电动垂直起飞和着陆飞机eVTOL电池的数据驱动机器学习估计及特征重要性量化

能源与人工智能12（2023）100233电动垂直起飞和着陆使用数据驱动的机器学习MihaelaMijia，Mu，Birgitte Henninkb，Marilena Pavelb，Jianning Dongca乌得勒支大学理学院，Heidelberglaan 8，3584 CS，Utrecht，The Netherlandsb荷兰代尔夫特Kluyverweg 1，HS 2926代尔夫特理工大学航空航天工程学院c电气工程、数学和计算机科学系，代尔夫特工业大学，2628 CD，代尔夫特，荷兰H I G H L I G H T S• 电动垂直起降飞机电池的预测。• 估计电池的剩余使用寿命和健康状况。• eVTOL飞行不同的任务剖面。• 用于RUL和SOH估计的特征重要性量化。A R T I C L E I N F O保留字：电动垂直起降车辆锂离子电池健康状况机器学习1. 介绍G R A P H I C A L A B S T R A C TA B标准电池的健康管理是采用电动垂直起降车辆（eVTOL）的关键因素。目前，很少有研究考虑eVTOL电池的健康管理。用于eVTOL的电池的一个明显特征是，与汽车所需的电池放电速率相比，在起飞和着陆期间的放电速率明显更大。这种放电协议预计会影响电池的长期运行健康。本文提出了一种数据驱动的机器学习框架，用于在不同的飞行条件下估计eVTOL电池的健康状态和使用寿命，并考虑到eVTOL的整个飞行剖面。三个主要特点被认为是 用于评估电池的健康状况：充电、放电和温度。这些特征的重要性也被量化。考虑到飞行前电池充电，选择任务进行健康状态和维护使用寿命预测。结果表明，事实上，放电相关的功能具有最高的重要性时，预测电池的健康状态和电池的使用寿命。 使用几种机器学习算法，它表明，电池的健康状态和电池的使用寿命很好地估计使用随机森林回归和极端梯度提升，分别。空客、贝尔、巴西航空工业公司、Joby Aviation、Kitty Hawk、电动垂直起降车辆（eVTOL）被视为解决大城市日益严重的交通拥堵、交通相关污染和城市间连通需求的一种解决方案。几Pipistrel，Volocopter和Aurora Flight Sciences在过去几年中一直在设计，建造和测试eVTOL。∗ 通讯作者。电子邮件地址：m.a. uu.nl（M.Mirillo）。https://doi.org/10.1016/j.egyai.2023.100233接收日期：2022年11月11日;接收日期：2023年1月17日;接受日期：2023年1月20日2023年1月24日在线提供2666-5468/© 2023作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可从ScienceDirect获取目录列表能源与AI期刊主页：www.elsevier.com/locate/egyaiM. Mirillo等人能源与人工智能12（2023）1002332电池的管理仍然是eVTOL行业今天面临的挑战之一。电动汽车最常考虑的电池化学是锂离子电池，因为它具有高能量密度、低自放电率和可接受的成本[2，3]。几项研究集中于电动（地面）车辆锂离子电池的健康管理[4，5]、健康状态（SOH）估计[6]和剩余使用寿命（RUL）估计[2，7]。电池的荷电状态（SOC）也在例如[8，9]中进行了研究。在这些研究中考虑的电池已经受恒定电流（CC）和恒定电压（CV）充电，具有恒定放电C速率。然而，对于eVTOL，起飞和着陆需要比巡航阶段更大的放电率从长远来看，这将对电池的健康产生直接影响。反过来，预计这将影响电池的SOH和RUL，这对电池的长期老化趋势很敏感总的来说，鉴于其安全关键性和高成本，电池及其健康管理仍然是eVTOL的优先事项。在过去的几年中，已经提出了几种用于电池RUL和SOH预测的数据驱动机器学习方法[10]。在[11]中，提出了一种混合方法来估计燃料电池的RUL。在训练阶段融合粒子滤波估计模型参数，在预测阶段融合长短期记忆递归神经网络更新模型参数。在[12]中，提出了具有长短期记忆的混合卷积神经网络该模型已被验证使用的数据集从美国宇航局和中心先进的生命周期工程（CALCE）。在[13]中，提出了一种用于RUL预测的统一深度学习方法。为此，开发了一种长短期记忆递归神经网络来估计电池的容量。