为提高新能源汽车锂电池跨工况下SOC(State of Charge,SOC)的预测精度以提升其运行可靠性,针对不同工况下的锂电池特征,笔者提出了一种深度学习预测模型。该模型基于卷积神经网络(CNN)和双向长短期记忆网络(BILSTM),对跨工况锂电池SOC...为提高新能源汽车锂电池跨工况下SOC(State of Charge,SOC)的预测精度以提升其运行可靠性,针对不同工况下的锂电池特征,笔者提出了一种深度学习预测模型。该模型基于卷积神经网络(CNN)和双向长短期记忆网络(BILSTM),对跨工况锂电池SOC进行估计。笔者采集了锂电池在不同工况下的温度、电流、电压和SOC等数据。然后,构建了CNN-BILSTM深度学习模型,并在联邦城市运行工况(Federal Urban Driving Schedule,FUDS)工况下进行训练测试。将该方法应用于动态应力测试工况(Dynamic Stress Test,DST)下,进行跨工况SOC估计。试验结果表明,本文提出的CNN-BILSTM模型能够有效预测锂电池的SOC值,在跨工况下也显示出良好的预测性能和较强的泛化能力。展开更多
数控机床作为一种现代化制造的核心设备,其发生故障不仅会对工作人员的自身安全造成威胁,而且还会给企业造成巨大的经济损失,仅通过工作人员的维护是很难实现的。由于数控机床故障诊断技术在我国起步较晚,功能与精度水平与发达国家存在...数控机床作为一种现代化制造的核心设备,其发生故障不仅会对工作人员的自身安全造成威胁,而且还会给企业造成巨大的经济损失,仅通过工作人员的维护是很难实现的。由于数控机床故障诊断技术在我国起步较晚,功能与精度水平与发达国家存在着较大的差距,提高国产数控机床的诊断技术迫在眉睫。本文作者在系统总结国内外研究成果的基础上,结合(BAM)神经网络修正模型、非线性动态系统、神经网络与"在停机时冷却液压力的瞬态响应特征"、Case Based Reasoning、蚁群算法、集成KPCA与PSO-RBF等方法的数控机床故障诊断技术7个方面分析了数控机床故障诊断技术理论与研究进展。展开更多
文摘数控机床作为一种现代化制造的核心设备,其发生故障不仅会对工作人员的自身安全造成威胁,而且还会给企业造成巨大的经济损失,仅通过工作人员的维护是很难实现的。由于数控机床故障诊断技术在我国起步较晚,功能与精度水平与发达国家存在着较大的差距,提高国产数控机床的诊断技术迫在眉睫。本文作者在系统总结国内外研究成果的基础上,结合(BAM)神经网络修正模型、非线性动态系统、神经网络与"在停机时冷却液压力的瞬态响应特征"、Case Based Reasoning、蚁群算法、集成KPCA与PSO-RBF等方法的数控机床故障诊断技术7个方面分析了数控机床故障诊断技术理论与研究进展。