动力电池剩余寿命预测
锂离子动力电池的内部机理十分复杂，导致其性能衰退的原因众多，而且多种因素相互耦合，最终形成了极具挑战性的工程问题。动力电池的性能衰退问题贯穿于使用和维护的全过程，随着动力电池充放电循环次数的增加，动力电池内部往往会发生一些不可逆转的化学反应，导致内阻增大，最大可用容量、能量以及峰值功率能力衰减，从而大大地削减了电动汽车的续驶里程，甚至带来了一些安全隐患。可靠的RUL预测可以充分解决用户对剩余续驶里程不明的焦虑以及对安全问题的担忧，保障动力电池组安全高效运行，还能在很大程度上确保电动汽车在运行过程中的安全性和可靠性，降低故障率和运行成本，提升用户体验，避免事故发生。因此，动力电池RUL预测是动力电池管理的核心内容之一。本章首先将介绍动力电池RUL 预测的相关概念，再对当前主流的RUL预测方法进行总结与分类，最后从原理和实践层面详细介绍两种具有代表性的动力电池RUL预测方法，指导动力电池系统RUL的精确预测。
6.1 剩余寿命预测的概述
6.1.1 问题描述
动力电池的RUL是指在一定的充放电制度下，动力电池的最大可用容量衰减退化到某一规定的失效阈值所需要经历的循环周期数量。RUL预测是一个基于动力电池历史数据运用一定的数学手段对其残值寿命进行预测计算的过程。随着动力电池在各领域上的广泛应用，动力电池RUL预测技术得到了广泛的关注和研究。
目前，数据驱动是动力电池RUL预测的主要手段，其核心在于对容量衰减轨迹和历史数据的挖掘、提炼和推广。应用数据驱动的手段进行动力电池的RUL预测，首先需要获取动力电池老化实验的容量数据或容量衰减轨迹，从中挖掘和提炼动力电池寿命衰减的内在规律，进而对容量数据进行推广和延伸，最终实现动力电池未来寿命轨迹的预测。一般来说，基于数据驱动的动力电池RUL预测方法具有过程简单、计算量少且无须考虑动力电池复杂机理等优势，能够有效减轻BMS的运行负担，适用于实车的运行环境。
6.1.2 方法分类
根据预测思路的不同，基于数据驱动的动力电池RUL 预测方法又可细分为三大类型：经验预测法、滤波预测法和时序预测法，见表6-1。下面分别对每一类预测方法进行详细介绍。
表6-1 动力电池RUL预测方法的分类
1.经验预测法
该方法认为动力电池的容量衰减轨迹遵循某种固有的数学关系。因此，只需找出能够合理描述动力电池老化规律的数学模型，即可解决动力电池的RUL预测问题。从数据拟合的思想出发，构造以循环次数为输入、最大可用容量为输出的数学表达式有助于描述动力电池的老化规律。为了获取合理的数学模型，通常需要试探性地采用不同结构的数学表达式对动力电池的容量衰减轨迹进行反复的拟合，选择拟合效果最佳的数学表达式作为动力电池的寿命经验模型。常用作动力电池寿命经验模型的数学表达形
式见表6-2。其中，n表示动力电池的循环次数，C0表示动力电池的出厂容量。
表6-2 常用作动力电池寿命经验模型的数学表达形式
采用经验预测法的动力电池RUL预测流程如图6-1所示。
图6-1 采用经验预测法的动力电池RUL预测流程（见彩插）当RUL预测程序启动时，BMS开始提取储存器中的动力电池历史容量数据。为了采用合理的寿命经验模型，通
常需要对同一型号的动力电池进行离线老化实验，并根据实验结果将合适的寿命经验模型存入BMS。值得注意的是，动力电池在不同的充放电制度或不同的老化阶段下可能适用不同的数学模型，因此往往需要录入多个寿命经验模型。为了捕捉动力电池的寿命衰减轨迹，BMS会根据实际情况调用相应的寿命经验模型并对历史容量数据进行
拟合逼近，获得寿命经验模型的参数。数据拟合样本可以采用全部的历史容量数据或部分的历史容量数据。在完成数据拟合后，将规定的容量失效阈值代入寿命经验模型，即可完成动力电池RUL的求解。需要说明的是，寿命经验模型不仅可以求解动力电池的RUL，还可对未来的寿命轨迹进行预测。一般来说，经验预测法的优点是过程简单，计算量少，但由于数据拟合对样本数据的波动敏感，其预测结果也容易发散。
2.滤波预测法
该方法是目前最为常用的一种动力电池RUL预测方法。从状态估计的思想出发，可通过观测数据实时地对寿命经验模型进行更新校正，有效解决了经验预测法中单纯的数
据拟合所引起的预测不稳定问题。因此，这类方法同样需要寿命经验模型，并可看作是经验预测法的改进方法。
采用滤波预测法的动力电池RUL预测流程如图6-2所示。
当RUL预测程序启动时，BMS需要提取储存器中的动力电池历史容量数据。与经验预测法不同的是，该方法在调出合理的寿命经验模型后，并不是直接进行数据拟合，而是根据模型建立相应的状态空间方程，以便滤波算法的后续运行。以表6-2中的双指数模型为例，相应的状态方程为
