[发明专利]一种相似产品剩余寿命预测方法及系统

权利要求书

1.一种相似产品寿命预测方法，其特征在于，包括：

对待预测相似产品进行短期循环寿命测试，获得短期测试样本数据；

处理短期测试样本数据得到目标样本数据，并对与待预测相似产品配方不同的其他相似产品的全寿测试容量数据库中的数据进行处理，得到多个训练测试数据；

在每个训练测试数据中截取与目标样本数据同样长度的数据进行可迁移样本挖掘，以便从多个训练测试数据中挖掘出作为待预测相似产品的若干可迁移样本数据；

通过将所述的若干可迁移样本数据作为训练输入数据，所述目标样本数据作为训练输出数据，训练前向结构的神经网络，获得相似产品测试数据迁移与剩余寿命预测的神经网络模型；

应用训练测试数据中剩余长度的数据在神经网络模型进行跨配方电池的剩余寿命预测，获得待预测的不同配方相似产品的剩余寿命预测结果，其中所述训练测试数据中剩余长度的数据为根据目标样本数据的充放电循环数在预测训练测试数据中进行截取后，所剩余的数据。

2.如权利要求1所述的方法，其特征在于，所述短期循环寿命测试是指在对相似产品进行循环寿命测试时，在试验早期即停止在一个预先设定的测试停止阈值；

其中，所述测试停止阈值为小于全寿测试停止阈值。

3.如权利要求1所述的方法，其特征在于，所述对获得的短期测试样本数据以及其他配方电池的全寿测试容量数据库中的数据进行处理包括：

剔除短期测试样本数据和全寿测试容量数据库中不稳定的起始数据和未体现退化趋势的数据；

对剔除后的短期测试样本数据和全寿测试容量数据库中的数据进行平滑处理，得到目标样本数据和预测训练测试数据。

4.如权利要求3所述的方法，其特征在于，所述平滑处理采用局部加权回归法。

5.如权利要求1所述的方法，其特征在于，所述可迁移样本挖掘是多维评估训练测试数据与目标样本数据的相似度，并对评估的相似度结果进行可迁移度计算，将可迁移度较高的训练测试数据作为可迁移样本数据。

6.如权利要求5所述的方法，其特征在于，所述多维评估训练测试数据与目标样本数据的相似度包括：

每个训练测试数据和目标样本数据之间的切比雪夫距离的维度评估；

每个训练测试数据和目标样本数据之间的差值均值的维度评估；

每个训练测试数据和目标样本数据之间差值末点变化率的维度评估。

7.如权利要求1-6任一项所述的方法，其特征在于，所述相似产品是锂电池。

8.一种相似产品寿命预测系统，其特征在于，包括：数据单元、数据处理单元、数据挖掘单元、模型训练单元以及寿命预测单元，其中：

数据单元，用于采集并存储待预测的不同配方的相似产品的短期循环寿命数据；

数据处理单元，用于处理短期测试样本数据得到目标样本数据，并对与待预测相似产品配方不同的其他相似产品的全寿测试容量数据库中的数据进行处理，得到多个训练测试数据；

数据挖掘单元，用于在每个训练测试数据中截取与目标样本数据同样长度的数据进行可迁移样本挖掘，以便从多个训练测试数据中挖掘出作为待预测相似产品的若干可迁移样本数据；

模型训练单元，用于通过将所述的若干可迁移样本数据作为训练输入数据，所述目标样本数据作为训练输出数据，训练神经网络，获得相似产品测试数据迁移与剩余寿命预测的神经网络模型；

寿命预测单元，用于应用训练测试数据中剩余长度的数据在神经网络模型进行跨配方电池的剩余寿命预测，获得待预测的不同配方相似产品的剩余寿命预测结果，其中所述训练测试数据中剩余长度的数据为根据目标样本数据的充放电循环数在预测训练测试数据中进行截取后，所剩余的数据。