基于數字孿生的煤礦機器人鋰電池SOC評估方法

摘要：針對煤礦機器人鋰電池的荷電狀態（SOC）實時監控困難和安全管理問題，提出了一種基于數字孿生的煤礦機器人鋰電池SOC估計模型.首先，搭建了基于數字孿生的煤礦機器人鋰電池SOC估計模型；其次，將鋰電池充電時的電壓、電流作為數字孿生模型的模擬參數，利用遺傳算法優化BP神經網絡模型，建立并優化鋰電池充電時的電壓、電流與SOC之間的關系，實現對數字孿生模型的更新及煤礦機器人鋰電池數字孿生模型的SOC估計；最后，對兩種不同的鋰電池進行SOC估計實驗，同時對比傳統BP神經網絡與基于GA-BP的數字孿生模型實驗結果，發現所提模型模擬得到的SOC估計值明顯優于傳統BP神經網絡，實驗結果誤差小，表明了該方法的有效性，對于煤礦機器人鋰電池的科學管理具有重要意義.

關鍵詞：鋰電池；數字孿生；SOC；遺傳算法

中圖分類號：TP391 文獻標志碼：A

文章編號：2095-6991（2023）01-0070-07

Abstract：Aiming at the real-time monitoring difficulties and safety management problems of lithium battery in coal mine robot， a SOC estimation model of lithium battery in coal mine robot based on digital twins is proposed. Firstly， the SOC estimation model of lithium battery of coal mine robot based on digital twins is built. Secondly， according to the voltage and current of lithium battery charging as the simulation parameters of digital twin model， the BP neural network model is optimized by genetic algorithm， and the relationship between voltage， current and SOC of lithium battery charging is established and optimized， so as to realize the update of digital twin model and the SOC estimation of digital twin model of lithium battery of coal mine robot. Finally， two different lithium battery SOC estimation experiments are carried out， and the experimental results of the traditional BP neural network and ga-BP digital twin model are compared. The SOC estimation obtained by the digital twin model is obviously better than that obtained by the traditional BP neural network， and the error of the experimental results is small， indicating the effectiveness of the method. It is of great significance to the scientific management of lithium battery for coal mine robot.

Key words：lithium battery; digital twin; SOC; genetic algorithm

隨著煤礦智能化的發展，煤礦中使用的機器人會越來越多，鋰離子電池是其主要供能方式[1].對于煤礦機器人來說，一個穩定、持久、可靠的電池電力供應是保證煤礦安全的重中之重，對煤礦機器人鋰電池的荷電狀態（Stage of Charge，SOC）進行評估，可以更科學地管理電池，有利于煤礦安全[2-4].現階段普遍把電池SOC定義為剩余容量與額定容量的比值[5]，以此反映容量的使用情況.由于鋰電池內部化學反應復雜、易受外界影響，導致鋰電池的SOC無法直接測量，因此，需要選用合適的方法進行準確評估.

許多研究者都致力于解決這些具有挑戰性的問題，目前提出的方法有開路電壓法[6]、庫侖計數法[7]和安時積分法[8]等.開路電壓法不能實現SOC的實時估計，且易受外部環境影響.庫侖計數法對計算SOC迭代過程中的誤差很敏感，不夠精確.安時積分法屬于開環控制，估計誤差大.

數字孿生作為一個新興且高速發展的數字信息化技術，為鋰電池的SOC估計提供一種新的方法與思路.通過先進的傳感[9]、高性能的計算[10]和智能的數據分析[11]等技術，在數字信息平臺模擬真實的物理實體.基于數字孿生模型，可以對物理實體的狀態變化進行估計和預測.

本文將數字孿生概念引進到煤礦機器人鋰離子電池的荷電狀態預測中.由于在實際工作環境下，電池總是處于充放電的過程中，因此，本文提出的鋰電池數字孿生模型是由在線測量鋰電池的電壓、電流進行驅動.電池的工作行為模型是利用遺傳算法改進的神經網絡建立，這種基于深度學習的數字孿生模型，不僅有助于鋰電池SOC的評估，對電池合理使用及生命周期管理控制也有重要意義.

