机构名称：
¥ 1.0
锂离子电池（LIB）的健康评估通常依赖于持续的充电/放电协议，通常会忽略涉及电动汽车中普遍存在的动态电流轮廓的情况。LIB的常规健康指标也取决于测量数据的均匀性，从而限制了它们对不均匀条件的适应性。在这项研究中，提出了一种基于自我监督学习范式估算LIB健康的新型培训策略。一种多解决分析技术，即经验小波变换，用于分解频域中的非平稳电压信号。这允许去除健康评估模型的无效组件。变压器神经网络用作模型主链，损失函数旨在描述容量降解行为，假设在大多数操作条件下LIBS中的降解是不可避免且不可逆转的。结果表明，该模型可以通过分析从同一LIB单元的各个时间间隔分析电压和电流曲线的序列来学习老化特征。所提出的方法成功地应用于斯坦福大学LIB老化数据集，该数据集源自电动汽车实际驾驶配置文件。值得注意的是，这种方法在评估的健康指数和实际容量降解之间达到了平均相关系数为0.9，这表明其在捕获LIB健康降解方面的功效。这项研究强调了使用未标记的LIB数据训练深神经网络的可行性，提供了具有成本效益的手段并释放了测量信息的潜力。
锂离子的自我监督学习...
主要关键词
相关文件推荐
