一种无人机电池健康管理预测方法与系统

本发明涉及无人机运维，尤其涉及一种无人机电池健康管理预测方法与系统。

背景技术：

1、随着无人机技术的飞速发展，其在各个领域的应用日益广泛。然而，无人机电池的续航能力和健康状态直接关系到无人机的作业效率和安全性。传统的电池健康管理系统在预测精度、实时性和智能化管理方面存在不足。因此，本项目旨在开发一种基于生成对抗网络(gan)的无人机电池健康管理预测与管理系统，以提高无人机电池的可靠性和延长使用寿命。

2、无人机电池作为能源存储的关键组件，在许多无人机领域有着至关重要的作用。锂电池的优势在于其能量密度高、较长的循环寿命和低自放电率。然而，随着使用时问的增加,电池的容量和性能逐渐哀退，影响整个系统的效能和安全性。因此,准确预测电池的健康状态(soh)对于电池管理系统非常重要，以优化其性能和延长寿命的使用。

3、锂电池的soh预测方法主要分为两大类:基于模型的方法和基于数据驱动的方法。基于模型的方法基于物理或化学原理建立的模型，能够直观地解释电池性能衰退的原因和过程。虽然这些方法在理论上可以提供准确的预测，但它们在实际应用中受到限制，为了准确预测电池寿命，需要建立复杂的数学模型，这增加了建模的难度和计算成本。对于参数的依赖性强，模型参数的准确性对预测结果具有重要影响，而参数的获取和校准通常较为困难。基于数据驱动的方法是一种不依赖于电池内部详细物理或化学模型的预测策略，而是通过分析电池在使用过程中产生的各种数据来评估其健康状态(soh)并预测未来的性能。这类方法的优点在于能够不需要深入了解电池内部反应机理，降低了预测难度和成本。能够处理非线性系统中的大量数据，具有高效的拟合能力。随着数据量的增加和算法的不断优化，预测精度可以不断提高。可以实现实时在线预测，为电池管理系统提供及时的健康状态评估。这有助于优化充电策略、预警电池故障等，提高电池的使用效率和安全性。然而，这些方法的性能在很大程度上依赖于数据的质量和数量。若数据存在缺陷或量级不足，可能导致预测准确度下降。近年来，深度学习技术在soh预测中得到了广泛应用。当前的挑战在于如何有效使用这些不同的深度学习技术，以及如何处理和解释由这些复杂模型生成的结果。未来的研究可能会专注于优化这些模型的结构，减少对大量训练数据的依赖，以及提高模型的解释能力，使其在实际应用中更加可靠和高效。

4、相关现有技术存在以下缺点：现有设备预测精度不高，可能存在一定的误差。测试方式通过充电和放电来测量电池容量，对电池的寿命会有一定的影响。此外，需要根据不同的测试环境和需求进行一定的校准和调整。测试时间较长，需要完整的充放电循环周期。设备的复杂性和成本可能较高，无法准确通过数据直接得出电池的健康状态，以及其剩余的寿命。

5、当前市场上已有的电池管理系统的局限性，例如监测参数的单一、数据分析能力不足等。

技术实现思路

1、本发明实施例的主要目的在于提出一种精度高的无人机电池健康管理预测方法与系统，能够准确通过数据直接得出电池的健康状态，以及其剩余的寿命。本系统旨在通过整合多种先进的传感技术和机器学习算法，对无人机电池的健康状态进行全面监测、分析和预测。系统包括数据采集、处理、分析、健康评估和决策支持功能，旨在提高电池管理的精确性和安全性。

2、为实现上述目的，本发明实施例的一方面提出了一种无人机电池健康管理预测方法，包括以下步骤:

3、数据采集与预处理：通过多源数据采集与传输模块的传感器网络实时采集电池状态数据，通过小波变换和归一化处理，构建用于模型训练的训练集、验证集和测试集；

4、异常检测：对采集到的电池状态数据进行异常检测，通过isolation forest算法来识别异常数据点；

5、数据增强：使用gan检测数据中的潜在异常并生成虚拟数据增强训练集，生成器生成与真实数据分布相似的样本，判别器区分生成数据与真实数据；

6、时间序列预测：通过lstm模型处理增强训练集，预测未来的电池健康指标；

7、综合健康状态评估：结合模糊逻辑和决策树对电池进行综合健康状态评估，根据综合健康评分将电池状态分级，生成维护建议和健康报告；

8、数据可视化：通过前端框架和后端数据接口实现数据的实时可视化，提供时间序列图、健康评分趋势和异常检测结果的可视化展示，并根据用户指令设定报警阈值和通知方式。

9、在一些实施例中，所述数据采集与预处理的过程包括以下步骤：

10、通过多源数据采集与传输模块的传感器网络实时采集电池状态数据，其中，传感器网络包括但不限于：电压传感器、电流传感器、温度传感器、内阻传感器、声学传感器、红外传感器；其中，电压传感器v(t)：用于记录电池的电压变化；电流传感器i(t)：用于监测电池的放电和充电电流；温度传感器t(t)：用于测量电池的温度，防止过热；内阻测量z(t)：用于通过交流阻抗法获取电池内阻；红外成像ir(t)：用于检测电池表面的温度分布；另外，所述电池状态数据还包括放电倍率、电池容量衰减率、电化学阻抗谱；采集到的电池状态数据的表达式为其中，ti为时间戳，vi为电压，ii为电流，ti为温度，zi为内阻，iri为红外数据，ri为放电倍率，ci为容量衰减率，eisi为电化学阻抗谱；n是数据采集的样本数量；

