【机情无限 精彩毕设】机械2025届毕业设计（论文）中期检查优秀案例分享第二十二期——基于Bi-GRU的锂电池剩余使用寿命预测算法设计

学生姓名：黄智鑫

班      级：机械（茅班）2021-01班

指导教师：张新

毕设题目：基于Bi-GRU的锂电池剩余使用寿命预测算法设计

一、概况

1.选题意义

与传统电池相比，锂离子电池具有工作范围广、自放电率低、能量密度高、稳定性好、安全性能高等优势，在各个领域逐渐成为最主要的储能供能载体。但是，在反复使用的过程中，由于电池内部锂离子含量的损失、锂电池活性材料的损失、应激因素以及电池工作环境的影响，锂电池的性能会逐渐退化至一定的阈值而失效，严重影响锂电池的健康状态和寿命，导致电池易于漏电和短路影响设备系统的正常运行，甚至会导致热失控造成经济损失和爆炸性灾难。因此,为了保证锂电池设备系统的运行性能，避免意外事故和后续损失,深入研究锂离子电池的剩余使用寿命（RUL）预测方法具有重要意义。本设计基于Bi-GRU开展锂电池RUL预测算法设计工作，要求预测误差保持在可接受范围内，为机电装备安全运行提供指导。

2.任务分解

本研究内容主要分解为以下五个子任务：

（1）锂电池数据采集与预处理：收集并预处理锂电池的历史数据，以便于后续模型训练和测试，我主要采用NASA的锂电池公开数据集。

（2）Bi-GRU模型设计与训练：设计并实现Bi-GRU模型结构，选择合适的输入特征，构建网络架构。使用预处理后的数据进行模型训练，并优化网络参数，以提高预测精度。

（3）预测性能评估与误差分析：通过真实的测试数据集，评估模型在实际应用中的预测效果。使用常见的评估指标（如MAE、RMSE，R²等）对模型的预测误差进行定量分析。根据分析结果调整模型结构或超参数，进一步优化模型性能。

（4）Bi-GRU与RNN、LSTM、CNN的性能对比分析：对比Bi-GRU、RNN、LSTM和CNN在锂电池RUL预测中的表现，分析不同模型的优劣，从而验证Bi-GRU的效果，确保所选模型的优越性。

（5）总结与文档撰写：总结设计过程中的方法、技术和实验结果，撰写完整的毕业论文。

二、已完成工作

1.有关剩余寿命预测的英文文献翻译一篇。

图1 文献翻译展示

2.完成代码的实现流程图。

图2 代码实现的流程图

3.基于Bi-GRU模型的预测算法设计。

                            图3 数据传入                             图4 特征工程

                图5 构建数据集                         图6 模型定义

                            图7 前向传播                         图8 损失函数、优化器

                         图9 计算RUL、评估指标                   图10 可视化结果

4.模型性能评估和误差分析。

图11 预测结果

在设定的预测起点开始预测，拟合程度较高，MAE,RMSE较小，R²接近1，说明拟合程度高，同时计算出来的RUL误差只有1.6%，说明模型的可靠度较高。

5.CNN,RNN,LSTM与Bi-GRU的对比分析。

                图12 多模型对比分析结果         图 13 多模型对比分析结果

                            （预测起点40 cycle）                 （预测起点45 cycle）

                  图14 Bi-GRU评估指标                  图15 CNN评估指标

               图16 RNN评估指标                         图17 LSTM评估指标

采用不同模型在同一预测起点的结果对比以及不同模型在更换测试集和训练集但是同一预测起点的情况下的结果对比，分析MAE、RMSE，R²等指标以及RUL的预测误差可以得出Bi-GRU优于其余模型。

三、下一步工作计划

1.尝试继续调整Bi-GRU的模型参数，进一步提高性能，并继续学习相关文献中的对比方法，对多种用于剩余寿命预测的不同模型进行进一步对比，确保结果的正确性。

2.加快论文撰写进度，聚焦于创新点提炼以及实验对比分析的结论，尽快完成初稿并进行修改完善。

问题一：目前的RUL预测主要有哪些主流方法？

回答：主要分为三种方法，一是基于模型的RUL估计方法即经验模型，半经验模型和电化学模型方法，二是基于数据驱动的RUL估计方法即采用回归分析或神经网络等进行预测，三是融合法即采用模型法与数据驱动方法的融合或不同数据驱动方法的融合。

问题二：你采用的数据集来自哪里？如何选取训练集和测试集？

回答：我采用的是来自NASA的锂电池退化数据公开数据集中的四个电池，B0005,B0006,B0007,B0018,我选择其中任意三个作为训练集，其中一个作为测试集。

回顾过去这段时间的学习和实践，我受益匪浅，不仅提高了自己的理论知识水平也更加拓展了我的科研思维。

首先在确定题目之后，我阅读了国内外有关剩余寿命预测的相关文献，初步了神经网络与深度学习的基础知识，系统了解了卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）、GRU（门控循环单元）等神经网络模型框架，并学习了Python中和深度学习，数据处理相关库函数的使用以及Pytorch框架的使用。在算法设计初期，我尝试通过流程图，伪代码来帮助自己明确代码的构成部分，在算法设计完成后，我反复对网络结构和参数进行不断调整，并结合结果对其继续优化，锻炼了我整合信息和如何有效调节参数的能力。

在毕业设计进行过程中，我也有很多不足之处，例如对题目关键部分的理解还不够深刻，算法设计的能力较为欠缺。在这个过程中我的导师张新老师，以及胡添师兄都给我提供了许多帮助和指导，让我进一步理解了我的选题和我需要完成的工作。我衷心感谢导师的悉心指导和师兄的帮助支持，希望自己能将毕业设计圆满完成。