儲(chǔ)和供應(yīng)能量/功率的能力,該能力通過實(shí)際電池容量/電阻與其初始值之比計(jì)算得出,對(duì)于電動(dòng)汽車中電池中的可用能量起著至關(guān)重要作用[9]。這些年來,已經(jīng)開發(fā)了多種SOH估算方法[10]。一種常見的方法是使用數(shù)學(xué)模型來模擬電池衰減過程,然后使用各種優(yōu)化算法和濾波器,例如卡爾曼濾波器和粒子濾波器,來識(shí)別參數(shù)和SOH狀態(tài)[11]。另一種廣泛使用的方法是使用電化學(xué)模型,該模型應(yīng)用偏微分方程來模擬與老化密切相關(guān)的質(zhì)量和電荷轉(zhuǎn)移動(dòng)力學(xué)[12]。上述方法雖然具有不錯(cuò)的評(píng)估準(zhǔn)確度,但是其應(yīng)用靈活性受限較大,模型一旦建立很難根據(jù)實(shí)際電池生產(chǎn)制造和使用進(jìn)行調(diào)整,因此在實(shí)際應(yīng)用過程中存在很大誤差[13-15]。隨著機(jī)器學(xué)習(xí)及傳感器技術(shù)的迅速發(fā)展,基于數(shù)據(jù)驅(qū)動(dòng)的鋰電池健康估計(jì)和預(yù)測(cè)方法由于其靈活性和無模型優(yōu)勢(shì)而在學(xué)術(shù)界和工業(yè)界都越來越受到關(guān)注。

      本文研究了一種基于卷積自編碼神經(jīng)網(wǎng)絡(luò)的鋰電池健康狀況評(píng)估方法,該方法通過卷積自編碼神經(jīng)網(wǎng)絡(luò)對(duì)鋰電池充放電和健康狀況數(shù)據(jù)進(jìn)行特征提取,用Softmax對(duì)特征提取結(jié)果進(jìn)行分類,得到電池的健康狀態(tài)評(píng)估。該方法能夠在使用過程中不斷學(xué)習(xí)電池?cái)?shù)據(jù)特征,對(duì)模型進(jìn)行實(shí)時(shí)改變,其應(yīng)用靈活性和準(zhǔn)確率有明顯提升。

      1 卷積自編碼神經(jīng)網(wǎng)絡(luò)

      1.1 卷積神經(jīng)網(wǎng)絡(luò)模型

      卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)是多層感知機(jī)(multi-layer perceptron,MLP)在二維圖像處理領(lǐng)域的一種推廣,它包含多個(gè)階段的視覺信息處理過程,能夠自動(dòng)地從圖像中提取不同層次的特征表示。

      從結(jié)構(gòu)上看,卷積神經(jīng)網(wǎng)絡(luò)包括卷積層、池化層和分類層3個(gè)部分,圖1為一個(gè)卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)示意圖。圖中輸入端是大小為32×32的圖像;中間層是由多個(gè)卷積和池化操作組成的特征提取層,卷積層和池化層的大小分別為5×5、2×2。每個(gè)卷積層采用局部連接和全局共享的連接方式提取圖像的局部特征,并將這些特征組合起來構(gòu)成一幅特征映射圖,然后經(jīng)過池化操作簡(jiǎn)化卷積層的輸出,利用圖像局部相關(guān)性的原理,降低特征的維數(shù),同時(shí)保留了有用的信息;輸出端為分類層,是一種全連接網(wǎng)絡(luò),將前一層的輸出通過串行連接的方式展開,展開的所有輸出構(gòu)成特征向量。網(wǎng)絡(luò)的輸出層神經(jīng)元個(gè)數(shù)為訓(xùn)練圖像集的類型個(gè)數(shù),即為類型標(biāo)簽的個(gè)數(shù)。

