健康状态(state of health,SOH)是数据中心阀控式铅酸电池(value regulated lead acid,VRLA)容量及安全管理的关键指标,而常用的SOH测量方法因检测过程放电时间长、深度大无法满足运营需求,因此对数据中心VRLA电池的健康状态估计研究是...健康状态(state of health,SOH)是数据中心阀控式铅酸电池(value regulated lead acid,VRLA)容量及安全管理的关键指标,而常用的SOH测量方法因检测过程放电时间长、深度大无法满足运营需求,因此对数据中心VRLA电池的健康状态估计研究是非常必要的。针对SOH数据驱动建模存在的估计精度低的问题,提出一种基于时空注意力(spatio-temporal attention,STA)和长短期记忆(long short term memory,LSTM)网络的STA-LSTM深度学习模型。该模型用时空注意力机制在输入数据的特征和时间步上分配注意力权重从而生成新的输入,使用LSTM网络对新的输入进行编码以及实现SOH估计输出。基于电池放电深度50%的数据建模应用结果表明,STA-LSTM模型取得最优估计精度,注意力机制的引入提升黑箱模型的收敛速度、估计精度及物理可解释性。展开更多
针对炼化装置控制回路中检测仪表与执行机构的异常诊断问题,提出一种相关分析法-聚类-支持向量描述(Support Vector Data Description,SVDD)方法。首先,选取控制回路中操纵变量与被控变量历史数据中具有动态变化特性的数据,通过相关分...针对炼化装置控制回路中检测仪表与执行机构的异常诊断问题,提出一种相关分析法-聚类-支持向量描述(Support Vector Data Description,SVDD)方法。首先,选取控制回路中操纵变量与被控变量历史数据中具有动态变化特性的数据,通过相关分析法辨识其有限脉冲响应函数模型。接着,将多组有限脉冲响应模型参数构成一个数据矩阵,通过k-means算法进行聚类分析。然后,用聚类产生的类中数据较多的类训练SVDD超球体。最后,在控制回路中利用经过在线辨识出的有限脉冲响应模型参数与已经过训练的SVDD超球体进行异常诊断。利用某炼化厂实际生产数据,经过实验分析诊断出控制回路的异常原因,证实了该方法的有效性。展开更多
文摘健康状态(state of health,SOH)是数据中心阀控式铅酸电池(value regulated lead acid,VRLA)容量及安全管理的关键指标,而常用的SOH测量方法因检测过程放电时间长、深度大无法满足运营需求,因此对数据中心VRLA电池的健康状态估计研究是非常必要的。针对SOH数据驱动建模存在的估计精度低的问题,提出一种基于时空注意力(spatio-temporal attention,STA)和长短期记忆(long short term memory,LSTM)网络的STA-LSTM深度学习模型。该模型用时空注意力机制在输入数据的特征和时间步上分配注意力权重从而生成新的输入,使用LSTM网络对新的输入进行编码以及实现SOH估计输出。基于电池放电深度50%的数据建模应用结果表明,STA-LSTM模型取得最优估计精度,注意力机制的引入提升黑箱模型的收敛速度、估计精度及物理可解释性。
文摘针对炼化装置控制回路中检测仪表与执行机构的异常诊断问题,提出一种相关分析法-聚类-支持向量描述(Support Vector Data Description,SVDD)方法。首先,选取控制回路中操纵变量与被控变量历史数据中具有动态变化特性的数据,通过相关分析法辨识其有限脉冲响应函数模型。接着,将多组有限脉冲响应模型参数构成一个数据矩阵,通过k-means算法进行聚类分析。然后,用聚类产生的类中数据较多的类训练SVDD超球体。最后,在控制回路中利用经过在线辨识出的有限脉冲响应模型参数与已经过训练的SVDD超球体进行异常诊断。利用某炼化厂实际生产数据,经过实验分析诊断出控制回路的异常原因,证实了该方法的有效性。