式中，x n为状态向量；w b1～w b4为均值为0的噪声；σb1～σb4为参数噪声的方差。相应的观测方程为
式中，νn为均值为0的观测噪声；σv为观测噪声的方差。在完成状态空间方程的建立后，BMS基于历史容量数
据利用滤波算法对状态向量进行更新校正，从而获得寿命经验模型的参数。
图6-2 采用滤波预测法的动力电池RUL预测流程（见彩插）
在完成参数的更新和校正后，将规定的容量失效阈值代入寿命经验模型，即可完成动力电池RUL的求解。一般来说，该方法大大改善了寿命经验模型的外推收敛性能，提高了RUL预测精度，但算法性能过于依赖寿命经验模型的精度。常用于预测动力电池RUL的滤波方法有卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波、粒子滤波、无迹粒子滤波以及球形容积粒子滤波等。
3.时序预测法
与上述两类方法不同，该方法不依赖于寿命经验模型，而是从时间序列预测的角度出发，将动力电池的RUL预测视为时间序列预测问题，具体的数学表达式为
式中，函数f(·)为时间序列模型。
时间序列模型通常用于处理未来数值的预测问题，其核心思想承认事物在时间轴上的延续性，可运用过去时间序列的发展规律定量推测未来的发展趋势。对动力电池而言，老化引起的容量衰减轨迹本质上是一个长期的时间序列，RUL的预测相当于对时间序列的拓展和延伸，因此可以应用时间序列模型来处理RUL的预测问题。
从式（6-3）可见，基于时间序列模型f（·），可利用n-m次到n次循环之间的历史容量观测序列预测第n+1次循环后的动力电池容量。这说明递推使用式（6-3）即可依次预测任意次循环后的动力电池容量值。因此，获得合理的时间序列模型是该方法的关键。目前，常用作RUL 预测的序列模型有灰色预测、自回归移动平均法、神经网络、支持向量机以及相关向量机等。
采用时序预测法的动力电池RUL预测流程如图6-3所示。
当RUL预测程序启动时，BMS需要提取储存器中的动力电池历史容量数据。随后，BMS将开始构建时序模型，具体包括两个步骤：根据历史容量数据构建时序模型的输入和输出样本，并初始化时序模型的基本架构及其具体参数；然后，基于输入和输出样本对时序模型进行训练和学习。在完成模型构建后，BMS将基于时序模型预测未来一次循环后的动力电池容量值。因为该步骤只执行了一步向前预测，所以又称为单步向前预测。在完成一次单步向前预测后，BMS需要对预测结果进行判断：若预测结果小于规定的容量失效阈值，则终止预测，统计单步向前预测的
次数并以此作为RUL值输出；否则，算法继续执行单步向前预测。
由上述步骤可见，时序预测法并不需要考虑寿命经验模型选取的合理性问题，只需根据BMS储存器中的历史容量数据即可完成动力电池的RUL预测。
图6-3 时序预测法的动力电池RUL预测流程图（见彩插）6.1.3 概率分布
任何预测方法都会存在一定的误差。RUL预测中的模型误差来源于数学建模与实际问题之间的偏离，由预测方法的本身和预测问题的本质所致，往往难以避免和估计。而在完成预测方法的数学建模后，动力电池数据对模型的作用也同样会给系统带来一定的误差，通常为测量误差或截断误差。这些误差所带来的不确定性将伴随着预测算法的推进而扩散，并最终作用在算法的RUL预测结果当中。因此，尽可能描述动力电池RUL预测结果的不确定性具有十分重要的意义。
动力电池RUL预测的概率分布是指在既定的预测方法下动力电池RUL预测结果的不确定性分布规律，通常用RUL的概率密度函数来描述。一般来说，动力电池RUL 的概率密度函数比RUL本身更具有工程价值。因为动力电池RUL的概率密度函数不仅可以计算RUL预测的置信度，还可以获知RUL预测的分布规律和置信区间，为电动汽车动力电池的检修、维护以及回收利用提供极大的帮助。
蒙特卡洛(Monte Carlo，MC)方法常用于结合不同的预测方法计算动力电池RUL的概率密度函数。该方法的核心思想是以概率为基础，通过重复随机试验的方式来计算
复杂过程的数值结果。下面详细介绍应用MC方法计算动力电池RUL概率密度函数的基本步骤：
①确定动力电池RUL预测方法的主要不确定性来源。一般来说，计算动力电池RUL的概率密度函数需要抓住不确定性的主要产生环节。表6-3列出了经验预测法、滤波预测法和时序预测法的主要不确定性产生环节。
表6-3 不确定性产生环节
