基于Informer神经网络的锂离子电池容量退化轨迹预测

通过对锂离子电池容量退化轨迹的精确预测可以大幅提升电池材料的研究效率。针对Transformer网络在锂电池容量退化轨迹预测这种长时间序列预测任务中存在的问题,本工作采用滑动窗口策略,构建了一种基于Informer网络的锂离子电池容量退化轨迹预测方法。首先,利用滑动窗口对数据集进行划分和再拼接,便于神经网络挖掘数据序列内部的相关性;然后,根据Informer网络的周期性时间特征捕捉能力设计适用于锂电池数据的全局时间戳;最后,使用前10%容量数据通过多步滚动预测方法实现模型输出,缓解预测中的误差累积问题,进而得到完整的预测轨迹。通过选取不同的误差评价指标和训练过程中的时间开销,在美国马里兰大学提供的锂电池数据集上验证了所建立模型的准确性和训练效率,并在美国航空航天局提供的电池数据集上验证了模型的泛用性。本工作模型的预测结果与多层感知机神经网络、循环神经网络及Transformer网络模型对比,退化轨迹与真实轨迹最为拟合,且训练时间开销小,预测结果的平均绝对误差和均方根误差控制在2.57%和3.5%,验证了所提预测方法的有效性。

基于有限元分析的液压缸密封圈磨损分析

液压缸密封圈磨损原因较多,难以通过肉眼直观观察,很难找到直接原因,提出基于有限元的液压缸密封圈磨损量分析方法。基于液压缸密封圈几何模型、材料模型和物理模型,分析了橡胶密封圈在应力和应变上的非线性,通过定义应变密度函数,构建了液压缸密封圈的有限元模型。根据液压缸活塞的密封结构,分析了液压缸活塞的运动特点,利用Archard模型描述密封圈的外观特征变化,通过计算密封圈接触面上任意一点的磨损深度,分析液压缸密封圈的磨损量。试验结果表明,所研究方法可以对液压缸密封圈的裂纹深度与裂纹扩展角度进行有效分析,两项指标的试验分析与实测结果基本一致,裂纹深度的试验分析误差最大值仅为0.002 mm。方法有助于提高液压缸设计的密封可靠性。

原位式准静态压电材料温度特性测试系统研发

压电材料的压电-温度特性会直接影响到压电器件的工作稳定性,是压电器件研发的重要依据。文中基于准静态测量方法研制上、下位机系统,实现了原位压电-温度特性测试。其次,设计开发了变温管式炉、激振器驱动、信号调理与采集电路,构建了准确的滤波与工频陷波算法。实测结果表明,所设计系统测试结果稳定,能够准确测量压电-温度特性并标定压电材料相变温度,可为压电器件设计提供重要的参考。