      圖1 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)示意圖

      1.2 卷積自編碼網(wǎng)絡(luò)模型

      卷積自編碼神經(jīng)網(wǎng)絡(luò)(convolutional auto-encoder,CAE)是在自編碼神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展而來,將卷積神經(jīng)網(wǎng)絡(luò)中的卷積操作引入到自編碼網(wǎng)絡(luò)中,即形成了卷積自編碼網(wǎng)絡(luò),圖2為一個(gè)卷積自編碼網(wǎng)絡(luò)的架構(gòu)示意圖。圖中輸入層和輸出層的維度相同,均為32×32的數(shù)據(jù)矩陣;中間層由卷積操作和反卷積操作組成,分別用于提取特征和輸出重構(gòu),圖中卷積層和反卷積層的大小為5×5。

      圖2 卷積自編碼神經(jīng)網(wǎng)絡(luò)架構(gòu)示意圖

      在卷積自編碼神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)中,規(guī)定網(wǎng)絡(luò)的期望輸出等于網(wǎng)絡(luò)的輸入,即網(wǎng)絡(luò)的學(xué)習(xí)目標(biāo)是使得網(wǎng)絡(luò)的輸出等于網(wǎng)絡(luò)的輸入,因此卷積自編碼神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程屬于無監(jiān)督學(xué)習(xí)。

      2 基于卷積自編碼網(wǎng)絡(luò)的特征提取方法

      2.1 卷積自編碼網(wǎng)絡(luò)的學(xué)習(xí)特性

      從連接方式上來看,卷積自編碼神經(jīng)網(wǎng)絡(luò)采用局部連接的方式,每層神經(jīng)元只與其上一層的部分神經(jīng)元相連,如圖3所示,神經(jīng)元S3只與其上一層的X2、X3、X4三個(gè)神經(jīng)元相連。因此卷積自編碼神經(jīng)網(wǎng)絡(luò)側(cè)重于輸入數(shù)據(jù)局部信息的學(xué)習(xí),有利于局部特征的提取。

      圖3 局部連接結(jié)構(gòu)示意圖

      此外,卷積自編碼網(wǎng)絡(luò)具有權(quán)值共享特性。權(quán)值共享是指每個(gè)特征映射圖中的所有神經(jīng)元都用相同權(quán)值的卷積核與輸入圖像掃描窗口內(nèi)的像素做卷積(卷積操作),如圖4所示,輸入數(shù)據(jù)矩陣的維度為28×28,隱含層神經(jīng)元與圖像中的5×5局部區(qū)域連接,該區(qū)域常稱為局部感知域,該局部區(qū)域?qū)?yīng)的5×5權(quán)值參數(shù)為卷積核。同一個(gè)卷積核在整個(gè)圖像中按照從左向右、從上至下的順序滑動(dòng),就會(huì)在隱含層中得到不同的神經(jīng)元,構(gòu)成特征映射圖。因此卷積核也稱為共享權(quán)值,用于提取和檢測(cè)數(shù)據(jù)不同位置處的同一個(gè)局部特征。由此可見,局部連接特性和權(quán)值共享特性使得卷積自編碼網(wǎng)絡(luò)有利于捕捉輸入數(shù)據(jù)中的平移不變特征,即具有平移不變學(xué)習(xí)特性。

      圖4 權(quán)值共享示意圖

      2.2 信號(hào)特征分量的自學(xué)習(xí)過程

      本節(jié)研究了基于卷積自編碼網(wǎng)絡(luò)的信號(hào)特征分量自學(xué)習(xí)方法,利用卷積自編碼網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行先卷積后反卷積的處理,在卷積的過程中學(xué)習(xí)信號(hào)的特征知識(shí),在反卷積過程中獲得信號(hào)的多個(gè)特征分量,實(shí)現(xiàn)信號(hào)特征分量的自動(dòng)學(xué)習(xí)。