11、根据无人机飞行特性和电池健康状态变化的速度，定义数据采集函数collect_data(t0，t，f)，其中，t0是起始时间,t是采集周期时长,f是采集频率；

12、将所述数据采集函数返回时间段[t0,t0+t]内按频率f采集的数据集dcollected表示为时间戳与数据点的映射，其表达式为：

13、

14、其中，数据集dcollected是一个映射，将每次数据采集的时间戳tk映射到相应的数据点xk，dcollected包含多个元组(tk,xk)，其中tk是时间戳,xk是在时间戳tk处采集的数据点；

15、在数据进入云端或边缘计算终端后，首先进行去噪处理和标准化处理，将原始数据转化为净化后的数据dclean；

16、通过小波变换来去噪，小波变换公式为：

17、

18、其中，x(t)为信号，ψ为母小波，a,b为尺度和平移参数；

19、对存储的数据集进行归一化处理，构建用于模型训练的训练集、验证集和测试集；

20、其中，所述归一化处理的表达式为：其中μ和σ分别是数据的均值和标准差；xnormalized是归一化处理后的数据集；

21、通过布尔函数对所述数据集进行筛选，该过程的表达式为：

22、dcleaned＝{(t，x)∈dcollected|is_valid(x)＝1}

23、其中，数据集dcleaned是从dcollected中删除了不满足有效性条件的数据点；dcollected代表采集到的未筛选数据集；有效性条件由布尔函数is_valid(x)决定，如果is_valid(x)返回true，则表示数据点(t，x)符合有效性条件，应该包含在dcleaned中；

24、其中，所述训练集、验证集和测试集，满足以下条件：

25、dprocessed＝dtrain∪dval∪dtest且

26、其中，dtrain代表训练集、dval代表验证集和dtest代表测试集。

27、在一些实施例中，所述异常检测的过程包括以下步骤：

28、使用isolation forest算法对数据进行异常检测与数据增强：

29、首先从数据集中随机选择子采样构建随机树，创建多个随机树，每棵树用来分割数据点；其中，异常数据点在较浅的分割层次被隔离；公式化表示异常评分s(x)为：其中：e(h(x))为数据点x在随机树中的平均路径长度；c(n)为归一化系数，依赖于样本数量n；

30、根据异常分数s(x)，设定一个阈值θ，若s(x)>θ，则将样本x标记为异常点。

31、在一些实施例中，所述数据增强的过程包括以下步骤：

32、构建模型的生成器，所述生成器用于生成与真实电池健康数据相应的模拟数据；

33、构建模型的判别器，所述判别器用于区分输入数据为真实电池健康数据还是模拟数据；

34、设计所述生成器和所述判别器的目标函数，并定义优化器；

35、根据所述目标函数和所述优化器，通过所述训练集、验证集和测试集，对所述生成器和判别器进行训练，得到训练好的gan模型；

36、使用gan检测数据中的潜在异常并生成虚拟数据增强训练集，用生成对抗网络生成类似异常数据的样本，以增强数据集的多样性和模型的鲁棒性。

37、在一些实施例中，所述时间序列预测的过程包括以下步骤：

38、基于lstm使用增强后的训练集重新训练电池健康预测模型预测电池未来的健康指标，其中，健康指标包括但不限于容量衰减趋势、电压变化、内阻变化；所述健康指标的预测结果用于更新健康评分模型；

39、通过lstm模型处理时间序列数据；

40、将预处理后的数据按照时间顺序整理，构建时间序列数据集；

41、使用训练集训练lstm模型，通过验证集进行模型调优，并使用测试集评估模型性能；

42、其中，训练目标是通过最小化预测误差，使模型能够捕捉电池健康状态的长期变化趋势；

43、使用以下模块构建lstm模型，包括：

44、输入门：

45、it＝σ(wi·[ht-1,xt]+bi)

46、遗忘门：

47、ft＝σ(wf·[ht-1,xt]+bf)

48、输出门：

49、ot＝σ(wo·[ht-1,xt]+bo)

50、细胞状态更新：

51、

52、其中，xt是当前时间步t的输入向量，ht-1是前一时刻的隐藏状态，ct为当前时间步的记忆单元状态；ct-1是前一时刻的细胞状态；σ是标准差；代表候选记忆单元状态，是通过输入门决定是否添加到记忆单元的候选信息；wi、wf、wo分别代表输入门、遗忘门、输出门的权重矩阵；bi、bf、bo、bc分别代表输入门、遗忘门、输出门的偏置向量；it、ft、ot分别代表输入门、遗忘门、输出门的激活值；

