[发明专利]一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法

说明书

技术领域

本发明属于航天Ni-Cd蓄电池寿命预测技术领域，特别是一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法。 

背景技术

寿命预测技术涉及到的范围和领域极其广泛，从原材料的疲劳寿命到复杂成型产品寿命，从民用领域到国防领域都需要寿命预测技术。目前，针对航天Ni-Cd蓄电池的主要寿命预测技术可归纳如下： 

a，基于物理模型的寿命预测：该方法对Ni-Cd蓄电池内部的物化过程进行分析，从而建立反映对象演变过程的物理模型，通过相关数据对模型参数进行调整，最后得到需要的寿命预测模型； 

b，基于统计模型假设的寿命预测：此类方法首先假设Ni-Cd蓄电池寿命服从某种统计分布，并利用大量已有的寿命数据确定该模型的参数，从而建立Ni-Cd蓄电池的寿命预测模型； 

c，基于寿命影响因素分析训练的寿命预测：此方法主要通过研究并确定影响Ni-Cd蓄电池的各寿命影响因素，并借助大量的寿命试验数据建立影响因素同寿命之间的关联关系，从而建立Ni-Cd蓄电池的寿命预测模型。 

对于上述三种方法，基于物理模型的寿命预测需要深入研究Ni-Cd蓄电池的内部机理，其工作量巨大且可移植性相对较差，对于不同型号的Ni-Cd蓄电池需分别建立寿命预测模型；基于统计模型假设及基于寿命影响因素分析训练的寿命预测则需要大量的Ni-Cd蓄电池寿命数据以建立寿命预测模型。考虑到在实际工程应用中，航天Ni-Cd蓄电池，往往会受到各种客观条件限制，不可能存在大量的用于寿命预测的寿命数据。因而，研究一种针对Ni-Cd蓄电池极少寿命数据情况下的寿命预测方法具有重要意义。 

人工神经网络(Artificial Neural Network,ANN)是一个模拟大脑神经系统结构和功能，由大量简单处理单元即神经元广泛连接组成的人工网络。它能从已知数据中自动归纳规则，获得这些数据的内在规律，具有很强的非线性映射能力。人工神经网络具有以下几个突出优点：1.高度的并行性；2.高度的非线性全局作用；3.良好的容错性和联想记忆功能；4.十分 强的自适应、自学习功能。 

申请人先前申请的专利，申请号20101022095.1，名称为：一种基于动态双极MPNN的小样本数据对象的寿命预测方法，通过收集寿命预测对象的所有可用数据并对其进行寿命预测相关数据预处理和数据相关性分析；得到这些寿命影响因素同预测对象寿命表征参数间函数关系。然后数据映射并得到预测对象的当量数据值；通过改进的MPNN网络进行一次MPNN网络的训练及预测和二次MPNN网络的训练及预测；最后根据预测对象寿命表征参数的寿命终止判据确定预测对象的寿命值。该项专利通过双极MPNN网络实现了基于小样本数据的蓄电池寿命预测，给出了针对于具有小样本数据特点的一类问题的解决方案，具有较强的通用性。由于该专利核心在于一次与二次MPNN的预测精度，而其中MPNN网络是由具有统计特性的PNN网络改进而成，使得MPNN网络在保留了PNN网络优点的同时也引入了不能很好体现出待预测蓄电池单体特性的不足；此外，在该项专利中，二次MPNN网络使用的迭代预测为不重复训练的单支单步迭代预测，使得蓄电池寿命预测精度偏低，且只有在蓄电池处于严重衰退时期其寿命预测精度才能有所保证，这在很大程度上限制了蓄电池寿命预测的工程应用。 

动态小波神经网络（Dynamic Wavelet Neural Networks,DWNN）是人工神经网络的一种，该网络由输入、WNN、输出、及输出反馈四个部分组成，如图2所示。 

其中，U为外部输入，N为外部输入维数；Y为输出；M为输出反馈节点个数；WNN为标准静态小波神经网络。DWNN的表达式为： 

Y(t+1)＝WNN(Y(t),…,Y(t-M+1),U(t),…,U(t-N)) 

由于DWNN网络从多角度构建网络递归,增强对历史信息的记忆容量,在计算过程中呈现过程动态特性,比前馈神经网络和已有递归小波神经网络具有更强的动态行为和计算能力，且同时具有对预测对象总体与个体特性进行分辨分析的能力等优点，被广泛用于实际工程项目。本发明在继承专利申请20101022095.1解决小样本数据对象寿命预测思想的基础上，首先对DWNN进行改进，使改进后的DWNN模型能够更加精细地跟踪蓄电池的衰退过程，同时，利用自适应迭代预测方法提升二次预测精度，进而，大幅度提高蓄电池寿命预测精度，以满足Ni-Cd对象及其数据特点的寿命预测需求。 

发明内容