      目前卷積自編碼網(wǎng)絡(luò)的處理對(duì)象大多為圖像,卷積自編碼網(wǎng)絡(luò)的結(jié)構(gòu)以及不同層神經(jīng)元之間的卷積操作是以二維卷積形式出現(xiàn)的,而在鋰電池健康狀態(tài)評(píng)估中,需要處理的數(shù)據(jù)往往是電池的電壓、電流和溫度等信號(hào),因此需要構(gòu)建適合電池狀態(tài)信號(hào)的卷積自編碼網(wǎng)絡(luò),如圖9所示。圖中網(wǎng)絡(luò)的輸入為鋰電池在充放電過程中的狀態(tài)信號(hào),維度為949×6;網(wǎng)絡(luò)輸出為輸入信號(hào)的重構(gòu);中間層的構(gòu)造與基于圖像的卷積自編碼網(wǎng)絡(luò)相同,包括卷積層和反卷積層。圖中卷積核的大小為95×6,隱含層的每個(gè)神經(jīng)元與輸入數(shù)據(jù)中長(zhǎng)度為95的局部區(qū)域相連;圖中@3的含義是指卷積核的個(gè)數(shù)為3。

      在圖5所示的網(wǎng)絡(luò)架構(gòu)中,對(duì)于給定的輸入向量x,當(dāng)采用的激活函數(shù)為tanh函數(shù)時(shí),網(wǎng)絡(luò)的輸出表達(dá)式為:

      圖5 卷積自編碼網(wǎng)絡(luò)架構(gòu)示意圖

      (1)

      式中,W(2)為卷積核的參數(shù),即為共享的權(quán)值參數(shù);hk為隱含層神經(jīng)元的激活值;b(2)為卷積核對(duì)應(yīng)的偏置。由tanh函數(shù)的性質(zhì)和分塊矩陣運(yùn)算法則可推導(dǎo):

      (2)

      (3)

      當(dāng)|ab|<1時(shí),有:

      (4)

      由式(4)可以看出,卷積自編碼網(wǎng)絡(luò)的輸出可以看作多個(gè)分量Ii的疊加。因此,對(duì)于電池狀態(tài)信號(hào),在經(jīng)過卷積自編碼網(wǎng)絡(luò)的訓(xùn)練后,該網(wǎng)絡(luò)模型能夠?qū)⒃夹盘?hào)分解為多個(gè)特征分量,每個(gè)特征分量Ii都可看作是卷積核Wi(2)與激活值向量hi的卷積。因此將信號(hào)輸入到卷積自編碼網(wǎng)絡(luò)中的訓(xùn)練過程,也是該網(wǎng)絡(luò)模型對(duì)信號(hào)的特征學(xué)習(xí)過程,它能夠依賴信號(hào)本身分解信號(hào),得到包含信號(hào)特征知識(shí)的多個(gè)特征分量。

      3 基于卷積自編碼神經(jīng)網(wǎng)絡(luò)的SOH

      如圖6所示,在鋰離子電池健康狀況評(píng)估方法中,首先構(gòu)造電池狀態(tài)數(shù)據(jù)矩陣作為無監(jiān)督學(xué)習(xí)卷積自編碼神經(jīng)網(wǎng)絡(luò)的輸入,卷積自編碼神經(jīng)網(wǎng)絡(luò)的輸出作為softmax分類器的輸入,歷史數(shù)據(jù)中的電池健康狀態(tài)作為有監(jiān)督學(xué)習(xí)的softmax分類器的輸出,對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練完畢后即可使用該網(wǎng)絡(luò)進(jìn)行電池健康狀態(tài)評(píng)估。

      圖6 基于卷積自編碼神經(jīng)網(wǎng)絡(luò)的鋰電池SOH

      在訓(xùn)練方法上,卷積自編碼神經(jīng)網(wǎng)絡(luò)包含前向算法和誤差反向傳播算法,前向算法用于計(jì)算網(wǎng)絡(luò)的輸出,誤差反向傳播算法則用于調(diào)整卷積核的參數(shù)值,從而使得網(wǎng)絡(luò)的代價(jià)函數(shù)取得最小值。圖7為卷積自編碼網(wǎng)絡(luò)的訓(xùn)練流程圖。

      圖7 =卷積自編碼網(wǎng)絡(luò)的訓(xùn)練流程圖

      卷積自編碼網(wǎng)絡(luò)的不同層之間通過卷積運(yùn)算連接起來,其模型參數(shù)為(W,b)=(W(1),b(1),W(2),b(2))。以圖5中的卷積自編碼網(wǎng)絡(luò)模型為例,詳細(xì)分析網(wǎng)絡(luò)訓(xùn)練需用到的前向算法和誤差反向傳播算法。

