基于数据模型的水下无人航行器可靠性预测研究

基于数据模型的水下无人航行器可靠性预测研究

郑乙

海军装备部

摘 要：可靠性作为水下无人航行器的基本特性之一，直接关系到装备的维护、使用及作战效能。水下无人航行器需要在水下环境工作，使用过程中难以随时进行人工维护保障，其可靠性直接制约了水下航行器的作战效能。以水下无人航行器动力系统所使用的锂离子电池为例，电池组的可靠性指标在设计阶段就初步形成了，在生产过程中通过试验、使用和数据收集，可以统计计算出大致的可靠性指标，用来检验是否能够达成设计目标，但是很难通过小样本量完成精确的可靠性指标的测算。为了衡量电池组的循环性能，应进行充电-放电-充电的循环，直到电池组老化、充放电特性逐渐变差，以至于容量低于要求值，但这种方法将花费大量时间，同时也会存在一定的差异性，对判断电池组可靠性指标造成障碍。因此，本文希望通过对锂离子电池进行寿命测试的方法，利用神经网络方法建立数据模型，用来估计锂离子电池组的循环寿命。

关键词：水下无人航行器；加速寿命试验；可靠性；神经网络

1国内外研究现状

宋保维、李彩霞、梁庆卫[1]等研究得出：无论是水下无人航行器的验收试验还是鉴定试验，都具有试验量小，每次试验耗资巨大等缺陷。随着水下无人航行器性能的不断提高和结构的日益复杂，传统的水下无人航行器可靠性试验慢慢暴露出不足，难以保证水下无人航行器产品的质量水平。

肖志斌、王家鑫[2]等研究认为：可靠性指标是层层分配，因此需要对应多层次回答产品可靠性和贮存期指标。单机级与系统级相结合的可靠性试验验证总体方案已经在某些型号上得到实践检验，证明这种方案是一种合理可行、费效比较高的方案。在某些装备中单机产品如计算机、板卡等的可靠性/寿命是系统可靠性/寿命的基础，以较小的试验验证规模和试验验证费用得到具有较高可靠性水平的单机产品。再通过全系统组装和联调，组成全系统开展可靠性和寿命试验验证工作，通过更真实的边界和载荷模拟，更真实的实现系统的响应，对系统的协调性、接口匹配性等进行考核，能更真实的反应整个武器装备的使用可靠性水平。

本文通过将电池组可靠性研究分解到单体锂离子电池，将加速寿命试验的优点与锂离子电池容量预测相结合，能够以更快速简便的方法得到水下无人航行器电池组的可靠性水平。

（1）可靠性的概念包含以下三层含义。

a. 产品的可靠性以“规定的工作条件”为前提

标准中，“规定的工作条件”约束了产品使用时外部的各种条件，包括应力条件、环境温湿度条件和储存环境等。在不同的外部条件下，产品的可靠性会发生变化。

b. 产品的可靠性与“规定的时间”密切相关

产品可靠性随时间推移存在一定的变化规律。在一批产品生产使用的早期，可靠性会出现下降较快的情况，这是由于产品缺陷造成的。可以通过老炼筛选等方式剔除不合格品，随着不合格品的剔除，产品可靠性会经历一个较长时间的稳定期。在产品寿命的末期，可靠性下降速度加快，产品趋于全部失效。在这个过程中，失效率的变化曲线可称为浴盆曲线。

c. 产品的可靠性用完成“规定功能”来衡量

产品需要在全寿命周期内满足其规定使用功能的要求。

可靠性的形成和评估和多方面因素有关，既取决于产品的设计制造过程，又受环境及使用条件等影响。产品的可靠性指标不同于产品的技术性能指标，技术性能指标在产品生产完成后可通过检验得出，而可靠性指标无法通过简单的检验测量得到，通常是统计性的指标，只有在进行可靠性试验、统计分析及调查研究的基础上，才能对产品的可靠度、失效率、有效度及寿命特征进行正确的统计评价。

2 加速寿命试验

恒定应力加速寿命试验，即施加在受试品上的应力随时间变化保持不变。由于恒定应力加速寿命试验方法操作简单、设备要求较低且理论成熟等优点，在工程实践中，其应用最为广泛。它所需的试验时间不是最短的，但仍比一般寿命试验成倍地提高了试验速度。GB2689.1～4-81规定了恒加试验的方法、适用范围和判定标准。

为研究锂离子电池在使用期间，不同循环次数所对应的电池容量，分析其容量衰减规律，需要在开路电压、放电容量、充入容量等参数与电池容量之间建立一定的关系。本文测试的电池为亿纬锂能生产的18650/26V型锂离子电池，额定电压为3.60~3.65V，内阻不高于30mΩ，额定容量为2.55Ah，高度为65.0±0.15mm，直径为18.30±0.10mm，正极材料是钴酸锂，负极材料为石墨，充电截止电压4.2V，放电截止电压2.75V。

图1 蓝电电池测试系统的结构原理

本次锂离子电池充放电循环试验选用蓝电电池测试系统。该测试系统有8个独立的测试通道，可分别在不同的测试通道中设置不同的充放电倍率对每个电池进行测试，同时，该测试系统可以在电脑客户端设置工作步骤，保护措施等。由于锂离子电池电解液及电极材料对于高温较为敏感，容易发生电化学反应加剧、电解液分解、电极材料衰退等现象，温度上限也不宜过高。因此，本文中加速寿命试验选取实验室的室温

