专利名称：一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法
技术领域：
本发明属于航天N1-Cd蓄电池寿命预测技术领域，特别是一种基于改进型动态小波神经网络的航天N1-Cd蓄电池寿命预测方法。
背景技术：
寿命预测技术涉及到的范围和领域极其广泛，从原材料的疲劳寿命到复杂成型产品寿命，从民用领域到国防领域都需要寿命预测技术。目前，针对航天N1-Cd蓄电池的主要寿命预测技术可归纳如下a，基于物理模型的寿命预测该方法对N1-Cd蓄电池内部的物化过程进行分析，从而建立反映对象演变过程的物理模型，通过相关数据对模型参数进行调整，最后得到需要的寿命预测模型；b，基于统计模型假设的寿命预测此类方法首先假设N1-Cd蓄电池寿命服从某种统计分布，并利用大量已有的寿命数据确定该模型的参数，从而建立N1-Cd蓄电池的寿命预测模型；C，基于寿命影响因素分析训练的寿命预测此方法主要通过研究并确定影响N1-Cd蓄电池的各寿命影响因素，并借助大量的寿命试验数据建立影响因素同寿命之间的关联关系，从而建立N1-Cd蓄电池的寿命预测模型。对于上述三种方法，基于物理模型的寿命预测需要深入研究N1-Cd蓄电池的内部机理，其工作量巨大且可移植性相对较差，对于不同型号的N1-Cd蓄电池需分别建立寿命预测模型；基于统计模型假设及基于寿命影响因素分析训练的寿命预测则需要大量的N1-Cd蓄电池寿命数据以建立寿命预测模型。考虑到在实际工程应用中，航天N1-Cd蓄电池，往往会受到各种客观条件限制，不可能存在大量的用于寿命预测的寿命数据。因而，研究一种针对N1-Cd蓄电池极少寿命数据情况下的寿命预测方法具有重要意义。人工神经网络(Artificial Neural Network, ANN)是一个模拟大脑神经系统结构和功能，由大量简单处理单元即神经元广泛连接组成的人工网络。它能从已知数据中自动归纳规则，获得这些数据的内在规律，具有很强的非线性映射能力。人工神经网络具有以下几个突出优点1.高度的并行性；2.高度的非线性全局作用；3.良好的容错性和联想记忆功能；4.十分强的自适应、自学习功能。申请人:先前申请的专利，申请号20101022095. 1，名称为一种基于动态双极MPNN的小样本数据对象的寿命预测方法，通过收集寿命预测对象的所有可用数据并对其进行寿命预测相关数据预处理和数据相关性分析；得到这些寿命影响因素同预测对象寿命表征参数间函数关系。然后数据映射并得到预测对象的当量数据值；通过改进的MPNN网络进行一次MPNN网络的训练及预测和二次MPNN网络的训练及预测；最后根据预测对象寿命表征参数的寿命终止判据确定预测对象的寿命值。该项专利通过双极MPNN网络实现了基于小样本数据的蓄电池寿命预测，给出了针对于具有小样本数据特点的一类问题的解决方案，具有较强的通用性。由于该专利核心在于一次与二次MPNN的预测精度，而其中MPNN网络是由具有统计特性的PNN网络改进而成，使得MPNN网络在保留了 PNN网络优点的同时也引入了不能很好体现出待预测蓄电池单体特性的不足；此外，在该项专利中，二次MPNN网络使用的迭代预测为不重复训练的单支单步迭代预测，使得蓄电池寿命预测精度偏低，且只有在蓄电池处于严重衰退时期其寿命预测精度才能有所保证，这在很大程度上限制了蓄电池寿命预测的工程应用。
动态小波神经网络(Dynamic Wavelet Neural Networks, DWNN)是人工神经网络的一种，该网络由输入、WNN、输出、及输出反馈四个部分组成,如图2所不。
其中，U为外部输入，N为外部输入维数；Y为输出⑷为输出反馈节点个数;WNN为标准静态小波神经网络。DWNN的表达式为
Y(t+1) = WNN(Y(t),…，Y(t-M+I)，u(t), ...，U(t-N))
由于DWNN网络从多角度构建网络递归，增强对历史信息的记忆容量，在计算过程中呈现过程动态特性，比前馈神经网络和已有递归小波神经网络具有更强的动态行为和计算能力，且同时具有对预测对象总体与个体特性进行分辨分析的能力等优点，被广泛用于实际工程项目。本发明在继承专利申请20101022095.1解决小样本数据对象寿命预测思想的基础上，首先对DWNN进行改进，使改进后的DWNN模型能够更加精细地跟踪蓄电池的衰退过程，同时，利用自适应迭代预测方法提升二次预测精度，进而，大幅度提高蓄电池寿命预测精度，以满足N1-Cd对象及其数据特点的寿命预测需求。发明内容