      對(duì)于給定的網(wǎng)絡(luò)模型參數(shù)(W,b)以及網(wǎng)絡(luò)輸入x,按照前向算法分別計(jì)算隱含層的輸出和輸出層的輸出。其中,輸入層到隱含層的計(jì)算公式為:

      (5)

      (6)

      (7)

      (8)

      式(5)~(7)中的卷積操作分別為valid convolution和full convolution,其中,full convolution是指一個(gè)維度為m×1的向量與一個(gè)維度為n×1的向量卷積后生成(m+n-1)×1的向量,而valid convolution的卷積結(jié)果為(m-n+1)×1。因此,卷積自編碼神經(jīng)網(wǎng)絡(luò)分別經(jīng)過valid convolution和full convolution后,可以在網(wǎng)絡(luò)的輸出層得到原始輸入的重構(gòu)表達(dá)。

      卷積自編碼神經(jīng)網(wǎng)絡(luò)的代價(jià)函數(shù)為網(wǎng)絡(luò)實(shí)際輸出與網(wǎng)絡(luò)輸入之間的差別,假定訓(xùn)練數(shù)據(jù)包含m個(gè)樣本{x(1),x(2),…,x(m)},則其在m個(gè)樣本的數(shù)據(jù)集上的整體代價(jià)函數(shù)為:

      (9)

      J(W,b)的最小值通過迭代優(yōu)化算法求解,網(wǎng)絡(luò)模型訓(xùn)練之前,先對(duì)卷積核的參數(shù)初始化為很小的接近于0的隨機(jī)值,然后通過迭代優(yōu)化不斷進(jìn)行更新,更新公式為:

      (10)

      (11)

      式(9)、(10)中的偏導(dǎo)數(shù)通過誤差反向傳播算法計(jì)算得到,具體計(jì)算過程如下:

      對(duì)于每一個(gè)訓(xùn)練樣本x(k)計(jì)算得到網(wǎng)絡(luò)的實(shí)際輸出hW,b(x(k))后,網(wǎng)絡(luò)輸出層的每個(gè)輸出單元i的誤差為:

      (12)

      式中,zi為 輸出層神經(jīng)元i。對(duì)于隱含層,其第i個(gè)神經(jīng)元的誤差為:

      (13)

      式中卷積操作為full convolution。單個(gè)樣本x(k)的代價(jià)函數(shù)的偏導(dǎo)數(shù)為:

      (14)

      (15)

      式(13)中的卷積操作為valid convolution。整個(gè)訓(xùn)練數(shù)據(jù)集上的代價(jià)函數(shù)J(W,b)的偏導(dǎo)數(shù)為:

      (16)

      (17)

      通過在迭代運(yùn)算中利用這兩個(gè)式子來調(diào)整參數(shù)W,b的值,代價(jià)函數(shù)J(W,b)取得最小值時(shí)的W,b就是訓(xùn)練完畢的卷積自編碼網(wǎng)絡(luò)的模型參數(shù)。

      4 試驗(yàn)分析

      4.1 數(shù)據(jù)來源

      本文使用NASA公開的電池?cái)?shù)據(jù)集作為試驗(yàn)對(duì)象,該試驗(yàn)中共有一組4個(gè)鋰離子電池(5號(hào),6號(hào),7號(hào)和18號(hào))在室溫下經(jīng)過3種不同的操作曲線(充電,放電和阻抗)。以1.5 A的恒定電流(CC)模式進(jìn)行充電,直到電池電壓達(dá)到4.2 V,然后以恒定電壓(CV)模式繼續(xù)充電,直到充電電流降至20 mA。以2 A的恒定電流(CC)進(jìn)行放電,直到電池5號(hào)、6號(hào)、7號(hào)和18號(hào)的電池電壓分別降至2.7 V,2.5 V,2.2 V和2.5 V。阻抗測(cè)量是通過從0.1 Hz到5 kHz的電化學(xué)阻抗譜(EIS)頻率掃描進(jìn)行的。重復(fù)的充電和放電循環(huán)會(huì)導(dǎo)致電池加速老化,而阻抗測(cè)量則可以深入了解隨著老化的進(jìn)行而變化的內(nèi)部電池參數(shù)。當(dāng)電池達(dá)到壽命終止(EOL)標(biāo)準(zhǔn)時(shí)即終止實(shí)驗(yàn),該標(biāo)準(zhǔn)是額定容量(從2 Ahr降至1.4 Ahr)下降了30%。每組數(shù)據(jù)包括了電池的充放電狀態(tài)、電池阻抗(可視為電池健康狀態(tài))和6個(gè)電池狀態(tài)量,分別是:電池終端電壓、電流,環(huán)境溫度,充電器電壓、電流和記錄時(shí)間。