在十个周期内，RUL估计误差仅为0.13%。对于SOH估计，许多现有的研究考虑机器学习算法。在[14]中，提出了一种随机森林来预测电动（地面）车辆的锂离子电池的SOH。作者表明，平均速度对电池的健康状况有重大影响。在[15]中，支持向量机用于SOH估计，导致预测误差小于2%。 作者认为，SOH可以估计只有使用充电和放电相关的测量。此外，在本文中，我们表明，充电和放电相关的功能有很高的重要性时，估计SOH和RUL的电池。然而，我们表明， 在预测SOH时，电池所暴露的温度也是一个重要的特征。 提出了一 种 随 机 森 林 回 归 方 法在 [16] 中 ， 实 现 了 1.3% 的 均 方 根 误 差（RMSE）。作者考虑了充电电压和容量测量作为特征。在[17]中，开发了一种用于SOH预测的支持向量机，实现了2.49%-3.62%的RMSE。作者指出，在恒定充电过程中的温差曲线是高度重要的SOH预测。一些最常用的电池SOH和RUL预测数据集是[18有关详细信息，请参阅[22]。 然而，这些电池经受恒定的CC和CV循环。对于[20]，锂离子电池充电和放电在不同的温度下，但仍然使用CC-CV充电协议。 测量的参数是容量、内阻、电压、电流和温度[23]。对于[18]，循环LFP/石墨电池。这里，电池总是以4C速率放电。对于[6]，数据是在电动汽车的实际使用过程据我们所知，[24]中提供的数据集， 由卡内基梅隆大学发布，是第一个专门为eVTOL生成的电池数据集。与先前讨论的数据集相比，这些电池在飞行的放电阶段期间经受不同的C率。具体而言，eVTOL的起飞和着陆以比巡航阶段更大的C速率执行。 此外，该eVTOL数据集循环所有电池单元，直到它们达到EOL [24]，而不是仅包含早期循环测量值，（18）。所有细胞均在与BioLogic BCS-815模块化电池循环仪配对的Arbin 200 A圆柱形细胞支架中进行测试。这个eVTOL数据集的另一个新颖方面是，几个参数，如温度，放电期间的功率和巡航长度[24]在多个eVTOL任务中是不同的。使用[24]中提供的数据集，最近的一项研究[25]采用机器学习算法来预测eVTOL锂离子电池的SOH评估了五种机器学习算法：线性回归、线性支持向量机（SVM）、k-最近邻（kNN）、随机森林（RF）和光梯度增强机（LGBM）。结果发现，kNN算法以最短的训练时间提供了最佳的验证和测试分数。然而，这项研究仅使用飞行巡航阶段记录的数据进行。这是分析的一个很大的局限性，因为垂直爬升和下降是eVTOL电池寿命的最关键阶段。本研究的目标是对eVTOL电池的SOH和RUL进行预测，同时考虑起飞、爬升、巡航、下降和着陆）。此外，我们还确定哪些任务实际上与SOH和RUL预测相关。这些任务是在执行飞行之前首先将电池充电到100% SOC，我们称之为容量测试。这是相关的，因为最大可用容量测试可以确定电池的静态容量，这在估计电池的SOH时至关重要。对于实际应用，确定电池的实时动态容量比确定电池的静态容量更重要，因为实时动态容量可以更好地反映电池然而，实时准确地估计动态容量是一个挑战[26]。因此，定期静态容量校准成为一种选择，并将在本文中考虑本文提出了一种使用机器学习算法来估计eVTOLs电池的SOH和RUL的框架。我们根据测量的变量和原始电压-容量/时间曲线生成特征。这些特征的生成考虑了电池的充电和放电协议、电池暴露的温度以及eVTOL任务的阶段（起飞/巡航/着陆）。不同于在整个行程中需要类似放电率的电动地面车辆，我们表明，对于eVTOL，考虑到任务的阶段，执行功能工程是至关重要的。这是由于采取的事实-起飞和着陆需要比巡航阶段大的放电速率。我们表明，在起飞过程中的电压的变化具有最高的重要性SOH和RUL预测。 这使得起飞阶段不仅从飞行的角度来看是安全关键的，而且对于电池的特性也是非常重要的。 与地面电动汽车不同的是，我们认为寿命终止（EOL）为85%，而不是80%，因为eVTOL的电池退化更快。我们考虑了几种用于SOH和RUL预测的机器学习算法：支持向量回归（SVR），随机Forrest（RF）回归，高斯过程回归（GPR），极端梯度提升（XGBoost）和多层感知器（MLP）。结果表明，RF回归在预测电池SOH时具有最佳性能，MAE为1.33%，RMSE为1.80%。对于RUL预测，XGBoost导致最佳性能，MAE为54.53任务，RMSE为67.92任务。