25±5℃作为工作温度，对18650型锂离子电池进行循环老化试验。为保持循环过程状态一致，本试验过程采用恒流充电-恒压充电-静置-恒流放电-静置的流程对电池进行充放电循环。充电过程先以0.5C的电流对电池进行恒流充电，电池端电压达到4.2V后转入恒压充电，充电电流减小至0mA时停止充电，静置10min；放电过程以1C的电流对电池进行恒流放电，至截止电压（2.75V）时即完全放电，再静置10min。充放电过程如图2所示：

图2蓝电电池测试系统软件界面

3 BP神经网络结构及算法

BP（Back Propagation）神经网络算法是目前应用最广泛的一种神经网络模型，其由Rinehart和McClelland等人提出，其可以将误差层层迭代并返回至初始端，从而比普通的神经网络方法有更高的精度。BP是指反向传播（Back Propagation,BP），通过对误差反向传播来对神经网络进行学习[3][4][5]，是由非线性单元组成的前馈网络。BP网络针对大数据样本时，不需要输入值与输出值之间有足够清晰的关系就可以做到完美地去映射他们之间的联系。所以应用于锂离子电池容量预测领域，可以通过数学模型，建立过往电池容量数据与未来容量数据的对应关系，以快速简便的预测锂离子电池SOH，而不需要进行复杂的计算。

3.1 BP神经网络结构

BP神经网络通常由输入层（input layer）、隐含层（hide layer）和输出层（output layer）构成，输入节点神经元组成输入层，负责接收外界的输入信息；隐含层由一层或多层组成，负责信息的处理；输出节点神经元组成输出层，每完成一次学习的正向传播处理过程，由输出层向外界输出处理结果。

常用的BP神经网络的结构如图3所示：

      输入层隐含层输出层

图3  三层BP神经网络拓扑结构

3.2 BP神经网络的算法

BP学习算法的实质是求取网络总误差函数的最小值问题，基本思想是：根据实际值与训练值之间的误差，通过梯度下降法不断对网络权值和阈值进行修正，使得整个网络的误差平方和达到最小，从而达到精确预测的效果。

BP算法在于利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就可以获得所有其他各层的误差估计。这样就形成了将输出层表现出的误差沿着于输入传送相反的方向逐级向网络的输入层传递的过程。因此，将此算法称为误差反向后传算法，简称BP算法。使用BP算法进行学习的多级非循环网络称为BP网络，属于前向神经网络类型。

BP网络的学习过程及步骤如图4所示：

图4  BP算法训练流程图

3.3 BP神经网络的应用

将前n次循环的容量样本作为训练集进行训练，第n+1至738次循环的组数据用 于测试。隐含层神经元个数设置为9，学习速率选取0.05，允许最大误差设为0.0001，最大训练次数设置为10000。把需预测的样本Cn={ c1 , c2 ,…,cn}输入网络，得到738={n+1，n+2，…738}。则第n+1至第738次循环的电池容量由（式反归一化公式）可得到。下面以训练集650次、测试集88次为例，测试神经网络模型的预测情况。

基于BP神经网络模型，训练集容量为650，测试集容量为88时的预测结果如表1所示，预测结果及预测过程、预测结果回归分析见图5、6、7。

表1训练集650时的BP神经网络模型的预测结果

图5 训练集650时的BP神经网络预测结果

图6 训练集650时的BP神经网络预测过程

图7训练集650时的BP神经网络预测结果回归

4小结

本文采用BP神经网络模型对锂离子电池的容量进行预测， BP神经网络模型在对电池容量的预测是，第一次到第五次的系统最大相对模拟误差为0.707008044%、0.417082097%，0.486309015%，0.307033289%，0.418441165%，能够用较为简便的方法拟合电池容量退化曲线，拥有较好的预测效果，在较小样本量的情况下预测出电池的可靠性指标。以此类推，在进行其它装备的寿命预测时，也可采用基于数据模型的方法，以降低试验成本，节省试验时间，提高预测精度，更加高效地得到装备的可靠性指标。

参考文献

[1]宋保维,李彩霞,梁庆卫,董博超.鱼雷加速可靠性试验体系[J].火力与指挥控制,2010(7):3-8.

[2]肖志斌,王家鑫,杨学印,等.舰载导弹装备可靠性及贮存试验验证体系研究[J].强度与环境,2016,43(03):52-58.

[3]HuixinTian,Beiping Ouyang. Estimation of EV battery SOC based on KF dynamic neural network with GA[A]. 东北大学、中国自动化学会信息物理系统控制与决策专业委员会.第30届中国控制与决策会议论文集（2）[C].东北大学、中国自动化学会信息物理系统控制与决策专业委员会:《控制与决策》编辑部,2018:5.

[4]Ismail,M.M.,Hassan,M.A.M.The state of charge estimation for rechargeable batteries based on artificial neural network techniques[P]. ,2013.

[5]Bing Xiang Sun, Lifang Wang. The SOC Estimation of NIMH Battery Pack for HEV Based on BP Neural Network[P]. Intelligent Systems and Applications, 2009. ISA 2009. International Workshop on,2009.