53、使用训练好的lstm模型输入当前及历史电池状态数据，预测未来多个时间步长的健康指标，以更新健康评分模型。

54、在一些实施例中，所述综合健康状态评估的过程包括以下步骤：

55、进行综合健康状态评估，根据综合健康评分，将电池状态分级，生成维护建议和健康报告；

56、进行综合健康状态评估的过程具体为：

57、通过模糊逻辑来处理不确定性，模糊逻辑的模糊隶属函数为：其中，μa(x)为模糊隶属度；α控制斜率；c为中心值；

58、结合模糊逻辑与决策树分析各个电池参数，计算综合健康评分s：其中：wi为每个健康参数的权重；xi为参数值；wanomaly为异常数据的权重；fanomaly是异常数据的综合影响函数；

59、基于综合健康评分、异常检测结果和趋势分析结果，生成维护建议，维护建议包括但不限于：调整充放电策略、进行深度检测、更换电池；

60、根据综合健康评分，将电池状态分为：

61、健康：s>θhigh；

62、亚健康：θmid<s≤θhihh；

63、注意：θlow<s≤θmid；

64、失效：s≤θlow；

65、其中θhigh,θmid,θlow为预设阈值。

66、在一些实施例中，所述根据所述目标函数和所述优化器，通过所述训练集、验证集和测试集，对所述生成器和判别器进行训练，得到训练好的gan模型，包括以下步骤：

67、设g(z；θg)为生成器函数，d(x；θd)为判别器函数，其中z是噪声向量，θg和θd分别是生成器和判别器的参数，gan的训练通过交替更新生成器和判别器的参数θg和θd进行；

68、将gan的目标确定为：解决以下最小-最大优化问题：

69、

70、其中，v(d,g)为gan的损失函数，pdata(x)是真实数据分布，pz(z)是噪声向量的分布；

71、g(z；θg)：生成器函数，输入为噪声向量z，输出为生成的数据样本，参数为θg；

72、d(x；θd)：判别器函数，输入为数据样本x，输出为数据样本来自真实数据分布的概率，参数为θd；

73、将高斯噪声z作为生成器g的输入，生成器生成与真实数据分布相似的虚拟样本并与原始训练集结合，形成增强后的训练集；

74、判别器网络接收增强后的训练集作为输入，并输出一个概率，表示输入样本是来自真实数据分布的概率；在训练过程中，任何显著偏离真实数据分布的样本被视为潜在的异常数据。

75、本发明实施例的另一方面还提供了一种无人机电池健康管理预测系统，系统包括：多源数据采集与传输模块、数据处理与分析模块、健康状态评估模块、决策支持与建议模块、用户界面与可视化模块；

76、所述多源数据采集与传输模块集成了多种传感器，实时采集电池状态数据；传感器包括但不限于电压传感器、电流传感器、温度传感器、内阻传感器、红外传感器；

77、数据处理与分析模块，用于：当数据基于本地边缘计算终端或者进入云端后，首先进行预处理，所述预处理包括去噪处理、归一化处理、异常检测和数据填补；最后使用gan检测数据中的潜在异常并生成虚拟数据增强训练集；然后使用lstm进行时间序列分析，捕捉电池状态的长期变化趋势；

78、健康状态评估模块使用智能算法结合模糊逻辑和决策树，计算出电池的健康评分；

79、决策支持与建议模块基于健康评分和趋势分析，生成电池维护建议和详细的健康报告；

80、用户界面与可视化模块提供实时的电池状态监控、历史数据分析和趋势预测；其中，可视化工具展示包括但不限于时间序列图、健康评分趋势、异常检测结果，以及用于自定义报警阈值和通知设置。

81、本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；

82、所述存储器用于存储程序；

83、所述处理器执行所述程序实现如前面所述的方法为实现上述目的。

84、本发明实施例的另一方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前面所述的方法。

85、本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。

86、本发明实施例至少包括以下有益效果：本发明提供一种无人机电池健康管理预测方法与系统,该方案通过多源数据采集与传输模块的传感器网络实时采集电池状态数据，通过小波变换和归一化处理，构建用于模型训练的训练集、验证集和测试集；对采集到的电池状态数据进行异常检测，通过isolation forest算法来识别异常数据点；使用gan检测数据中的潜在异常并生成虚拟数据增强训练集，生成器生成与真实数据分布相似的样本，判别器区分生成数据与真实数据；通过lstm模型处理增强训练集，预测未来的电池健康指标；结合模糊逻辑和决策树对电池进行综合健康状态评估，根据综合健康评分将电池状态分级，生成维护建议和健康报告；通过前端框架和后端数据接口实现数据的实时可视化，提供时间序列图、健康评分趋势和异常检测结果的可视化展示，并根据用户指令设定报警阈值和通知方式。本发明的准确性高，能够准确通过数据直接得出电池的健康状态，以及其剩余的寿命。