本发明技术解决问题克服现有技术的不足，提供一种基于改进型动态小波神经网络的航天N1-Cd蓄电池寿命预测方法，该方法在保留了申请号20101022095.1优点的基础上，一方面，通过对总体与个体信息具有较强分辨分析能力的DWNN网络的改进，使得本发明具有对单体预测对象的分辨能力，并使改进后的DWNN模型能够更加精细地跟踪蓄电池的衰退过程；另一方面，利用自适应迭代过程构建了 2M-DWNN模型，使得蓄电池寿命预测精度得到很好保证；进而，在综合M-DWNN模型与自适应迭代模型基础上，大幅度提升了寿命预测的精度，进一步克服了申请20101022095.1存在的精度偏低的不足。
本发明提供的航天N1-Cd蓄电池寿命预测方法总体流程如
图1所示，具体通过如下步骤实现
步骤一、收集所有N1-Cd蓄电池寿命预测的相关数据；
通过对N1-Cd蓄电池及相似产品分析，收集可以利用的所有寿命预测相关数据。
步骤二、寿命预测相关数据预处理；
对步骤一得到的寿命预测数据进行分析和筛选，提取出本发明所需的放电终压参数数据(本发明中的N1-Cd蓄电池寿命终止判据)及寿命影响因素数据，包括放电电流数据、充电电流数据、充放电循环次数及放电深度数据等。同时，对筛选出的相关数据进行奇异值剔除、数据降噪等预处理工作。
步骤三、数据相关性分析；
考虑相似产品及N1-Cd蓄电池的放电深度寿命影响因素，需要通过函数逼近或 SPSS方法对相似产品和N1-Cd蓄电池对 应的预处理后的参数进行相关性分析，从而得到相似产品和N1-Cd蓄电池之间在放电终压上的相关关系。
所述的相关性分析是指通过函数逼近或利用SPSS (统计产品与服务解决方案—— Statistical Product and Service Solutions),实现对不同参数数据的相关性分析,从而得到参数数据间的映射关系。
步骤四、数据映射并得到N1-Cd蓄电池放电终压的当量数据值；
利用步骤三得到的在各寿命影响因素的作用下，得到的相似产品同N1-Cd蓄电池放电终压间的相关关系，以参考的相似产品的放电终压数据为基础，映射并得到N1-Cd蓄电池放电终压的当量数据值，如图4所示“当量-EoDV”曲线，其中，虚曲线表示N1-Cd蓄电池已有在轨放电终压(EoDV)数据；实曲线为与在轨EoDV曲线具有部分相同影响因素条件下的当量放电终压(ED-EoDV)曲线。
步骤五、DWNN网络的改进(M-DWNN)；
根据航天N1-Cd蓄电池寿命预测精度需求，对DWNN进行改进，改进方案如下利用DWNN输出数据序列{Yi}构建AR模型(本发明中{Yi}即为{EoDV_orbi})，包括确定AR 模型阶数P及系数a” i = O, I, 2，…，p-1，进而，把AR模型的阶数作为DWNN模型反馈节点数目，即令M=p，AR模型的系数作为各反馈节点的权重系数，并作为WNN模型输入，进而完成对DWNN网络模型的改进。其中，AR模型系数与节点的对应关系为ai · Y(t-1), i = O, 1,2,…，ρ-l，如图5所示。
步骤六、一次M-DWNN (IM-DffNN)网络的建立、训练及预测；
根据影响因素分析及关联分析结果，确定IM-DWNN输入节点数，输出为经处理后的N1-Cd蓄电池放电终 压(单输出)。利用N1-Cd蓄电池在轨EoDV及由步骤四得到的 ED-EoDV做差分比例处理，如图4所示，构造IM-DWNN的训练样本及测试样本。为了剔除训练样本中的奇异值，加快网络的收敛速度，将由上述构造的输入向量、目标向量进行归一化处理，然后输入IM-DWNN网络对其进行训练，从而确定IM-DWNN网络参数，并利用训练好的 IM-DffNN网络进行预测，通过反归一化及反差分过程获取N1-Cd蓄电池放电终压预测值，进而实现以Ο-c段曲线为参考，得到放电终压预测结果数据段a-e。
步骤七、基于二次M-DWNN (2M-DWNN)网络的自适应迭代预测模型建立、训练及预测；
确定2M-DWNN输入节点数及输出节点数(单输出)。利用经预处理后N1-Cd蓄电池放电终压数据和IM-DWNN的放电终压预测结果，构造2M-DWNN的训练及测试样本，即自适应迭代预测，其流程如图6所示。进而开展预测工作，最后根据N1-Cd蓄电池寿命终止判据确定N1-Cd蓄电池的寿命值。
其中，自适应迭代预测模型描述如下
(I)自适应迭代预测的数据准备(均值-斜率时间序列构造)