我们还讨论了eVTOL任务的特性对电池SOH和RUL预测的影响。我们表明，CC充电电流是非常重要的RUL预测，而温度和电压是非常重要的SOH预测。本文件其余部分的结构如下。在第2节中，分析了eVTOL电池的数据集。第3节讨论了选择eVTOL任务进行分析的问题。在第4节中，介绍了用于预测eVTOL电池的SOH和RUL的通用方法：SOH和RUL的定义，特征工程，所考虑的机器学习算法。在第5节中，将该方法应用于SOH预测。结果M. Mirillo等人能源与人工智能12（2023）1002333Fig. 1. eVTOL的通用任务剖面在第7节中，第4节中介绍的方法被应用于RUL预测。结果见第8节。在第9节中，讨论了eVTOL任务的特性对SOH和RUL预测的影响。最终结论见第10节。2. 数据描述我们认为Sony-Murata 18650 VTC-6电池锂离子电池的健康监测数据集可在[24]中获得。这些电池用于Vahana eVTOL执行短程任务。Vahana是由Acubed（空中客车公司）为城市空中交通设计的eVTOL。是全电动单座斜翼车，续航里程50公里[27]。在巡航期间，Vahana的平均速度为190 km scinh，最高速度为220 km scinh。Vahana完成的最长飞行时间为19分钟56秒[27]。图1显示了Vahana的一般任务剖面：垂直起飞，过渡到向前飞行，巡航指定距离，过渡回到悬停，以及垂直着陆。为了讨论[24]中提供的数据集，我们将Vahana的任务配置文件定义为一组任务任务，其规格在一系列任务中保持不变。从任务开始到结束，这些任务是CC电池充电阶段、CV电池充电阶段、休息期、eVTOL起飞、eVTOL巡航、eVTOL着陆和a休息期。考虑到这些任务，数据集[24]包含22个任务剖面（MP 1基线任务概况任务剖面VAH01、VAH17和VAH27是基线任务剖面（见表1）。我们把它们称为基线任务剖面，因为其他任务剖面是通过改变这些基线任务剖面之一在基线任务剖面下，电池充电1C-速率（CC充电阶段）。我们注意到，C速率是电池相对于其最大容量放电的速率的量度。CC充电阶段结束时，电池4.2五然后，CV充电阶段以恒定电压开始，4.2 V，直到电流低于30 V。���充电后，电池单元静止，直到电池温度达到35° C。经过这段休息时间，eVTOL执行飞行。起飞持续时间为75秒，放电功率为54W，5C倍率，放电能量为1.12Wh。之后，巡航阶段需要800 s，放电功率为16W，1.48 C-率，和3.55 Wh放电能量。然后，着陆以105秒的持续时间、54 W的放电功率、5 C-速率和1.57 Wh的放电能量发生。最后，电池静止，直到其温度降至27° C。表1示出了通过改变基线任务剖面的以下任务任务而获得的22个任务剖面：巡航阶段的持续时间、飞行期间使用的功率（即，起飞、巡航、着陆）、CC电流、CV电压和环境（腔室）温度。图二. 第一次容量测试的充电和放电，VAH01。电池先放电到0%SOC，然后充电到100%SOC。100%SOC时，第一次飞行进行。在起飞、巡航、着陆过程中，电池会放电。测量在每次任务期间，每个时间步长记录以下测量值：时间（s）、电池电压（V）、电池电流（mA）、充电期间提供给电池的能量（Wh）、充电期间提供给电池的电荷（mAh）、放电期间从电池提取的能量（Wh）、放电期间从电池组电池提取的电荷（mAh）、电池表面温度（℃）、循环次数（-）和循环段（-）。容量测试在给定的任务曲线中，在每50次任务之后，剩余电池电荷以C/5的放电速率减少到0%SOC，直到电压下降到2.5V以下。然后，电池以1C速率的充电速率和4.2V的恒定电压充电到100%SOC。电池充满电后，eVTOL执行飞行（起飞、巡航和着陆）。当电池充电到100%并且只有在eVTOL起飞之后，这种表1显示了22个飞行任务任务类型中图图2显示了VAH01第一次容量测试的充放电协议。图2中的CC充电阶段具有50分钟的持续时间，并且电池以3.0A充电。之后，CV充电阶段以4.2 V进行33 min。充电后的休息期持续14 min。放电阶段从eVTOL起飞开始。起飞持续时间为75 s。在起飞过程中，电压从3.92 V下降到3.62 V。巡航阶段的持续时间为800 s。此后，着陆阶段具有105 s的持续时间。在着陆期间，电压从3.57 V下降到3.1最后，任务以605秒的休息期结束。在休息期结束时，电池温度达到27.3° C。