空间锂离子电池退化状态识别和剩余寿命预测方法研究

This research mainly focuses on the cycle life prediction and in-orbit battery management system (BMS) for the lithium-ion batteries in aerospace applications. The degradation identification methods, optimization of the physical degradation model, fusion of the physical degradation model and data-driven algorithm, and BMS development based on the Reconfigurable Computing (RC) with FPGA are involved. Firstly, the approaches to realize degradation feature parameters identification, feature selection and feature extraction will be studied to obtain the degradation feature parameters with the monitoring parameters. Then, the influences and mathematical modeling will be considered for the "accelerated" degradation effect, capacity regeneration phenomenon and depth-of-discharge in the degradation process.The optimization of the physical degradation model will be realized with the modeling factors for the lithium-ion batteries. Moreover, the on-line sparse Bayesian algorithm will be proposed to achieve on-line prediction with in-orbit monitoring data. Thus, the fusion of the optimized physical degradation model and data-driven sparse Bayesian learning algorithm will be achieved by combining the sparse Bayesian learning algorithm as the measure equation of the statistical filter method. Finally, for the limited computing resource in aerospace embedded platform, the hardware architecture, framework, computing units will be implemented with the reconfigurable computing (RC) technology based on the FPGA. Furthermore, with the constructed in-orbit BMS and ground experiments life estimation system, we can evaluate the algorithms and their application. This work will contain two main aspects: prediction algorithms and computing platform, as the innovative research topics for the aerospace lithium-ion batteries life prediction and management. Furthermore, this work will bring great improvement and reference for the space applications of lithium-ion batteries in both the theory approaches and system platform.

针对空间锂离子电池寿命预测和在轨管理问题，开展退化状态识别、物理退化模型优化及与数据驱动方法融合的寿命预测方法、基于FPGA可重构计算的电池管理系统等研究。首先，研究锂离子电池退化特征参数构建、特征参数选择和特征提取，实现基于电池状态监测参数的退化特征识别；然后，研究加速退化效应、容量再生效应和浅度放电的影响因素及建模，实现物理退化模型优化，并研究基于稀疏贝叶斯学习的在线数据驱动预测算法，再基于统计滤波方法实现物理模型与数据驱动方法的预测融合；最后，面向空间在轨应用，研究基于FPGA可重构计算的在线数据驱动方法的计算模式问题，解决硬件计算结构、计算体系和计算单元等问题。构建面向空间在轨的电池管理系统平台和地面试验寿命评估系统平台，实现方法验证和应用评估。课题将在计算方法、计算模式两个方面开展空间锂离子电池寿命预测的创新性研究，为锂离子电池未来的空间应用提供理论方法支撑和系统平台参考。

锂离子电池因其比能量高、循环寿命长、安全性好等优势，已经成为替代镍氢、镍镉电池的第三代空间储能电池。随着我国航天器大幅增加，航天器系统将向在轨自主运行管理过渡，作为航天器系统安全可靠运行的基础，锂离子电池的在轨状态监测、性能预计和系统管理，已经成为航天领域的研究热点和挑战问题。.针对空间锂离子电池寿命预测和在轨管理问题，本项目在空间锂离子电池退化特征识别、剩余寿命（Remaining Useful Life，RUL）预测、RUL预测方法性能评估体系以及基于FPGA可重构计算的RUL预测计算模式四个方面开展深入的理论和应用研究，构建了空间可重构BMS平台以及地面可靠性寿命评估平台。首先，分析空间锂离子电池的性能退化状态，研究锂离子电池退化特征参数构建、特征参数评价及特征增强方法，实现基于电池状态监测参数的退化特征识别；第二，研究基于物理失效模型、概率等效融合模型、神经网络模型以及稀疏贝叶斯学习模型的锂离子电池RUL预测方法，构建了完备的空间锂离子电池剩余寿命预测体系，实现了锂离子电池RUL预测及结果的不确定性表征及管理；第三，针对基于不同原理的RUL预测方法，项目组对RUL预测方法性能评估体系开展研究，提出了一套完备的锂离子电池RUL预测算法的性能评估指标；第四，面向空间在轨应用中计算资源有限的问题，项目组采用FPGA可重构计算方法，提出了基于RVM的锂离子电池RUL预测算法的嵌入式计算结构及计算模式，解决了硬件计算结构、计算体系和计算单元等问题。最后，针对以上研究成果，项目组构建了面向空间在轨的电池管理系统平台和地面试验寿命评估平台，实现了方法验证和应用评估。.依托本课题研究，项目组在空间锂离子电池寿命预测和在轨管理问题中的计算方法、计算模式两个方面取得了突破性研究进展，构建了完备的锂离子电池退化特征提取、寿命预测及方法评价体系，创新性的将可重构计算技术与RUL预测方法融合，构建了天地一体的锂离子电池健康管理平台，为锂离子电池未来的空间应用提供理论方法支撑和系统平台参考。