1概述
电池在重复使用过程中受各种因素的影响，它的电化学反应的活性物质浓度会逐渐下降，造成其电容量会随着使用逐渐下降，这种现象极大影响了电池使用，并给很多使用电池的设备带来了安全隐患，对于锂离子电池的健康管理研究是最近几年的热点。尤其是在2013年Boeing787因电池安全原因停飞以后，锂离子电池健康管理越来越受到工程领域和学术研究关注，锂离子电池容量退化现象是不可避免的现象，因此对其健康管理的研究对锂离子电池的发展具有重要意义。
2基于数据驱动的健康管理
精确的等效电路模型可以准确预测电池的剩余寿命，但对每一种电池构建模型困难较大，因此数据驱动的方法适应性更强。本节采用方法属于基于数据驱动的方法，它将逻辑回归和LSSVM混合使用，将电池的剩余寿命预测过程使用基于LSSVM的逻辑回归实现电池寿命的跟踪和预测功能。核心在于用LSSVM从测试数据中训练退化率，通过基于LSSVM状态增殖过程和逻辑校正两部分实现，理论推导过程如下。
2.1基于LSSVM状态增殖过程
LSSVM推导方式与支持向量机类似，它们的目标都是解决非线性和非高斯的问题，LSSVM在求解过程中将其转换为线性问题。我们所求解的状态增殖过程实际上也属于一种典型的非线性和非高斯问题，它的输入数据是充放电过程中的电池容量数据，具体形式可以表示为一个数据集D={(xi,yi)|i=1,2,3,,S}其中xi表示电池充放电循环的次数，yi表示该循环的电池容量，对其进行训练，可以得到最优分离超平面将其作为初始状态更新的桥梁，基于这个输入建立状态增殖过程的问题可以表示为如下形式。其中，Ф表示电池退化过程中的非线性映射关系，是正则化参数，ei，b和分别是误差变量和分割超平面的参数。对于这种优化问题，可以采用拉格朗日法解决。根据拉格朗日法的求解法则，上式可以表示为如下形式。
引入高斯核和拉格朗日乘子求解上式，然后计算退化过程的超分离平面,可得如下式所示的超分离平面。根据测试的数据，上式有可写为如下形式。以上为通过LSSVM实现状态更新公式，本文希望过该方程能学习一个比较好的电池退化率，但实际情况中每次跟踪循环并不是很理想，学习的效果并不符合的预期要求，这里引入逻辑引入回归方法，对学习的结果进行筛选。
2.2逻辑回归校正
逻辑回归用来实现对LSSVM学习的结果筛选，在逻辑回归中根据指数回归模型，对前一个状态的迁移进行判断，然后得出是否在合理范围内的判断。我们假设电池容量是在一定范围内变化的，当超出了这个限制，逻辑回归就会给其贴上概率为0的标签，相反，逻辑回归给其赋予概率值为1的标签，标签为0的退化迁移率将会被舍弃，最后形成一个退化率向量，应用在预测过程。这个过程为改进的状态增长模型，是逻辑回归的求解过程，由多个复杂的迭代组成，可以确保LSSVM训练训练数据得到的结果都是正确的，最终结果可以产生更新增殖模型。基于最小方差支持向量回归的逻辑回归，可以有效的对训练数据的趋势进行学习并且修正，比单独使用LSSVM的跟踪过程结果更精确，预测过程中防止了游离在整体外的孤点的产生。
3健康管理结果
为了对我们所提出的方法采用美国NASA电池测试数据进行验证，我们将实验中获得的电池容量退化数据作为测试数据带入算法推导过程编写的程序中，整个过程我们使用了165个测试数据假设前25个循环的数据为已知数据，后140个循环数据为RUL预测的参考数据，这与电池的使用过程类似，25个已知数据就对应电池已使用的放电循环，143个参考数据对应于将要预测的电池使用循环的容量值。预测结果与参考值进行对照，并计算平均RMSE值，结果表明平均RMSE小于1%，证明了寿命预测与健康管理的正确性。
