基于无迹卡尔曼滤波的动力电池状态估计

准确预测动力电池的荷电状态(SOC)与健康状态(SOH)对电动汽车电池系统的安全运行至关重要。卡尔曼滤波(KF)算法被广泛用于动力电池的状态估计,但非线性误差较大。提出利用无迹卡尔曼滤波(UKF)算法实现对动力电池状态的准确估计。首先,通过分析动力电池实验数据,建立一阶等效电路模型,模型拟合优度达到0.992。随后,加入容量衰退机制模拟锂离子电池老化过程,并对电池进行恒流充电以及随机放电循环,模拟动力电池实际工况。不同初始值下,SOC、SOH估计的均方根误差均小于0.01,且随着循环次数的增加,误差逐渐减小。

带有状态/输入量化的无人艇航向跟踪控制

[目的]针对水面无人艇(USV)的海上通信受限的问题,提出一种带有状态/输入量化的USV航向跟踪控制方法。[方法]基于反步法设计系统控制律,结合动态面技术降低虚拟控制律的计算量膨胀问题。对于控制系统中存在的不确定项及外界干扰,利用扩张状态观测器(ESO)进行估计。采用均匀量化器分别对控制系统中的状态变量和控制输入进行量化,且量化后的状态反馈信息仅用于跟踪控制。利用量化状态递归设计基于ESO的USV航向控制器,证明闭环控制系统中量化变量和非量化变量间误差的有界性。[结果]基于李雅普诺夫稳定性理论,提出了量化误差考量及闭环系统稳定性判定方法,严格证明了所设计的带有状态量化和输入量化的USV航向跟踪控制系统的稳定性,仿真实验验证了该控制策略的有效性。[结论]结果表明,所提方法可为USV航向跟踪控制提供借鉴。

尾波干涉法检测混凝土应力损伤状态试验研究

为了更加精确地检测混凝土内部应力损伤状态,利用Ritec非线性高能超声测试系统对4种不同强度等级的混凝土试块和短柱进行超声波尾波干涉试验,建立尾波波速变化率-应力(dv/v-σ)曲线,根据曲线斜率构造尾波波速变化率与应力状态模型并对混凝土损伤状态进行研究。结果表明:所构造的应力状态模型将混凝土的损伤过程分为3部分:0~40%极限抗压强度、40%~70%极限抗压强度、70%极限抗压强度至破坏。根据应力状态模型可以清晰地对混凝土在承受荷载过程中的应力区间及损伤状态进行判定,进而评估其安全状态。

基于改进Kruskal-Wallis检验的低压开关电器状态表征参数选择

由于状态数据的多属性、高维度和大数据量,以及特征参数难以满足正态性和方差齐性检验的事实,低压开关电器的状态表征参数难于选择。针对该问题,基于非参数单体多状态样本的分组状态间秩差异性,以及特征参数Kruskal-Wallis(KW)检验统计量的计算规则和变化趋势,研究论证了单体样本特征参数表征显著性鉴别机理。同时,基于状态序列斜率变化增量和子序列变异增量,提出样本状态时序分类算法,并将该算法与参数鉴别机理相结合,形成单体多状态样本改进KW检验理论。最后,基于改进理论提出低压开关电器状态表征参数选择新方法。以交流接触器为例进行验证,结果表明该文方法适用于具有非线性、非平稳、动态随机分布等特点的低压开关电器状态表征参数选择。实例证明,基于该方法获得状态表征曲线的拟合优度可达0.91,状态划分显著性P值可达8.42848×10–266,表征与分类精度较参数选择前及同类方法提升明显,为下一步研究低压开关电器状态的精确划分与识别奠定了理论基础。

基于输入−状态联合估计的漂浮式风机塔架结构载荷反演及状态分析

[目的]旨在研究波浪作用下漂浮式风机塔架的结构载荷反演方法及动力响应状态。[方法]以半潜型风机为研究对象,通过时域仿真模拟测量数据,并且基于漂浮式风机的频域仿真模型计算塔架的质量归一化模态,将二者作为输入−状态联合估计(joint input-state estimation,JIS)算法的输入,对漂浮式风机塔架开展结构载荷反演以及实时状态分析。[结果]结果表明:基于JIS算法,以塔架节点的仿真数据作为算法的输入,估计的塔根载荷以及塔架节点响应与仿真结果具有良好的一致性,实现了高精度的反演。[结论]反演结果验证了JIS算法的有效性,可以用于漂浮式风机的实时状态分析,保障漂浮式风机长期安全稳定运行。