1 基于數字孿生的鋰電池SOC評估模型

1.1 鋰電池數字孿生模型的構建

數字孿生，是一種在虛擬空間對相應的物理實體進行數字化映射的模型，其可以反射物理實體的行為和性能表現[12].數字孿生是在數字平臺上運行虛擬實體，對于不同的物理實體和工作環境，數字孿生平臺的功能也不相同.本次研究中，基于數字孿生的鋰電池模型主要通過模擬鋰電池的充放電過程來獲得鋰電池的SOC，構建的鋰電池數字孿生模型如圖1所示.

（1）物理設備層

物理設備層是鋰電池SOC估計系統數字孿生體的物理實體，是整個數字孿生模型的基礎.物理設備層主要包含鋰電池組模塊和鋰電池恒溫控制箱，它們是鋰電池SOC預測評價的信息源，為數據感知層提供實時數據.

（2）數據感知層

數據感知層主要功能是實時采集真實鋰電池數據、獲取動態信息.其感知實體主要是鋰電池的測試設備，具體為電壓、電流檢測設備，用以采集鋰電池充電過程中的電壓、電流數據.

（3）數據傳輸層

數據傳輸層以有線以太網和無線網絡為通信方式，采用數據加密等安全技術，形成安全、高效的數據傳輸及儲存系統，實現數據和信息的實時快速傳輸，是數字孿生體與物理實體之間的重要樞紐，還可以將數據感知層得到的電壓、電流數據傳輸到數字孿生體.

（4）數字孿生體

數字孿生體是物理實體的虛擬模型，包含基于遺傳算法優化BP神經網絡（GA-BP）的狀態評價和依據實時數據不斷迭代修正的過程.該數字孿生體能夠比較正確地反映物理實體的狀態信息.

（5）應用平臺層

數字孿生體的運行結果被傳輸至應用平臺層，得到可視化的狀態信息，可直觀得到鋰電池SOC預測值.

1.2 基于數字孿生的鋰電池SOC評估原理

基于數字孿生的鋰電池SOC評估原理如圖2所示，數字孿生模型是進行鋰電池SOC評估的虛擬模型，其物理實體交互協同工作，將物理實體的鋰電池充電過程中采集的電壓電流數據傳送至數字孿生虛擬模型，用來模擬實際鋰電池充電狀態；利用GA-BP算法對數據進行處理，迭代更新數字孿生模型，得到虛擬模型運行的SOC值，再與實際鋰電池的SOC值進行比較，以此證明鋰電池SOC的評估準確性.

2 基于數字孿生的煤礦機器人鋰電池SOC評估方法

2.1 數字孿生模型的SOC評估過程

本文通過鋰電池數字孿生模型，模擬鋰電池充電過程，得到鋰電池的SOC評估值.采用鋰電池的電壓、電流作為評估模型的輸入參數.數字孿生模型內部采用遺傳算法優化BP神經網絡的方法，建立智能電池行為模型.具體評估過程如圖3所示.

2.2 遺傳算法優化BP神經網絡

鋰電池的數字孿生模型使用了GA-BP智能算法.遺傳算法模擬生物進化機制[13]，通過選擇、交叉、變異等操作對BP神經網絡的權值和閾值進行優化[14]，可防止BP神經網絡陷入局部最優，且BP神經網絡可以很好地解決非線性問題.

（1）BP神經網絡設計

BP神經網絡的組成結構有3層，包括輸入層、隱含層和輸出層[15-16]，具體結構如圖4所示.輸入層為X的輸入矩陣，根據鋰電池充電時會對鋰電池SOC產生影響的因素，提取其輸入層分別為充電電流和充電電壓，即X為輸入特征向量，

從輸入層到隱含層的權值為Wij，從隱含層到輸出層的權值為Wjk，i，j，k為各層節點數.Y是輸出向量，為鋰離子電池SOC的評估值.

其中：k表示第k個輸出層神經元，j表示第j個輸出層神經元，輸出層共有m個神經元.

從上述的關系中得出，隱含層變換函數是 Sigmoid 函數，是最常見的激勵函數，利用以下公式計算神經網絡的隱含層的值：

（2）遺傳算法優化BP神經網絡

遺傳算法優化BP神經網絡算法流程如圖5所示.