②确定主要不确定性的分布规律。对于经验预测法，不确定性的分布规律可由寿命经验模型拟合过程中的参数均值和方差确定。滤波预测法的初始状态向量通常由寿命经验模型对历史容量数据的拟合确定。因此，其不确定性分布规律的确定方法与经验预测法相同。对于时序预测法，不确定性的分布规律可由预测起点附近的历史容量分布规律确定。
③MC模拟。首先基于主要不确定性的分布规律随机生成若干个样本。上述三种方法所生成的样本类型分别为寿命经验模型参数样本、初始状态向量样本和时序模型的初
始输入向量样本。在完成样本的随机生成后，根据所选预测方法分别基于每一组样本进行模拟预测，最终获得若干个RUL模拟预测结果。
④计算RUL预测的概率密度函数。基于上一步骤的所有模拟预测结果，RUL预测的概率密度函数可根据下式计算：
式中，为RUL预测的概率密度函数；K p（·）为高斯核函数；h p为带宽；
的计算公式为
式中，U c和L c分别为MC模拟结果的上下界；c m a x,i 为第i个RUL模拟预测结果。
锂纽扣电池可靠性预测和应用寿命估算 工业设备尤其是便携式设备均离不开嵌入的锂纽扣电池--系统的“源动力”。据此，锂纽扣电池的制造厂商及产品又是层出无穷、品种繁多，从而导致使许多最终用户在对其锂纽扣电池的使用寿命和选用上不是茫茫然就是束手无策。为此，如何解决这致关系统可靠安全的重要问题及如何寻找出新方案、新产品等新途径就成为其重中之重。目前国际上有不少著名制造厂商, 能提供有备用锂纽扣电池的非易失存储器(NVM—Non volatile MEMORY)或实时时钟（RTC）的应用产品，以确保当系统(微控制器、嵌入式等系统)掉电时保存数据或信息。这些产品的典型规格是在没有系统电源的条件下提供10年的使用寿命。因为最终应用是不确定的，所以对使用寿命的预测还是比较保守的。最终用户针对锂纽扣电池的具体应用, 应评估（电池结构／特征、电池测试／筛选、容量等）或预期出使用寿命，特别是对那些工作环境超出了典型范围或所需应用时间超过10年的用户来说。必须了解这电池可靠性模型，这将有助于用户单独选购电池控制器, 从而又将电池控制器与电池组装在一起构成性能价格比较高的锂纽扣电池，也就解决了不必购买包含电池控制器和电池在内的高成本模块问题。本文论述了备用锂纽扣电池应用寿命估算及寿命对IC集成电路（指SRAM--静态随机存取存储器或RTC）影响的有关问题。这儿指IC均属于是由系统电源供电或锂备用电池供电。为此，首先要说明为何选用备用电池?为何选用备用电池众所周知,系统断电时，有多种保存数据的方案，当对读写速度或周期数要求比较严格时，有备用电池的SRAM是一种较为可靠的替代方案。闪存或EEPROM同样提供NV(非易失)数据存储，但在简易性和速度指标上存在不足。而有备用电池的SRAM, 其主要缺陷是电池是一个消耗品，产品选择必须慎重考虑电池容量并确定其产品最终的使用寿命。对于没有系统电源供电同时要保持信息或计时功能，并需要提供一定的电能才能维持晶振工作，则用电池提供电流是非常适合的.IC集成电路所需电流如果IC(SRAM或RTC)将由电池供电，则需要在IC工作时的电流、使用寿命与电池容量之间加以匹配。购买电池和IC时，其数据手册将提供与IC负载相对应的有关估算电池寿命的信息，如果购买集IC和电池于一体的模块，则最终用户应依靠模块厂商对模块产品的适当筛选来保证系统使用寿命的要求。半导体制造厂商为其所有电池供电产品制订了测试条件，以保证在电池容量的允许范围内为最终器件提供10年的使用时间。而Dallas Semiconductor公司对这种应用的IC进行优化设计并利用先进的处理工艺满足低电流的需求。对于其它供货商提供的高密度SRAM需作特殊的筛选才能满足模块使用寿命的要求。图1来自于由锂纽扣电池供货商-松下公司提供的电池容量报告，图中四条线代表最常用的电池尺寸(BRl225、BRl632、BR2330和BR3032)。电池供应商提供的额定电池容量(单位为mAH-毫安时)与电池尺寸相对应。电池结构／特征在其需要有备用电池的模块内选用一次性锂钮扣电池,这些电池的额定电压为3V,对系统典型工作电压为2.7V来说，则该锂钮扣电池作为备用电源非常合适。电池电压在放电状态下保持稳定平坦(见图2所示)，电池放电接近终止时仍能提供与新电池几乎相同的电压。平坦的放电曲线对于备用电池而言是极为理想的特性，但它为估算电池的剩余电量增添了难度。一次性锂钮扣电池具有较好的可预测性，它的开路电压或内部阻抗等关键参数的离散性极小，极小的离散性使电池厂商筛选电池时很容易设置电池检测的条件，从而便于剔除有缺陷的电池，同时也有助于电池用户鉴别有故障的IC/电池系统。例如，电池电压离散性或电压与电池负载的对应关系是已知的，则电池加载后的电池电压可用以指示其电池的负载情况。