为了估计电池SOH和RUL，我们仅在容量测试期间考虑电池容量，即， 当电池充电到100%SOC时，我们只关注容量测试，因为动态容量估计需要广泛的分析和超参数调整，这可能容易出现估计错误[26]。 相比之下，定期静态容量校准对于测试目的更可靠。循环期间的电池单元容量由在该循环的充电阶段期间供应给单元的最大电荷量（以Ah为单位）给出。图2、红色虚线表示VAH01第一次容量测试的充电阶段图 3显示了VAH01第一次容量测试后的任务。可以看出，电池遵循与图2中相同的任务轮廓。然而，电池现在仅从3.8M. Mirillo等人能源与人工智能12（2023）1002334表1特派团 剖面特征CS，基于[24].巡航持续时间动力输出动力巡航动力着陆CCCV环境温度VAH任务数量#能力测试MP1800 S54 W16 W54 W1 C4.2 V25摄氏度VAH0184717MP2800的125%54 W16 W54 W1 C4.2 V25摄氏度VAH0262513MP3800 S54 W16 W54 W1 C4.2 V25摄氏度公司简介161531MP4800 S54 W16 W54 W1 C4.2 V25摄氏度公司简介929028MP5800 S54 W16 W54 W1 C4.2 V25摄氏度VAH0733944MP6800 S54 W16 W54 W1 C4.2 V25 ℃VAH09852746MP7800 S54 W16 W54 W1 C4.2 V25 ℃VAH10143128MP8800 S54 W16 W54 W1 C4.2 V25摄氏度VAH11224944MP9800的50%54 W16 W54 W1 C4.2 V25摄氏度VAH12234946MP1075% 800 s54 W16 W54 W1 C4.2 V25摄氏度VAH13104220MP11800的125%54 W16 W54 W1 C4.2 V25摄氏度VAH1555411MP12800 S54 W16 W54 W1 C4.2 V25摄氏度VAH1655911MP13800 S54 W16 W54 W1 C4.2 V25摄氏度VAH17100220MP14800 S54 W16 W54 W1 C4.2 V25摄氏度VAH2061112MP15800的125%54 W16 W54 W1 C4.2 V25摄氏度VAH2257912MP16800 S54 W16 W54 W1 C4.2 V25摄氏度VAH2369713MP17800 S54 W16 W54 W1 C4.2 V25摄氏度VAH2480116MP18800 S54 W16 W54 W1 C4.2 V25 ℃VAH2555411MP19800的75%54 W16 W54 W1 C4.2 V25摄氏度VAH26116422MP20800 S54 W16 W54 W1 C4.2 V25摄氏度VAH2758712MP21800 S54 W16 W54 W1 C4.2 V25摄氏度VAH28118223MP22800 S54 W16 W54 W1 C4.2 V25 ℃VAH3091918图三. 第二次任务的充电和放电阶段，任务剖面VAH01。因此，CC和CV充电周期的持续时间较短（第一次容量测试中为83分钟，而第一次容量测试后立即执行的任务中为55分钟）。相比之下，在容量测试期间，电池从3.2V充电到4.2V，CC和CV充电持续时间更长（28分钟）。3. 用于预测eVTOL电池的健康状态和剩余使用寿命的为了估计eVTOL电池的SOH和RUL，我们只考虑了总共22个剖面中的19个任务剖面（见表1）。由于随时间记录的电池特性对于VAH06，电池容量的下降遵循一个意想不到的趋势。在任务766（第15次容量测试）期间，电池的容量为2.51Ah。然而，在以下容量测试期间，见图4。 容量测试-VAH 06。从任务903到任务8942，电池的容量在1.8-1.9Ah之间变化。之后，VAH06由四个标准容量测试组成，其中电池这是出乎意料的，因为电池图5显示了VAH07的容量测试。在这里，随着执行更多的容量测试，电池的容量随着时间的推移而增加。然而，这种模式是出乎意料的，因为电池图6显示了VAH09的容量测试。对于任务728至任务6074的容量测试，电池容量在1.8-1.9Ah之间变化。之后，从任务6277到任务6306，电池的容量增加到2.46Ah。然后，从任务6480直到任务8352，容量再次在1.8-1.9Ah之间变化。