本文中鋰電池的數字孿生模型為2個輸入參數，1個輸出參數，網絡結構為2-5-1，即2個輸入層節點、5個隱含層節點和1個輸出層節點，進而確定遺傳算法個體的長度，得到15個權值和6個閾值，所以遺傳算法部分的個體編碼長度為21.設置BP神經網絡訓練目標為0.000 01，個體適應度值為預測輸出與期望輸出的誤差絕對值，將適應度值進行選擇、交叉、變異操作，迭代更新得到BP網絡最優權值閾值，并重新計算誤差，直至達到設定目標誤差.

3 實驗仿真與分析

3.1 數字孿生建模

數字孿生建模的核心步驟是建立具有實時性、準確性的保真模型.本文建立的鋰電池數字孿生模型則需要映射出鋰電池及測控裝備的幾何屬性、物理屬性等，即虛擬模型可模擬鋰電池充電行為，并進行數據的采集和分析.鋰電池的數字孿生建模過程如圖6所示.

3.2 SOC評估實驗應用

基于數字孿生的煤礦機器人鋰電池模型對煤礦機器人的充電過程進行模擬，模擬測試鋰電池規格采用的是SOC額定容量為350毫安時的小型鋰電池和SOC額定容量為1 500毫安時的軟包鋰電池；通過鋰電池測試設備采集電壓電流值，采用符合TCP/IP的WiFi或有線方式的網絡通訊系統，以達到遠程移動監測實時將數據傳輸至數字孿生模型.將機器人鋰電池在充電過程中的SOC真實值、模型預測值以及傳統的BP神經網絡預測值進行對比，由此驗證該數字孿生模型的準確性、實時性和可行性.

3.2.1 小型鋰電池實驗

采用SOC額定容量為350毫安時的小型鋰電池，使其處于40℃的恒溫熱室工作環境下進行充電；采集鋰電池的充電電壓、充電電流數據以及當時的實際SOC數據.基于數字孿生的鋰電池模型將采集的部分數據進行訓練，其余數據進行測試.350毫安時小型鋰電池充電過程的電壓與電流數據曲線如圖7所示.

設置遺傳算法優化BP神經網絡中遺傳算法的進化次數為1 000次，種群規模為10，交叉概率0.2，變異概率0.1，數字孿生模型訓練過程如圖8所示.可以看出數字孿生模型在訓練第81步就達到了訓練目標，此時的均方差為9.8 656×10-6.然后將部分采集的數據用于數字孿生模型的測試，將SOC值范圍設定在0～100，部分充電過程的SOC預測結果如圖9所示.

由圖9可以看出，對于小型鋰電池來說基于數字孿生的鋰電池模型具有較高的精度，其內核的GA-BP算法明顯優于普通的BP神經網絡，其測試誤差控制在0.5以內，誤差比BP神經網絡降低了6%.

3.2.2 軟包鋰電池實驗

第二種測試電池采用的是SOC額定容量為1 500毫安時的軟包鋰電池，使其處于40℃的恒溫熱室工作環境下，進行充電，然后使用數據采集模塊采集鋰電池的充電電壓、充電電流數據以及當時的實際SOC數據，在相同的神經網絡結構中進行數據的訓練與測試.軟包鋰電池充電電流與電壓曲線如圖10所示.

軟包鋰電池采集了兩個電池組充電時的數據，兩個電池組均將SOC值數據處理范圍為0～1，電池組1的采集數據用于數字孿生模型的訓練，電池組2的采集數據用于數字孿生模型的測試.數字孿生模型的訓練過程如圖11所示，在訓練至第28步時，就達到了設定的目標誤差，均方差為9.766×10-6.

數字孿生模型的測試結果如圖12所示.數字孿生模型在對軟包鋰電池進行預測時，SOC的真實值與預測值的誤差保持在0.1以內，誤差百分比在1.2之內，并且隨著測試數據的增加，誤差曲線逐漸趨于穩定，誤差也越來越小，相對于BP神經網絡精確度提高了10%.

4 結論

基于數字孿生技術，提出了一種基于數字孿生的煤礦機器人鋰電池SOC評估模型，模型結合了GA-BP神經網絡的智能算法，對鋰電池的工作狀態進行模擬.通過采集機器人兩種不同規格的鋰電池充電過程在電壓、電流及SOC數據進行仿真測試；機器人鋰電池數據通訊傳輸采用符合TCP/IP的WiFi或4G無線信號的網絡通訊系統，以達到遠程移動監測實時將數據傳輸至數字孿生模型，它具備優秀的抗干擾能力，適合各類苛刻環境中無縫漫游傳輸運行.