采用深度学习的全寿命周期锂电池荷电状态估计

针对锂离子电池的健康状态(SOH)随着充放电循环次数的增加而持续退化,导致在整个寿命周期内准确估计电池的荷电状态(SOC)难度较高的问题,提出了一种采用深度学习的全寿命周期内锂离子电池SOC估计模型。该模型采用被估计时刻及之前多个历史时刻的电流、电压和温度组成的序列数据作为模型的输入,先采用一维卷积神经网络(1D CNN)提取序列的特征,再用门控循环单元(GRU)建立特征与SOC之间的非线性关系,然后采用贝叶斯优化方法(BO)对网络超参数进行寻优以提升预测的精度。采用两个公开数据集对所提出的模型进行验证,实验结果表明:所提模型在较宽的SOH范围内实现了精确的SOC预测,且预测精度显著优于采用单个深度学习模型的预测精度;与CNN和BiLSTM模型相比,所提模型的均方根误差分别平均降低了15.16%和45.22%;当输入序列的长度为10、数据采样间隔时间为1 min时,在两个数据集上预测的均方根误差均低于2%。

耳迷走神经刺激对运动员赛前焦虑状态影响的研究

目的观察耳迷走神经刺激对赛前焦虑运动员心理状态与运动成绩的影响。方法2022年3月至2023年1月在成都体育学院达到二级跳远运动员标准的运动员55例,随机数字法分为治疗组29例和对照组26例,分别接受耳迷走神经刺激治疗和非迷走神经刺激治疗,比较两组治疗前后汉密尔顿焦虑量表(HAMA)得分、焦虑自评量表(SAS)得分、赛时最差、平均和最差优跳远成绩。结果耳迷走神经刺激治疗后,治疗组有效率高于对照组(P<0.05)。两组HAMA与SAS均较治疗前降低,且治疗组低于对照组(P<0.05),治疗组运动员比赛中的最低成绩与平均成绩均较治疗前提升,且治疗组优于对照组(P<0.05),两组最高成绩比较,差异无统计学意义(P>0.05)。结论耳迷走神经刺激能显著改善赛前焦虑跳远运动员的心理状态,改善其比赛中的竞技状态。

小样本学习驱动的无线频谱状态感知

无线频谱状态感知是实现无线频谱资源高效利用及各种用频系统和谐共存的先决条件之一。针对复杂无线传播环境下获取的频谱观测往往存在数据稀疏性、数据类别分布不稳定、标记数据严重不足的情况,该文提出基于插值和小样本学习(FSL)分类的无线频谱状态感知方法。首先,对捕获的稀疏频谱观测数据插值,构建频谱状态地图,作为频谱状态分类器的输入数据。其次,针对频谱数据类别分布不稳定、数据量严重不足的问题,基于小样本学习方法,利用嵌入模块和度量模块协同工作,以实现快速精确的频谱状态分类。具体地,利用嵌入模块将频谱数据映射到嵌入空间,提取频谱数据中的隐含特征;在度量模块的设计中,分别提出基于原型和基于样例的两种类别表示方式,通过计算待分类样本与类别之间的相似度判断待分类样本类别。最后,为了确保分类模型克服测试样本数量少导致过拟合问题,设置A-way B-shot任务训练模型。仿真结果表明,与传统机器学习方法相比,本文模型可以在低信噪比条件下进行精准分类;同时,在测试集样本数很少的情况下,或者在测试集中出现在训练集从未见到的新类时,所训练的模型也可以精准快速判别无线频谱的场景类别。

紧急行政:非常状态下的政府治理模式研究

现代社会已然成为公共危机高发的风险社会,对突发公共危机的高效处置是现代政府的法定职责。作为专务公共危机治理的一种公共行政模式,紧急行政是在特定的突发事件出现之时,有权机关展开识别和研判,并决定进行社会情境切换之后所采取的一系列特别的应对策略和治理手段。紧急行政涉及情境、制度和行动三个方面基本要素,即突发公共危机诱发了社会情境切换制度的运行,从而进入异于日常状态的、兼具事实性和规范性的非常状态,围绕紧急行政开展的公共行动也由此获得了出场的合法性。相比于日常状态下的公共行政,非常状态下的紧急行政的特殊之处在于任务的综合性、权力的优益性以及效力的时空性。基于此,应从情境转换机制、制度衔接机制以及行动协同机制等方面搭建和完善紧急行政的运行框架,推进国家治理现代化。