如果电池负载与IC所需要的电流一致，则负载电压的离散性极小。根据从外部测得的负载电压可以检测异常IC或电池，从而排除潜在的可靠性风险。电池测试／筛选电池制造商经过100%的测试使产品性能极其一致，但是，任何用户为其系统选用电池时还需对电池作进一步测试，以确保最终产品选用工作正常的电池。经过适当的筛选可以检测出三种类型的缺陷:首先是那些被电池制造商的测试系统所遗漏的电池，这类电池最易检测;第二类缺陷是低水平的内部泄漏，这些电池可能经过一段时间后才能显现出它的内部故障，对于这类电池的检测不仅要了解其合适的测试电平，还要预先了解其测试结果的离散性;第三类缺陷是电池用户在处理或系统制造过程中产生的,由于电池容量是有限的,如果有意想不
A Simple State-Based Prognostic Model for Predicting Remaining Useful Life of IGBT Power Module Alireza Alghassi1, Suresh Perinpanayagam2, Ian K Jennions3 IVHM CENTER, CRANFIELD UNIVERSITY IVHM center, Cranfield University Conway House, Medway Court, University Way, Cranfield Technology Park,MK43 0FQ e Milton Keynes, UK Tel.: +44 (0)1234 75111 EXT 2870 Fax: +44 (0)1234 758331 E-Mail: a.alghassi@https://www.doczj.com/doc/222920499.html, URL: https://www.doczj.com/doc/222920499.html,/ivhm/ Keywords ?IGBT?, ?Reliability?, ?Prognosis?, ?SSBP? Abstract Health management and reliability are fundamental aspects of the design and development cycle of power electronic products. This paper presents the prognostic evaluation of a power electronic IGBT module. To achieve this aim, a simple state-based prognostic (SSBP) method has been introduced and applied on the data which was extracted from an aged power electronic IGBT and its remaining useful life was determined. Introduction The trend toward More Electric Aircraft (MEA) and Electric Vehicle Systems are fostering increasing requirements for higher performance power electronic systems. More Electric Vehicles propose to use more electrical power to drive vehicle subsystems such as Traction Motors/Inverters, Auxiliary Motors/Inverters, Energy Storage, etc. Power electronic converters have recently generated great interest among researchers and industrialists working in this area[1]. On the other hand, the inherent advantages of Insulated Gate Bipolar Transistor (IGBT) provide lower on-state resistance, higher breakdown voltage and thermal