陈 万， 蔡艳平， 苏延召， 姜 柯， 黄 华

(火箭军工程大学305教研室， 西安 710025)

锂离子电池在实际应用中的安全问题一直是人们关注的焦点[1-3]，而预测与健康管理(prognostics and health management，PHM)技术能够有效监控锂离子电池的健康状态，提高电池工作时的安全性。其中准确的剩余使用寿命(remaining useful life，RUL)预测是实现PHM的基础，因此成为当前研究的热点。

基于经验模型的预测方法因为其预测结果较为准确，同时预测不需要专业的电化学基础，成为当前锂离子电池RUL预测常用的方法[4]。经验模型常采用的是指数经验模型[5]，林娜等[6]、Zhang等[7]采用指数经验模型和改进的粒子滤波算法实现了锂离子电池RUL预测，然而该方法没有考虑容量再生现象的影响。锂离子电池的退化过程大都含有容量再生现象[8]，容量再生现象表现为下一周期的容量高于上一周期，并且在容量再生后的一段时间出现加速退化，这严重影响RUL预测的精度。吴祎等[9]采用变模态分解的方法将退化过程分为了正常退化和容量再生过程，然后分别预测两种状态实现了RUL预测，然而该方法没有考虑容量再生现象的加速退化过程。曲杰等[10]采用小波降噪的方法对数据进行平滑处理，剔除了容量再生数据，然而该方法获得的退化曲线与实际的退化曲线存在较大差别。严仁远[11]通过分析电池在三种衰退模式下的衰退数据建立了多模式锂离子电池容量衰退模型并结合粒子滤波(particle filter，PF)算法实现了RUL预测，然而该模型的建模过程比较复杂。

基于上述问题，提出了一种锂离子电池的多状态模型剩余寿命预测方法。……