Рамка для Ли
Том 13 научных докладов, номер статьи: 13856 (2023) Цитировать эту статью
1043 доступа
1 Альтметрика
Подробности о метриках
Литий-ионные аккумуляторы являются основным источником энергии, используемым в электродвигателях (например, в электромобилях, беспилотных летательных аппаратах и современных аэромобильных самолетах). Аналитический мониторинг и прогнозирование таких показателей, как состояние заряда и состояние работоспособности, на основе данных об использовании конкретных аккумуляторов имеют решающее значение для обеспечения высокого уровня надежности. Однако сложная электрохимия, управляющая работой батареи, приводит к созданию дорогостоящих в вычислительном отношении моделей, основанных на физике; которые становятся непригодными для приложений прогнозирования и управления здравоохранением. Мы предлагаем гибридный подход машинного обучения, основанный на физике, который моделирует динамические реакции путем прямой реализации численного интегрирования основанных на принципах управляющих уравнений через рекуррентные нейронные сети. В то время как модели пониженного порядка описывают часть разряда напряжения в условиях постоянной или переменной нагрузки, неопределенность формы модели фиксируется с помощью многослойных перцептронов, а алеаторная неопределенность между батареями моделируется с помощью вариационных многослойных перцептронов. Кроме того, мы используем байесовский подход для объединения данных по всему автопарку в форме априорных данных с циклами разрядки конкретной батареи, при которых емкость батареи доступна полностью или только частично. Мы иллюстрируем эффективность предложенной нами структуры, используя набор данных NASA Prognostics Data Repository Battery, который содержит экспериментальные данные о разряде литий-ионных батарей, полученные в контролируемой среде.
Электрические и гибридные силовые установки являются ключевыми факторами передовой трансформации воздушной мобильности, в которой малые и большие самолеты будут полагаться на литий-ионные батареи для обеспечения части всех потребностей в энергии. Поскольку эти батареи являются важнейшим компонентом трансмиссии, безопасная эксплуатация этих батарей потребует надежных методов прогнозирования и управления состоянием здоровья1,2. В современной литературе представлен ряд методов мониторинга аккумуляторов с использованием моделей, основанных на основных принципах3,4, машинном обучении5,6,7 и их комбинации8,9,10. Однако существующие подходы к моделированию часто сталкиваются с препятствиями, в том числе: (а) основные уравнения являются сложными; и, если возможно, выполнение высокоточного моделирования на борту требует больших вычислительных затрат; (б) модели, основанные исключительно на данных, не обязательно подчиняются основной физике и не могут хорошо обобщаться на сценарии, на которых они не обучались; и (c) сбор достаточного количества высококачественных данных для адекватного обучения моделей, управляемых данными, для сложной системы часто является сложной задачей. Фактически, данные, доступные для настройки моделей уменьшенного порядка или построения моделей машинного обучения, могут быть плохими (из-за шума, данные, несбалансированные наблюдения за входами и выходами и т. д.). Эти проблемы обычно являются общими для многих приложений прогнозирования; создавая потребность в надежном подходе к моделированию, который был бы эффективным с точки зрения вычислений, но при этом был бы основан на основных принципах и мог бы учитывать неструктурированные наборы данных.
На этом фоне нейронные сети, основанные на физике11,12,13, могут совершить революцию в прогнозировании и управлении здоровьем. Этот класс методов машинного обучения потенциально может решить нехватку данных, а также другие проблемы, такие как плохая интерпретируемость моделей, основанных исключительно на данных, обеспечивая при этом точность, сравнимую с высокоточным моделированием, за небольшую часть вычислительных затрат. Фактически, недавние разработки в области нейронных операторов14,15 показывают, что для задач, в которых известны уравнения в частных производных, обученные нейронные сети можно повторно использовать для прогнозирования даже за пределами граничных/начальных условий, используемых при обучении. Однако многие сложные системы не могут быть описаны исключительно уравнениями в частных производных, а скорее набором основных уравнений и эмпирических законов, которые не могут быть полностью охарактеризованы, в то время как доступные данные скудны. Это объясняет растущий интерес к гибридному машинному обучению с учетом физики16,17 как многообещающей среде моделирования для сложных приложений, таких как электрические и гибридные двигательные системы. Предлагаемая нами гибридная структура использует другую парадигму по сравнению с физическими функциями потерь, как в11. Он использует существующие уравнения системы для построения модели и стратегически вводит в модель небольшие ядра, управляемые данными. Части модели, управляемые данными, компенсируют недостающую физику, неопределенность формы модели и незнание параметров модели.