conductivity, and closer thermal expansion coefficients with better mechanical characteristics resulting in it as the main power electronic switch that is employed in power converters [2]. Since IGBT power semiconductors is one of the most costly components in power electronic converters, it is beneficial to investigate the long-term reliability and the sizing of the semiconductors used in power converters. On the other hand, it is important to use a reliability assessment method that can take into account the actual operational and environmental conditions. So by employing a prognostic and health management system which assesses and predicts the reliability of a product in its actual application environment and in real time, it is possible to determine the reliability and the end-of-life period of power converters [3]. Therefore, it can be stated that the aim of this work is to estimate the life consumption of a power converter which is employed in electric aircraft applications. Firstly, reliability prediction methods are investigated. Secondly, the simple state-based prognostic method is presented and then, the results of predicting remaining useful life of the power electronic IGBT is indicated.
动力电池剩余寿命预测 锂离子动力电池的内部机理十分复杂，导致其性能衰退的原因众多，而且多种因素相互耦合，最终形成了极具挑战性的工程问题。动力电池的性能衰退问题贯穿于使用和维护的全过程，随着动力电池充放电循环次数的增加，动力电池内部往往会发生一些不可逆转的化学反应，导致内阻增大，最大可用容量、能量以及峰值功率能力衰减，从而大大地削减了电动汽车的续驶里程，甚至带来了一些安全隐患。可靠的RUL预测可以充分解决用户对剩余续驶里程不明的焦虑以及对安全问题的担忧，保障动力电池组安全高效运行，还能在很大程度上确保电动汽车在运行过程中的安全性和可靠性，降低故障率和运行成本，提升用户体验，避免事故发生。因此，动力电池RUL预测是动力电池管理的核心内容之一。本章首先将介绍动力电池RUL 预测的相关概念，再对当前主流的RUL预测方法进行总结与分类，最后从原理和实践层面详细介绍两种具有代表性的动力电池RUL预测方法，指导动力电池系统RUL的精确预测。
6.1 剩余寿命预测的概述 6.1.1 问题描述 动力电池的RUL是指在一定的充放电制度下，动力电池的最大可用容量衰减退化到某一规定的失效阈值所需要经历的循环周期数量。RUL预测是一个基于动力电池历史数据运用一定的数学手段对其残值寿命进行预测计算的过程。随着动力电池在各领域上的广泛应用，动力电池RUL预测技术得到了广泛的关注和研究。 目前，数据驱动是动力电池RUL预测的主要手段，其核心在于对容量衰减轨迹和历史数据的挖掘、提炼和推广。应用数据驱动的手段进行动力电池的RUL预测，首先需要获取动力电池老化实验的容量数据或容量衰减轨迹，从中挖掘和提炼动力电池寿命衰减的内在规律，进而对容量数据进行推广和延伸，最终实现动力电池未来寿命轨迹的预测。一般来说，基于数据驱动的动力电池RUL预测方法具有过程简单、计算量少且无须考虑动力电池复杂机理等优势，能够有效减轻BMS的运行负担，适用于实车的运行环境。 6.1.2 方法分类