最后，在最后两次容量测试中，电池M. Mirillo等人能源与人工智能12（2023）1002335������L������������图五. 容量测试-VAH 07。表2任务剖面和容量测试，EOL阈值为初始测量电池容量的85%。在达到EOL之前的任务容量测试VAH01 613 13VAH02 511 11VAH05 766 16VAH10 614 13VAH 11 817 17VAH 12 766 16VAH 13 562 12VAH 15 460 10VAH 16 460 10VAH 17 562 12VAH20 460 10VAH22 460 10VAH 23 562 12VAH 24 562 12VAH25 513 11VAH26 614 12VAH 27 512 11VAH 28 722 15VAH30 511 11电池容量为3.03Ah。对于任务剖面VAH23，电池在第一次容量测试期间的容量为2.71Ah。 因此，3.0Ah的容量似乎不是 在[28]中考虑的所有电池单元。 数据集[24]包含���������������������在充电期间提供给电池的电荷的量（mAh）���。因此，我们选择将电池的SOH确定为[29]：max（���，）������������������������,���=���最���������大值（���，0）���100%，（1）见图6。 容量测试-VAH 09。在容量测试过程中，使用最大测量容量，���������任务剖面的最大值，���以及最大电池容量���在飞行任务剖面的第一个容量t_t_ est（t_t= 0）期间测量。电池的剩余使用寿命（RUL）定义为电池在使用寿命结束（EOL）之前的剩余任务/循环次数，前提是电池已用于10次>= 0次任务。形式上，在任务剖面下的重复任务之后估计的电池的RUL被定义为：������UL认证，UL =UL������–2.43 2.41Ah。 这种模式出乎意料，因为我们预计与������在飞行任务概况下的当前飞行任务/周期编号，随着时间的推移而减少，而不是减少，增加，然后减少当电池容量下降时，再在附录中，显示了选定任务剖面的能力测试期间的电流。4. 方法在本节中，我们提出了一种方法来估计eVTOL电池的SOH和RUL。首先，我们定义SOH和RUL，电池然后，我们执行特征工程。最后，我们提出了一个通用的框架SOH和RUL估计的电池使用几种机器学习算法。4.1. 定义eVTOL电池的健康状态和剩余使用寿命通常，电池的SOH被定义为在容量测试期间测量的充电容量与电池的标称容量之间的比率。虽然在[28]中，在[24]中可用的数据集中指示了3.0Ah的标称电池容量，但在第一次容量测试期间，除VAH23外，所有任务剖面的电池容量都超过3.0Ah。例如，对于任务剖面VAH01，在第一次容量测试时，第���一次低于任务简档下的EOL阈值���。基于实验电池测量的现有研究将EOL阈值设定为标称电池容量的80%[2，30据我们所知，eVTOL电池的EOL阈值尚未正式确定。对于eVTOL电池，预计将考虑保守的安全裕度。在[34]中，考虑了eVTOL标称电池容量的85%的保守EOL阈值。该eVTOL的设计总容量为5人，航程为400公里[34]。根据[34]的分析，我们还考虑初始测量的电池容量的85%的EOL阈值。EOL阈值的选择对任务剖面的选择也有影响。使用80%的EOL阈值，并非数据集中的所有任务剖面[24]都将使其电池达到EOL。具体地，对于任务剖面VAH01、VAH02、VAH15、VAH16、VAH20、VAH23、VAH24、VAH25、VAH27和VAH28，测量在电池容量达到初始测量的电池容量的80%之前停止。换句话说，通过使用初始电池容量的80%的EOL阈值，这些任务简档将不具有运行到EOL系列的测量。考虑到初始测量电池容量的85%的EOL阈值，数据集[24]中的所有任务配置文件都具有达到其EOL的电池。表2显示了截至2004年12月31日的特派团数目。M. Mirillo等人能源与人工智能12（2023）1002336������������������������������������电池达到其EOL，以及这些电池达到其EOL之前的容量测试次数。4.2. 基于[28]生成SOH和RUL预测的特征放电容量：图图7（b）表明，从起飞到巡航再到着陆，排放能力增加。 随着特派团数目的增加，卸货能力也会增加。