本发明中的迭代预测模型，对o-e段放电终压值进行分段均值处理，并在此基础上，计算均值的斜率，二次M-DWNN预测即对该均值-斜率时间序列进行自适应迭代预测，图 7所不为均值_斜率序列生成图。Avrik I I}- Avrik)
s(k) =-——- (k=l, 2，...，n-l)\'Γ( ti)
权利要求
1.一种基于改进型动态小波神经网络的航天N1-Cd蓄电池寿命预测方法，其特征在于实现步骤如下 步骤一、收集所有航天N1-Cd蓄电池寿命预测相关数据； 步骤二、寿命预测相关数据预处理； 对步骤一得到的所有航天N1-Cd蓄电池寿命预测数据进行分析和筛选，提取出所需的航天N1-Cd蓄电池放电终压参数数据及寿命影响因素数据，所述因素数据包括放电电流数据、充电电流数据、充放电循环次数及放电深度数据；同时，对筛选出的相关因素数据进行奇异值剔除、数据降噪预处理工作； 步骤三、数据相关性分析； 通过函数逼近或SPSS (统计产品与服务解决方案,Statistical Product and ServiceSolutions)方法对相似产品和航天N1-Cd蓄电池对应的预处理后的数据进行相关性分析，得到相似产品和N1-Cd蓄电池之间在放电终压上的相关关系； 所述的相关性分析是指通过函数逼近或利用SPSS方法，实现对不同参数数据的相关性分析，得到参数数据间的映射关系； 步骤四、数据映射并得到N1-Cd蓄电池放电终压的当量数据值； 以步骤三得到的相似产品和N1-Cd蓄电池放电终压间的相关关系，以参考的相似产品的放电终压数据为基础，映射并得到N1-Cd蓄电池放电终压的当量数据值； 步骤五、DWNN网络的改进(M-DWNN)； 根据航天N1-Cd蓄电池寿命预测精度需求，对DWNN进行改进，改进方案如下利用DffNN输出数据序列{Yi}构建AR模型，包括确定AR模型阶数p及系数序列a” i=0, I, 2，……，P-1，进而把AR模型的阶数作为DWNN模型反馈节点数目，即令M=p，其中，M表示DWNN网络反馈节点数，AR模型的系数序列％作为各反馈节点相应的权重系数，并作为WNN模型输入，进而完成对DWNN网络模型的改进；其中AR模型系数与节点的对应关系为a1-Y(t-1), i=O, I, 2，…，p_l ； 步骤六、一次M-DWNN (IM-DffNN)网络的建立、训练及预测； 根据影响因素分析及关联分析结果，确定IM-DWNN输入节点数，输出为经处理后的N1-Cd蓄电池放电终压，即单输出；利用N1-Cd蓄电池在轨EoDV及由步骤四得到的ED-EoDV做差分比例处理，构造IM-DWNN的训练样本及测试样本；为了剔除训练样本中的奇异值，加快网络的收敛速度，对由上述构造的输入向量、目标向量进行归一化处理，然后输入IM-DffNN网络对其进行训练，确定IM-DWNN网络参数，并利用训练好的IM-DWNN网络进行预测，通过反归一化及反差分过程获取N1-Cd蓄电池放电终压预测值，进而实现以地面试验数据段为参考，得到在轨放电终压预测结果数据段； 步骤七、基于二次M-DWNN (2M-DWNN)网络的自适应迭代预测模型建立、训练及预测，实现步骤如下 (O自适应迭代预测的数据准备，即均值-斜率时间序列构造对由在轨放电终压及由IM-DWNN预测得到的放电终压值构成的数据序列进行分段均值处理，并在此基础上，计算均值的斜率，二次M-DWNN预测即对该均值-斜率时间序列进行自适应迭代预测，均值-斜率时间序列构造式如下
全文摘要
一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法，实现为收集所有航天Ni-Cd蓄电池寿命预测相关数据；寿命预测相关数据预处理；数据相关性分析；数据映射并得到Ni-Cd蓄电池放电终压的当量数据值；DWNN网络的改进；一次M-DWNN(1M-DWNN)网络的建立、训练及预测；基于二次M-DWNN(2M-DWNN)网络的自适应迭代预测模型建立、训练及预测；动态时间窗调整；本发明在寿命预测的过程中动态的调整整个DWNN网络，确保在整个寿命预测过程，预测精度随着时间的延长及数据量的增加不断提高。
文档编号G06N3/08GK103018673SQ20121046840
公开日2013年4月3日 申请日期2012年11月19日 优先权日2012年11月19日
发明者吕琛, 陶来发, 刘红梅, 刘元默, 刘一薇, 杨生胜 申请人:北京航空航天大学, 航天东方红卫星有限公司, 兰州空间技术物理研究所