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910341857.2 (22)申请日 2019.04.26 (71)申请人 华中科技大学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 袁烨 马贵君 程骋 张永 周倍同 (74)专利代理机构 华中科技大学专利中心 42201 代理人 曹葆青 李智 (51)Int.Cl. G06Q 10/04(2012.01) G01R 31/367(2019.01) G01R 31/392(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称一种锂电池剩余寿命预测方法(57)摘要本发明公开了一种锂电池剩余寿命预测方法，包括：采集锂电池多个充放电循环的电容量，并进行归一化；对归一化后的多个电容量进行窗口划分，得到训练数据集；将所述训练数据集输入包括卷积神经网络和长短记忆循环神经网络的退化状态模型进行训练；将所述训练数据集最后一个窗口数据输入到训练好的退化状态模型中进行滑动预测，直至预测的电容量达到容量退化阈值点；根据预测的容量值对应的滑动循环次数预测待测锂电池的剩余寿命。本发明融合卷积神经网络的特征提取能力和长短记忆循环神经网络的时间序列预测能力，有效的对锂电池的退化特征进行提取和预测，提高了预测精度。且使用假最邻近法自动对退化指标进行窗口大小的确定， 提高了计算效率。权利要求书2页 说明书8页 附图3页CN 110188920 A 2019.08.30 C N 110188920 A
管道腐蚀剩余寿命预测 埋地管道长年埋置地下，不可避免地遭受腐蚀。特别是随着埋地管道服役时间的增加，管道腐蚀情况越来越严重，给管道使用单位的安全生产和经济效益带来严重的影响。开展埋地管道腐蚀的剩余寿命预测评估，对提高埋地管道事故隐患区段的预测能力，实施管道运行完整性管理具有十分重要的意义。 埋地管道因遭受内在和外在因素的破坏，使其设计寿命严重地受到威胁。其中内在因素如管道本身的擦痕、划痕、压痕等机械损伤，管道制造和施工过程中的质量问题；外在因素如地下管道受到腐蚀、人为破坏、管道运行管理不善等。目前，我国埋地管道面临着管道老化、变质等问题，管道使用寿命和剩余使用寿命问题越来越受到重视。 管道的设计寿命一般为33年，为保持管道预期设计寿命，管道使用单位都制定了严格的管道定期检测和日常维护计划，同时十分重视管道的管理、检查和维护工作，有些国家则把管道线路的腐蚀和泄漏检测纳入SCADA系统。 在役埋地管道的剩余寿命预测实际上是一个涵盖管道在线检测、安全状况评价、剩余寿命预测的一个系统工程。 与设计寿命密切相关的是埋地管道的诊断问题。所谓管道腐蚀剩余寿命的基本概念是管道个别地段的剩余使用寿命。对个别管道的持续运行寿命进行诊断，不仅可预防未来可能发生的故障，而且会对管道运行制度和预检修措施进行正确的规划。在很多情况下，还可使这段管道在降低负荷的条件下继续利用其有效期。为此，应将整个埋地管道线路划分成各自不同的典型地段（如按规则规定划分为四种地段），在此基础上进行危险区段的剩余寿命预测。 对管道内、外部结构进行早期诊断，可预测管道剩余使用寿命。埋地管道失效多数情况下是由管体外部腐蚀造成的，其主要机理是土壤的电化学腐蚀。根据管道失效的特点可将腐蚀缺陷分为均匀腐蚀、局部腐蚀和点腐蚀三大类，但因腐蚀影响因素具有极大不确定性，以及缺陷的发生和发展的不确定性（特别是对点蚀），需要从概率统计的角度出发对整条管线或整个管段的剩余寿命进行统计分析，找出其统计规律。 管道本体存在的裂纹也是影响管道使用寿命的重要因素，裂纹的扩展速度会严重影响管道的剩余寿命。所以管道剩余寿命预测中还包括低周疲劳裂纹扩展寿命评估方法，主要是规定当裂纹尺寸达到某一给定长度时的疲劳周次为疲劳裂纹的萌生寿命。但由于裂纹萌生过程中存在很大的随机性，即使同一材料在其相邻区域上截取不同的试样，同一裂纹长度指标对应的循环周期可能处于裂纹扩展的不同阶段。所以也需要利用恰当的物理模型与统计方法确定一种可靠的裂纹尺寸与寿命的关系。 研究表明，金属的老化效应和管道表面的腐蚀损伤会导致管材脆变，从而改变材料的塑