为了捕捉这些模式，我们考虑与放电容量相关的以下特征，电池（请参阅也表（3）： 你���������������知道���������������吗？���������为了讨论特征的生成，让我们首先介绍一些������������ℎ���������,���,���, and��������� ��� ℎ ���������������������,���,���(seeTable3).���������������������������������������符号设������表示任务剖面的能力测试次数���，1 ≤ ≤。设������，������������，���和������，���������������1 ≤���≤，1 ≤��� ≤100，表示���放电容量及其变化反映了电池的负载特性，直接影响电池的老化。因此，我们将最大值、最小值、平均值和任务剖面的能力测试阶段∈ {起飞、巡航、着陆}分别开始和结束时������令，，������������������和，1������������������������������≤������≤，1 ≤ ≤，表示排放能力的差异。放电阶段的持续时间：我们考虑容量试验的每个放电阶段的持续时间∈ {起飞、着陆、巡航}，���������������������任务剖面容量试验充电阶段的时间步长���分别开始和结束。令电池表面温度、电压���������、���������������放电和充电容量���������������������������������������分别表示在飞行阶段任务容量试验时间步长的������电池表面温度、电压、放电和充电容量。���������飞行任务剖面图（另见表3）。由于巡航持续时间随任务剖面而变化，我们也将巡航阶段的持续时间视为一个特征。温度相关特征剖面图，具有阶段∈ {起飞、巡航、着陆}，������������������������������，���������������1 ≤���≤������，1 ≤���≤.图图7（c）示出了最大、最小和平均细胞表面我们总共考虑了33个特征（表3）。这些特征与电池的充电、放电和温度有关，如下所述。收费相关功能图图7（a）示出了基线任务剖面VAH01的容量测试任务简介VAH01有847次任务，其中每50次任务是一次能力测试。图7（a）示出了随着任务数量的增加，CC充电阶段的持续时间减少。第一次容量测试的CC充电持续时间为50分钟，而最后一次容量测试的CC充电持续时间为37分钟。因此，CC充电持续时间减少了26%。 随着CC充电阶段的持续时间减少，更早达到4.2V的截止电压。由于CC充电阶段的持续时间较短，CV充电阶段开始较早并且具有较长的持续时间。 在第一次容量测试期间，CV充电阶段需要33分钟。在最后一次容量测试期间，CV充电阶段的持续时间为64 min。因此，对于VAH01，CV充电阶段的持续时间增加了92%。观察到的CC充电持续时间的减少和CV充电持续时间随任务次数的增加是由于电池极化现象[35]。分析收费我们认为电池的特征是：������电池���，������电池���������������，电池������表3）。放电相关特征关于放电相关特征，我们考虑与电池的放电电压、放电容量和每个放电阶段的持续时间相关的特征（参见表3）。放电电压：Fig. 图7（b）示出了在基线任务剖面VAH01的容量测试期间 放 电 容 量 与 放 电 电 压 的 关 系 。 对于 起 飞 和 着 陆 ， 考 虑 比 巡 航（1.48C）更高的C率（5C）。图7（b）表明，随着任务次数的增加，最小放电电压在每个飞行阶段降低。此外，在起飞和着陆期间，放电电压降高于巡航期间。这是预期的，因为起飞和着陆是以更高的C速率执行的由于每个飞行阶段和跨容量测试的放电电压不同，我们的目标是通过考虑电压相关的功能来捕捉这些变化的影响。因此，我们考虑以下几与电池放电相关的功能：���������������电池放电，电池放电������������������������������������在任务剖面VAH01的所有任务期间记录电池温度，共进行了17次容量测试。我们注意到，对于任务1-343，温度记录的平均间隔为4.7秒。 对于任务344及以后，温度测量的平均间隔为22.9秒。在每次容量试验期间，最高温度和平均温度急剧下降。这是因为在容量测试结束时，允许电池单元静置，直到温度降至27° C。