ПРИМЕНЕНИЕ МЕТОДА ЦИФРОВОГО ДВОЙНИКА ДЛЯ ПРОГНОЗИРОВАНИЯ ОСТАТОЧНОГО РЕСУРСА ЛИТИЙ-ИОННЫХ БАТАРЕЙ ВОЕННЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ
Keywords:
цифровой двойник, остаточный ресурс, литий-ионные батареи, военная авиация, прогностика, Temporal Convolutional Network, Gaussian Process Regression, техническое обслуживание по состоянию, электрохимическая модель, деградация аккумуляторовAbstract
В статье представлен подход к прогнозированию остаточного ресурса (Remaining Useful Life, RUL) литий-ионных аккумуляторных батарей военных летательных аппаратов на основе технологии цифрового двойника. Разработана концепция цифрового двойника аккумуляторной батареи, включающего физически обоснованную модель деградации, модуль машинного обучения и механизм непрерывной параметрической идентификации в процессе эксплуатации. Предложена методика формирования обучающей выборки с использованием синтетических данных, генерируемых электрохимической моделью Доуда–Ньюмана в режимах, характерных для военной авиации. Представлена архитектура ансамблевой модели прогнозирования, объединяющей алгоритмы Temporal Convolutional Network (TCN) и Gaussian Process Regression (GPR) с квантификацией неопределённости. Экспериментально подтверждено, что разработанная система обеспечивает прогнозирование RUL с погрешностью не более 4,3 % на горизонте 40 циклов при доверительном интервале 95 %. Показана возможность интеграции разработанной системы в структуру технического обслуживания авиационной техники по состоянию.
References
Jardine A.K.S., Lin D., Banjevic D. A review on machinery diagnostics and prognostics implementing condition-based maintenance // Mechanical Systems and Signal Processing. — 2006. — Vol. 20, No. 7. — P. 1483–1510.
Grieves M., Vickers J. Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems // Transdisciplinary Perspectives on Complex Systems. — Springer, 2017. — P. 85–113.
Tao F., Zhang M., Nee A.Y.C. Digital Twin Driven Smart Manufacturing. — Academic Press, 2019. — 256 p.
Saha B., Goebel K., Poll S., Christophersen J. Prognostics methods for battery health monitoring using a Bayesian framework // IEEE Trans. Instrum. Meas. — 2009. — Vol. 58, No. 2. — P. 291–296.
Falcone M., McKee T. et al. Digital Twin for Battery Systems: Cloud-based monitoring, prognosis, and diagnostic // J. Energy Storage. — 2020. — Vol. 30. — Art. 101557.
Lu L. et al. A review on the key issues for lithium-ion battery management in electric vehicles // J. Power Sources. — 2013. — Vol. 226. — P. 272–288.
Li W. et al. Battery lifetime prognostics // Joule. — 2019. — Vol. 3, No. 12. — P. 2598–2622.
Степин Д.И. Интеллектуальная управляющая система мониторинга состояния литий-ионных аккумуляторных батарей военной авиации: дис. ... д-ра филос. (PhD). — Ташкент: Харбий авиация институти, 2025. — 195 с.
Doyle M., Fuller T.F., Newman J. Modeling of galvanostatic charge and discharge of the lithium/polymer/insertion cell // J. Electrochem. Soc. — 1993. — Vol. 140, No. 6. — P. 1526–1533.
Bai G. et al. Remaining useful life estimation of lithium-ion batteries based on a hybrid data-driven method // IEEE Trans. Veh. Technol. — 2021. — Vol. 70, No. 9. — P. 8843–8853.
Lea G. et al. Temporal Convolutional Networks for sequence modeling // Proc. IEEE CVPR Workshop. — 2018.
Rasmussen C.E., Williams C.K.I. Gaussian Processes for Machine Learning. — MIT Press, 2006. — 248 p.
Степин Д.И. Интеллектуальная система мониторинга состояния литий-ионных аккумуляторных батарей военной авиации: архитектура и алгоритмы // [Название журнала]. — 2025. — Т. XX, № X. — С. XX–XX.
Downloads
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