      4.2 結(jié)果分析

      構(gòu)造維度為789×5的訓(xùn)練樣本,并設(shè)置卷積核的個(gè)數(shù)為5,維度為80×5,然后將訓(xùn)練樣本輸入到網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練,如圖8~12所示,訓(xùn)練結(jié)束后可得到網(wǎng)絡(luò)權(quán)值參數(shù)(即卷積核)及提取的特征分量;之后再使用softmax分類器對(duì)特征分量進(jìn)行分類,使用阻抗數(shù)據(jù)進(jìn)行有監(jiān)督學(xué)習(xí)訓(xùn)練,如表1所示,相比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和卡爾曼濾波方法,本文所提出的基于卷積自編碼神經(jīng)網(wǎng)絡(luò)的電池健康狀態(tài)評(píng)估準(zhǔn)確率有很大提升。

      圖8 第一個(gè)卷積核及其對(duì)應(yīng)特征分量的波形圖

      圖9 第二個(gè)卷積核及其對(duì)應(yīng)特征分量的波形圖

      圖10 第三個(gè)卷積核及其對(duì)應(yīng)特征分量的波形圖

      圖11 第四個(gè)卷積核及其對(duì)應(yīng)特征分量的波形圖

      圖12 第五個(gè)卷積核及其對(duì)應(yīng)特征分量的波形圖

      表1 幾種SOH方法準(zhǔn)確率

      5 結(jié)束語

      本文所研究的基于卷積自編碼神經(jīng)網(wǎng)絡(luò)的鋰離子電池健康狀況評(píng)估技術(shù)使用了卷積自編碼神經(jīng)網(wǎng)絡(luò)對(duì)電池在充放電過程中的電池電壓和電流,環(huán)境溫度,充電器電壓和電流信號(hào)進(jìn)行特征提取,使用softmax對(duì)提取特征進(jìn)行分類,對(duì)電池的SOH進(jìn)行評(píng)估。

      猜你喜歡
      分量神經(jīng)元卷積
      《從光子到神經(jīng)元》書評(píng)
      自然雜志(2021年6期)2021-12-23 08:24:46
      基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
      帽子的分量
      一物千斤
      智族GQ(2019年9期)2019-10-28 08:16:21
      從濾波器理解卷積
      電子制作(2019年11期)2019-07-04 00:34:38
      論《哈姆雷特》中良心的分量
      躍動(dòng)的神經(jīng)元——波蘭Brain Embassy聯(lián)合辦公
      基于傅里葉域卷積表示的目標(biāo)跟蹤算法
      分量
      基于二次型單神經(jīng)元PID的MPPT控制
      兰西县| 黄大仙区| 长泰县| 西宁市| 洪泽县| 新密市| 赫章县| 朝阳区| 陵川县| 都昌县| 于田县| 津南区| 安图县| 绍兴市| 环江| 成都市| 玉龙| 苏尼特右旗| 宣汉县| 台南县| 基隆市| 上栗县| 内黄县| 贺兰县| 邳州市| 济阳县| 湾仔区| 鹤庆县| 仙桃市| 万盛区| 磐石市| 濉溪县| 清远市| 陆丰市| 新安县| 绍兴市| 塔城市| 纳雍县| 盐津县| 大关县| 鄂托克前旗|