真實數據測試的實驗表明，在應對不同額定容量、類型的鋰電池時，基于數字孿生的鋰電池SOC評估模型所得的SOC預測值和真實值誤差較小，響應速度快，證明所建立的數字孿生模型具有較高準確性，且可以應對不同的鋰電池類型.數字孿生結果在上位機中可視化展示，實現了對煤礦機器人鋰電池狀態的實時監控管理，便于對機器人進行合理的作業及充電規劃，可避免因機器人供能不足而造成的安全事故.

參考文獻：

[1] XIONG R，ZHANG Y，WANG J，et al.Lithium-Ion battery health prognosis based on a real battery management system used in electric vehicles[J].IEEE Transactions on Vehicular Technology，2019，68（5）：4110-4121.

[2] LI Xiaoyu，YUAN Changgui，LI Xiaohui，et al.State of health estimation for Li-Ion battery using incremental capacity analysis and Gaussian process regression[J].Energy，2020，190（2）：790-800.

[3] HOU Jun，SONG Ziyou.A hierarchical energy management strategy for hybrid energy storage via vehicle-to-cloud connectivity[J].Applied Energy，2020，257：1-9.

[4] LIU Datong，SONG Yuchen，LI Yu，et al.On-line life cycle health assessment for lithium-ion battery in electric vehicles[J].Journal of Cleaner Production，2018，18（15）：1519-1529.

[5] GAO Yang，JIANG Jiuchun，ZHANG Caiping，et al.Lithium-ion battery aging mechanisms and life model under different charging stresses[J].Journal of Power Sources，2017，356：103-114.

[6] YU Quanqing，WAN Changjiang，LI Junfu，et al.An open circuit voltage model fusion method for state of charge estimation of lithium-Ion batteries[J].Energies，2021，14（7）：1797-1797.

[7] ZHANG Shuzhi，GUO Xu，DOU Xiaoxin，et al.A rapid online calculation method for state of health of lithium-ion battery based on coulomb counting method and differential voltage analysis[J].Journal of Power Sources，2020，479：220-121.

[8] CHRISTOPHER R.LASHWAY，OSAMA A.MOHAMMED.Adaptive battery management and parameter estimation through physics-based modeling and experimental verification[J].IEEE Transactions on Transportation Electrification，2016，2（4）：454-464.

[9] MICHAEL W GRIEVES.Product lifecycle management：the new paradigm for enterprises[J].Int J of Product Development，2005，2：137-146.

[10] 陶飛，劉蔚然，劉檢華，等.數字孿生及其應用探索[J].計算機集成制造系統，2018，24（1）：1-18.

[11] 楊林瑤，陳思遠，王曉，等.數字孿生與平行系統：發展現狀、對比及展望[J].自動化學報，2019，45（11）：2001-2031.

[12] QU X，SONG Y，LIU D，et al.Lithium-ion battery performance degradation evaluation in dynamic operating conditions based on a digital twin model[J].Microelectronics Reliability，2020，114（5）：857-870.

[13] 邊霞，米良.遺傳算法理論及其應用研究進展[J].計算機應用研究，2010，27（7）：2425-2429，2434.

[14] 李松，劉力軍，解永樂.遺傳算法優化BP神經網絡的短時交通流混沌預測[J].控制與決策，2011，26（10）：1581-1585.

[15] 王德明，王莉，張廣明.基于遺傳BP神經網絡的短期風速預測模型[J].浙江大學學報（工學版），2012，46（5）：837-841，904.

[16] 黃煒，周烺，葛培，等.基于PSO-BP和GA-BP神經網絡再生磚骨料混凝土強度模型的對比研究[J].材料導報，2021，35（15）：15026-15030.

［責任編輯：李 嵐］

基金項目：國家自然科學基金項目（61772033）；安徽理工大學基金資助項目（ALW2021YF03）

作者簡介：付家豪（1997-），男，安徽淮南人，在讀碩士，研究方向：數字孿生、智能算法.E-mail：1163232129@qq.com.

通信作者：黃友銳（1971-），男，安徽長豐人，教授，博士，研究方向：數字孿生、智能算法等.E-mail：yrhuang@aust.edu.cn.