成都电子科技大学UNIVERSITY OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA 专业学位硕士学位论文MASTER THESIS FOR PROFESSIONAL DEGREE 论文题目电子系统可靠性与剩余寿命的实时预测算法 设计与实现 专业学位类别工程硕士 学号201122070115 作者姓名宋辰亮 指导教师刘震副教授
分类号密级 UDC注1 学位论文电子系统可靠性与剩余寿命的实时预测 算法设计与实现 （题名和副题名） 宋辰亮 （作者姓名） 注1
THE ALGORITHM’S DESIGN AND IMPLEMENTATION OF RELIABILITY AND REMAINING LIFE REAL-TIME PREDICTION FOR ELECTRONIC SYSTEMS A Master Thesis Submitted to University of Electronic Science and Technology of China Major: Instrumentation Engineering Author: Song Chen-liang Advisor: Associate Professor Liu Zhen School:School of Automation Engineering
独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 作者签名：日期：年月日 论文使用授权 本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 （保密的学位论文在解密后应遵守此规定） 作者签名：导师签名： 日期：年月日
锂电池梯次利用 集团文件版本号：（M928-T898-M248-WU2669-I2896-DQ586-M1988）
背景 近年来，受益于政策、补贴，我国新能源汽车呈现快速增长，进而导致动力锂电池的需求量和报废量不断增长。统计数据显示，2015年中国锂电池总产量47.13Gwh，其中，动力电池产量16.9Gwh，占比36.07%；消费锂电池产量23.69Gwh，占比50.26%；储能锂电池产量1.73Gwh，占比3.67%。《报告》测算，到2020年动力锂电池的需求量将达到 125Gwh，报废量将达32.2Gwh，约50万吨；到2023年，报废量将达到101Gwh，约116万吨。 当前，电池金属材料资源的供需不平衡正逐渐显现。随着新能源车下游需求逐步明确，国内动力电池厂商2016-2017年纷纷扩大产能，尤其是三元电池的扩张，进一步提升了对钴的需求因此从废旧电池中回收再利用钴也越来越具有经济性。对企业而言，动力电池回收蕴藏着巨大的商机，经过回收处理，可以为电池生产商节约原材料成本。此外，动力电池回收还与政府建设低碳经济和环境友好型社会密切相关。 电动汽车的动力电池性能会随着充电次数的增加而衰减，当电池容量衰减至额定容量的80%以下时，动力电池就不适于应用在电动汽车上，这意味着其在电动汽车上的使用寿命终止。如果直接将电池淘汰，必将造成资源的严重浪费，同时也会导致环境污染。 国标GB/T34013-2017《电动汽车用动力蓄电池产品规格尺寸》明确规定了电动汽车用动力蓄电池的单体、模块和标准箱尺寸规格要求。这一标准可有效解决此前存在于动力电池梯次利用中，动力电池由于尺寸不一难以匹配储能电站或家用储能设备结构的难题，也降低了动力电池的梯次回收利用的门槛。 国标GB/T34014-2017《汽车动力蓄电池编码规则》规定了动力电池编码基本原则、编码对象、代码结构和数据载体。该标准发布，可在动力电池生产管理、维护和溯源、电动汽车关键参数监控，特别是在动力电池回收利用环节，凭借可追溯性和唯一性，更加准确地确定动力电池回收的责任主体。 国标GB/T34015-2017《车用动力电池回收利用余能检测》。则规范了动力电池外观检查、极性检测、电压判别、充放电电流判别、余能测试等检测流程，为车用动力电池的余能检测提供评价依据，有助于提高废旧动力蓄电池余能检测的安全性和科学性。 随着新能源汽车保有量的增长，动力锂电池的梯次利用和回收成为一个必须面对的问题。在动力锂电池梯次利用和回收尚未发展成熟的情况下，运营模式就显得尤为重要，这关乎成本和盈利等企业切身利益。目前国内已有企业在动力锂电池的梯次利用和回收方面展开布局，运营模式也各有不同。 动力电池梯次利用的意义在于从电池原材料—电池—电池系统—汽车应用—二次利用—资源回收—电池原材料的电池全生命周期使用角度考虑，可以降低电池成本，避免环境污染。