图7（c）还示出，随着电池使用时间的延长，其最高温度升高。在容量测试期间，图7（d）示出了在着陆期间达到最高电池表面温度。图7（d）还表明，温度在起飞时达到最高点，在巡航时下降。在图7（d）中，第一次能力测试的任务以橙色突出显示，而最后一次能力测试以蓝色突出显示。 当同时考虑起飞、着陆和巡航阶段时，温度随着容量测试次数的增加而增加。为了捕获电池表面温度随着执行更多任务而发生的变化，我们将在容量测试的放电阶段∈ {起飞、着陆、巡航}期间记录的特征Δ T Δ T ΔT ΔT，ΔT，Δ T视为������������每个飞行任务剖面图见表3。4.3. 使用机器学习的图8示出了被考虑用于估计eVTOL电池的SOH和RUL的框架。我们首先基于充电相关、放电相关和温度相关的电池测量生成特征（参见第4.2节）。接下来，我们选择那些对SOH和RUL预测具有最高重要性的特征。 利用所选特征，我们使用以下机器学习算法估计SOH和RUL：支持向 量 回 归 （ SVR ） 、 随 机 森 林 （ RF ） 回 归 、 极 端 梯 度 提 升（XGBoost）、高斯过程回归（GPR）和多层感知器（MLP）。 这些算法的超参数也调整使用贝叶斯超参数调整算法。使用5重交叉验证获得电池的SOH和RUL。下面是对所考虑的五种机器学习算法的简短描述。SVR是一种基于核的监督机器学习算法[37]。SVR被认为是SOH/RUL估计的合适算法，因为它擅长表征输入和输出之间的非线性关系[15]。你的分析也是如此，我们预期电池容量的非线性降级RF回归是一种有监督的集成机器学习模型���ℎ���������,���,���(seeTable3).������������������������������的 结合 异构 决定 树木 [38]第30段。 只 随机考虑这些电压相关特征，因为它们反映了开路电压和内部电阻，这是密切相关的电池的剩余容量和老化[26，36]。训练集的选定部分用于构建每棵森林树。RF回归使用平均值来提高预测精度和控制过拟合[39]。M. Mirillo等人能源与人工智能12（2023）1002337���∑，���������������������������表3与指控有关，见图7。 容量测试-VAH 01。放电相关和温度相关的特征。特征单元描述公式你好，你好，[s]持续时间CC充电阶段的能力测试任务的测试������,���,���[s]持续时间CV充电阶段的能力测试任务的任务表你好，我是说，���[s]容量试验电池充电后的休息阶段持续时间��� 特派团你好，我是说，������������[s]容量试验飞行阶段的持续时间��� 特派团你好，我是说，������������你好，我是说，������������[V]任务飞行器容量试验飞行阶段最大电压���[V]任务飞行器容量试验飞行阶段最小电压���������你好，我是说，���������������[V]任务飞行器容量试验飞行阶段平均电压���1，，���������简体中文���������������1≤≤，1≤≤���������你好，我是说，������������你知道吗���������������，你知道吗���������������，[V]任务飞行器容量试验飞行阶段变化电压���[Ah]飞行任务电池容量试验电池飞行阶段最大放电容量[Ah]飞行任务能力试验舱飞行阶段最小放电能力������[Ah]飞行任务容量试验飞行阶段平均放电容量���������1∑���，，���，���������−+1个你好，我是说，������������������������������������������1≤≤，1≤���≤������你知道吗���������������，[Ah]飞行任务容量试验阶段容量变化量M. Mirillo等人能源与人工智能12（2023）1002338你好，我是说，������������[C]任务飞行器容量试验飞行阶段电池表面最高温度M. Mirillo等人能源与人工智能12（2023）1002339图8.第八条。使 用 机 器 学 习 算 法 预测电池SOH和RUL的通用框架。XGBoost是一种基于梯度提升决策树的集成机器学习算法。XGBoost基于优化的分布式梯度提升，即，它利用并行树提升来提高性能和速度[40]。