管制员不良工作状态与疲劳状态分析

为分析管制员不良的工作状态与疲劳状态之间的关系,监测管制员工作状态,采用主观评价方法收集185名管制员的主观看法,通过灰色关联分析不良工作状态和疲劳状态的影响因素,对其重要性进行排序,并通过疲劳自评量表研究了管制员处于不良工作状态时对应的疲劳程度。结果表明,管制员不良工作状态与疲劳状态影响因素之间存在差异性和统一性,且当管制员处于中度疲劳后,其工作状态将受到影响,因此,对管制员疲劳状态的研究应当更多关注于中度及重度疲劳的识别。

基于物联网的智能家居电路运行状态监测方法

针对现有监测方法对智能家居电路运行状态监测时存在数据包丢失率过高,影响监测稳定性和可靠性的问题,引入物联网技术,开展智能家居电路运行状态监测方法研究。该方法依赖于智能设备和传感器,获取智能家居电路运行数据。为保证监测精度,分离运行数据,并完成零漂校正,利用物联网技术,实现电路状态监测与异常报警。通过对比实验证明,新的监测方法在实际应用中数据包丢失率显著降低,具备极高的监测稳定性和可靠性,具有较大的推广价值。

锂电池状态跨域估计算法综述

对锂电池运行状态进行精确估计和预测是保障其运行性能和安全的重要手段。基于数据驱动的锂电池状态估计算法容易受到实际数据分布偏差影响而导致预测模型性能下降,限制了模型的泛化性能,基于迁移学习的锂电池状态跨领域估计算法可以较好地解决此类问题。该文分别从锂电池荷电状态估计、健康状态估计以及剩余寿命估计3类常见应用场景展开讨论,比较不同场景下方法之间的差异,同时揭示它们之间的共性。从技术路线角度出发将常用于状态估计的迁移学习方法归纳为3类:基于微调的迁移、基于度量的迁移和基于对抗训练的迁移。介绍了每一类方法的基本原理、代表性技术和典型应用场景,并基于此3类技术路线对近年基于迁移学习的锂电池状态跨域估计方法进行了全面的归纳介绍。

基于脑电微状态特征的正常老年人大脑网络特性研究

采用脑电(EEG)微状态方法,分析了94名受试者静息闭眼61通道脑电数据。基于脑电微状态时间序列、微状态转移概率提出微状态变化率与微状态转移熵计算方法,用于评估大脑功能网络动态信息交流特性及其复杂程度。结果显示,2组均得到A、B、C、D这4种经典微状态,相较于青年人,老年人微状态A、B特征及两者之间的转移概率均增加,而微状态C、D特征和微状态变化率以及微状态转移熵均降低。利用线性回归分析发现,脑电微状态特征与大脑内不同节律波能量相关,预示了正常老年人大脑动态特性发生改变,脑网络动态信息交流减弱,可能与老年人大脑内高频信号增加有关。

放电状态下阀控式密封铅酸蓄电池状态监测研究

阀控式密封铅酸蓄电池主要应用于变电站,随着充放电次数的增加,蓄电池逐渐衰减,实际容量不断下降,影响供电的可靠性。为了对此类电池的健康状态进行精确的监测,研究过程基于Kmeans算法和递归最小二乘法构建状态预估算法,利用传感器采集放电数据,进行数据预处理、聚类、模型参数识别,进而估算出健康状态。经过实验,该算法的预测结果与实际值的偏差非常小,并且精度优于归一化方法。

高压电气设备故障运行状态自适应预警方法

【目的】为了提前发现潜在的高压电气设备故障,并及时采取有效措施进行修复或维护,以确保高压电气设备的安全运行和延长高压电气设备的使用寿命,为此提出了高压电气设备故障运行状态自适应预警方法。【方法】建立高压电气设备故障运行状态数据库,利用所收集、分析和处理的数据来建立高压电气设备运行状态模型,结合该模型实现高压电气设备故障运行状态自适应预警。【结果】试验结果表明,该方法的高压电气设备故障运行状态自适应预警效果较好,具备较高的实际应用价值。【结论】该设计能够监测高压电气设备运行状态,通过分析数据和模式识别,及时发现潜在的故障迹象,有助于预防设备的故障发生,避免大规模停机和生产中断,提高设备的安全性和可靠性。

