基于充电阶段数据与GWO-BiLSTM模型的锂电池SOH估计方法

针对锂电池健康状态(state of health,SOH)估计过程中健康特征(health features,HFs)提取单一、估计精度较低等问题,提出一种基于充电阶段数据与灰狼优化(grey wolf optimizer,GWO)算法-双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络的锂电池SOH估计方法。首先,从电池充电阶段数据中提取五类HFs。接着,利用核主成分分析法(kernel principal component analysis,KPCA)获取HFs的关键健康因子。最后,应用GWO-BiLSTM模型对关键健康因子和SOH之间的映射关系进行动态建模,实现锂电池SOH的估计。利用NASA电池老化数据集进行验证,结果表明,所提出方法能够准确估计锂电池的SOH,均方根误差保持在1%以内,具有较高的估计精度和鲁棒性。

基于机器视觉的非接触式心率测量系统开发

非接触式心率测量是指在不接触被测对象的情况下进行心率测量,此方法适用于远程医疗、居家监护等领域,采用简单的硬件设备(摄像头)可对患者进行非接触心率测量。本文采用一种基于光电容积的脉搏波描记技术(photopletlysmograplhy,PPG),设计了一种非接触式心率测量系统,只需要普通摄像头即可对人体心率进行实时的监控。在便捷性上实现了突破,且该非接触式心率测量的精度与市面上常见的运动手环心率的测量结果保持99%的相似度。