与决策树不同，XCBoost的每个回归树在每个叶子上都包含一个连续的分数，并且额外的正则化项有助于平滑最终学习的权重以避免过度拟合，即它使用内置的正则化[9，40]。GPR是一种基于概率非参数核的模型[41，42]。GPR基于通过结合先验知识并经由贝叶斯方法获得后验概率的假设来预测输出的核。GPR具有自适应超参数采集的优点，并且与神经网络和SVM相比，它已被证明获得类似的性能[43]。MLP是一种具有多层和自适应权重的前馈神经网络[44，45]。所有隐藏层包括批归一化，以提高神经网络5. 预测eVTOL电池在本节中，我们应用第4节中介绍的方法来估计eVTOL电池的SOH5.1. 特征选择和特征重要性量化在第4.2节中，共考虑了33个特征。从这33个特征中，我们只选择重要性高的特征进行SOH预测。使用随机森林回归模型获得特征的重要性。根据所考虑的33个特征的重要性，我们选择前65%（即，21)具有最高重要性的特征（参见图9）。在起飞期间电压的变化具有最高的重要性，接着是起飞期间的最小电压和CC充电阶段的持续时间。结果表明，与起跳相关的特征具有较高的重要性。这可以通过电池在起飞期间经历高放电电压的事实来解释。在高放电电压期间，内部电阻增加，这会影响SOH [46]。此外，CC充电阶段的持续时间对于SOH的预测具有很高的重要性。随着电池执行更多的任务，SOH降低，而CC充电阶段的持续时间增加（见图1）。（见第7（a）段）。图图9示出了起飞期间的电压的变化具有最高的重要性，其次是起飞期间的最小电压结果表明，与起飞相关的特征具有很高的重要性，这可以通过电池在起飞期间经历高放电电压的事实来解释。在高放电电压期间，内部电阻增加，这会影响SOH [46]。此外，CC充电阶段的持续时间对于SOH的预测具有很高的重要性。随着电池执行更多的任务，SOH降低，而CC充电阶段的持续时间增加（见图1）。（见第7（a）段）。5.2. 机器学习算法的设置五重交叉验证使用第4.3节中的框架，我们采用5重交叉验证来估计电池的SOH。折叠是使用K-折叠组生成的，因此每个折叠包含用于测试的一组独特的任务剖面。在每一次折叠中，为试验选择的任务剖面的数目大致相同（每一次折叠有3-4个任务剖面）。此外，这些选定的3-4个任务剖面的能力测试的数量大致相同（用于测试的75个能力测试）。共有19个任务剖面（见第2节），M. Mirillo等人能源与人工智能12（2023）100233101个���（���∑11个���表4优化的超参数- SOH。超参数���������������= L���������������������������������������= 0.186日本语中文（简体）RF回归XGBoost���������������ℎ = 30���������������������L��������� = 2���������������������������������= 4������������= 3100���������������ℎ = 19L = 0.25������������������������������������������������������= 0.80������A= 0.069���������������=���������������������������+ℎ������������������������������������ℎ��������� = 96MLP������������������1st L������������ = 90������������������2nd L������������ = 90������������������3rd L������������ = 40超参数调整表4显示了针对所考虑的五种机器学习算法中的每一种获得的最佳超参数。我们基于贝叶斯优化算法进行了超参数调整[2]。5.3. 性能度量对于用于测试的每个任务剖面，我们预测SOH在每一个能力测试。使用平均绝对误差（MAE），均方根误差（RMSE）和平均绝对百分比误差（MAPE）评估我们的SOH预测的性能。对于任务剖面下电池的估计SOH，这些度量定义如下：������������=1∑|���，���−N ���，���|、���=10���̂���，������–A.���=1=1∑|���， –���， | ⋅ 100%,见图9。 特征重要性- SOH估计。380个容量测试，我们的目标是将任务剖面分配给折叠，使得5个折叠中的每个折叠包含大