基于双自适应扩展粒子滤波器的锂离子电池状态联合估计

为了更好地优化电池的能量管理,提高电池的利用效率,加强电池的安全性能,有必要对锂离子电池的荷电状态(SOC)和健康状态(SOH)进行精确估计。为解决噪声协方差取值和粒子采样分布问题,该文首先提出自适应扩展粒子滤波(AEPF)算法,根据状态向量预测的准确度自适应调整噪声协方差,并利用扩展卡尔曼滤波实现粒子分布函数的局部线性化。随后利用双自适应扩展粒子滤波(DAEPF)算法进一步实现电池SOC和SOH的联合估计,避免电池使用过程中模型参数变化对SOC估计的影响,并结合多时间尺度的方法节约所需的计算资源。最后在动态工况条件下对不同电池模型与算法进行对照实验,结果表明,改进后的算法收敛速度明显提升,且能够显著地提高电池的SOC与SOH的估计精度。

基于注意力机制和CNN-GRU组合网络的海底电缆运行状态预测方法

海底电缆作为各类海上平台能源供给的生命线,一旦发生故障将产生巨大的经济及战略影响,准确预测海底电缆运行状态有助于提前把握其运行风险,从而实现预防性维护。在充分挖掘海底电缆运维数据中的动、静态特征的基础上,提出了一种基于注意力机制和卷积神经网络-门控循环神经网络(convolutional neural networks-gated recurrent unit, CNN-GRU)海底电缆运行状态预测方法。首先,考虑在线监测、巡检指标、静态试验三类关键影响因素,建立海底电缆运行状态评估指标体系;然后,基于改进层次分析法及多层次变权评估思想构建海底电缆运行状态评估模型;最后,建立基于注意力机制和CNN-GRU组合神经网络模型,将历史运行参数及状态量化结果作为输入特征参量,实现海底电缆运行状态的演化趋势预测。算例分析表明,所提方法可有效预测海底电缆的运行状态,平均百分数误差低至1.04%,与全连接神经网络、CNN、CNN-长短期记忆神经网络(long short term memory, LSTM)等算法相比均具备更优的预测精度。

锂离子电池健康状态估计及寿命预测研究进展综述

随着锂离子电池的应用越来越广泛,锂电池健康状态的精确估计和剩余寿命的实时预测对于锂电池系统的安全运行和降低运维成本具有重要意义。锂电池内部复杂的物理化学反应和外部复杂工作条件,使得实现精准的健康状态估计和寿命预测具有挑战性。该文综述近年来锂电池健康状态估计和剩余使用寿命预测方法的研究现状,分析基于物理/数学模型、数据驱动、模型法和数据驱动融合,以及多种数据驱动融合的锂电池健康状态估计方法的优缺点及适用条件,并对比分析不同数据驱动类型的锂电池寿命预测方法。指出锂电池健康状态估计及寿命预测尚存在的问题,并对未来研究方向进行展望,对完善锂电池健康状态估计和寿命预测算法理论体系、指导实际应用技术具有重要意义。

基于Adaboost-PSO-SVM的铝电解槽健康状态诊断方法研究

针对铝电解槽在铝电解生产过程中故障频发的问题,提出了一种基于支持向量机(support vector machine,SVM)的铝电解槽健康状态诊断模型,考虑传统的支持向量机只能适用于二分类问题,采用自适应推进算法(adaptive boosting,Adaboost)将支持向量机的二分类问题转化为多分类问题用于求解铝电解槽健康状态诊断问题,充分考虑了子模型的权重,强化了模型的适用性。并利用粒子群优化算法(particle swarm optimization,PSO)对其超参数寻优,提高模型的预测精度。实验结果表明,提出的铝电解槽健康状态诊断模型的准确率和Macro-F1分数分别达到94.70%和0.9453,相较于其他传统模型均有显著提升。

基于HMM的逆雷达辐射源状态识别推理方法

雷达对抗场景中雷达方和干扰方相互感知、识别以及博弈对抗.针对雷达方对干扰方系统内部状态的非合作识别推理的问题,提出了一种对干扰系统中雷达辐射源状态识别模块处理结果进行逆向估计的方法.建立了逆状态识别任务模型,任务中的干扰系统根据雷达工作状态识别结果对其干扰动作进行优化,雷达方则基于对干扰方干扰样式序列的观测,估计干扰方对雷达工作状态的识别结果;设计了基于隐马尔可夫模型(HMM)的逆状态识别任务求解方法,具体包括通过自适应粒子群算法进行模型参数初始化,采取多观测序列的鲍姆-韦尔奇算法进行模型参数估计,采用对数维特比算法估计干扰方的雷达状态识别结果;通过典型雷达对抗场景设定下的数字仿真验证了所给逆状态识别方法的可行性和有效性.