为了提高锂离子电池健康状态(state of health,SOH)估计的精确度,本研究结合卷积神经网络(convolutional neural networks,CNN)强大的局部特征提取能力和Transformer的序列处理能力,提出了基于多项式特征扩展的CNN-Transformer融合模型...为了提高锂离子电池健康状态(state of health,SOH)估计的精确度,本研究结合卷积神经网络(convolutional neural networks,CNN)强大的局部特征提取能力和Transformer的序列处理能力,提出了基于多项式特征扩展的CNN-Transformer融合模型。该方法提取了与电池容量高度相关的增量容量(incremental capacity,IC)曲线峰值、IC曲线对应电压、面积及充电时间作为健康因子,然后将其进行多项式扩展,增加融合模型对输入特征的非线性处理能力。引入主成分分析法(principal component analysis,PCA)对特征空间进行降维,有利于捕获数据有效信息,减少模型训练时间。采用美国国家宇航局(National Aeronautics and Space Administration,NASA)数据集和马里兰大学数据集,通过加入多项式特征前后的CNN-Transformer模型对比、加入多项式特征的CNN-Transformer模型和单一模型算法对比,验证了加入多项式特征的CNN-Transformer融合算法的有效性和精确度,结果表明提出模型的SOH估计精度相较于未加入多项式特征的CNN-Transformer模型,对于B0005、B0006、B0007、B0018数据集分别提高了38.71%、50.28%、4.71%、17.58%。展开更多
针对现有城市轨道交通(简称:城轨)设备状态信息采集不完整、设备运维管理缺少决策支持数据、各专业运维业务缺乏统筹协调、运维效率低等现实问题,着眼于城轨设备综合运维管理,基于故障预测与健康管理(PHM,Prognostics Health Management...针对现有城市轨道交通(简称:城轨)设备状态信息采集不完整、设备运维管理缺少决策支持数据、各专业运维业务缺乏统筹协调、运维效率低等现实问题,着眼于城轨设备综合运维管理,基于故障预测与健康管理(PHM,Prognostics Health Management)理念,提出城轨设备智能运维系统的总体架构和功能框架,探讨亟需深入研究的关键技术。该系统通过采集和利用大量设备监测数据,利用故障诊断模型、人工智能算法和工作流引擎,在实现关键设备健康管理的基础上,自动生成设备运维计划,辅助设备运维管理决策,支持多业务作业协同,有助于提高城轨设备整体运维效能,提高城轨设备健康水平和性能,最小化停运时间,降低维修保障费用,保障城轨安全、可靠、高效运营。展开更多
文摘为了提高锂离子电池健康状态(state of health,SOH)估计的精确度,本研究结合卷积神经网络(convolutional neural networks,CNN)强大的局部特征提取能力和Transformer的序列处理能力,提出了基于多项式特征扩展的CNN-Transformer融合模型。该方法提取了与电池容量高度相关的增量容量(incremental capacity,IC)曲线峰值、IC曲线对应电压、面积及充电时间作为健康因子,然后将其进行多项式扩展,增加融合模型对输入特征的非线性处理能力。引入主成分分析法(principal component analysis,PCA)对特征空间进行降维,有利于捕获数据有效信息,减少模型训练时间。采用美国国家宇航局(National Aeronautics and Space Administration,NASA)数据集和马里兰大学数据集,通过加入多项式特征前后的CNN-Transformer模型对比、加入多项式特征的CNN-Transformer模型和单一模型算法对比,验证了加入多项式特征的CNN-Transformer融合算法的有效性和精确度,结果表明提出模型的SOH估计精度相较于未加入多项式特征的CNN-Transformer模型,对于B0005、B0006、B0007、B0018数据集分别提高了38.71%、50.28%、4.71%、17.58%。
文摘针对现有城市轨道交通(简称:城轨)设备状态信息采集不完整、设备运维管理缺少决策支持数据、各专业运维业务缺乏统筹协调、运维效率低等现实问题,着眼于城轨设备综合运维管理,基于故障预测与健康管理(PHM,Prognostics Health Management)理念,提出城轨设备智能运维系统的总体架构和功能框架,探讨亟需深入研究的关键技术。该系统通过采集和利用大量设备监测数据,利用故障诊断模型、人工智能算法和工作流引擎,在实现关键设备健康管理的基础上,自动生成设备运维计划,辅助设备运维管理决策,支持多业务作业协同,有助于提高城轨设备整体运维效能,提高城轨设备健康水平和性能,最小化停运时间,降低维修保障费用,保障城轨安全、可靠、高效运营。
