XiaoMi-AI文件搜索系统
World File Search System使用寿命
基于锂离子电池的剩余使用寿命预测...
无人管理的水下车辆通常部署在深海环境中，这些环境呈现出独特的工作条件。锂离子电池对于为水下车辆供电至关重要，至关重要的是要准确预测其剩余使用寿命（RUL）以保持系统的可靠性和安全性至关重要。我们提出了一个基于完整集合经验模式分解的残留寿命预测模型框架，并具有自适应噪声 - 时空卷积网（Ceemdan-TCN），该卷积网（Ceemdan-TCN）利用了扩张的因果汇报来提高模型捕获局部容量再生的能力，并增强了整体预测准确性。ceemdan被用来确定数据并防止由局部再生引起的Rul预测错误，并利用特征扩展来扩展原始数据的时间维度。NASA和CALCE电池容量数据集用作训练网络框架的输入。输出是当前预测的剩余容量，它与实际剩余电池容量进行了比较。MAE，RMSE和RE用作RUL预测性能的评估索引。在NASA和CACLE数据集上验证了所提出的网络模型。评估结果表明，我们的方法具有更好的寿命预测性能。同时，证明特征扩展和模态分解都可以提高模型的概括能力，这在工业场景中非常有用。
跨疗法上心基因组范围的关联元分析DNA甲基化与使用寿命大麻的使用
大麻在全球范围内广泛使用，但其与健康结果的联系尚未完全了解。DNA甲基化可以作为将环境暴露与健康结果联系起来的介体。我们在荟萃分析中进行了一项对周围性基因组的关联研究（EWA）（EWAS），其中包括9436名参与者（7795名欧洲和1641名非洲祖先），对七个同类的荟萃分析进行了基于外周的DNA甲基化和终生使用大麻的使用（vs.从未）。考虑了吸烟的影响，我们的跨性ewas荟萃分析显示，以0.05 p <5：85 ´107Þ的虚假发现率，与终身大麻的使用显着相关的CPG站点显着相关ACTN1和CG01101459在Linc01132附近。此外，我们在从未抽烟的参与者中进行的EWA分析，这些香烟识别出另一个遍及均质的CPG位点，CG14237301注释给APOBR。，我们使用了一项淘汰方法来评估构成的甲基化评分，该评分是构建的，是CPGS的加权总和。最佳模型可以解释使用寿命大麻的3.79％。这些发现揭示了与寿命使用大麻相关的DNA甲基化变化，这些变化与吸烟无关，并且可以作为进一步研究大麻暴露会影响健康结果的机制的起点。
结合布朗运动和相似原理的方法来改进剩余使用寿命预测
如今，基于状态的维护 (CBM) [1] 是制造业越来越多地尝试采用的一种维护策略，目的是降低设备单元的生命周期成本并延长其可用性。CBM 使用实时信息通过恢复设备单元的功能特性来优化维护时机。它基于设备单元的当前健康监测，因此添加预测工具来预测未来状态和预测维护非常重要。故障预测是 CBM 的主要任务之一。它根据状态监测信息估计设备单元的 RUL。通常，预测方法可以根据所用信息的类型分为三大类。这些类别 [2]、[3] 被定义为基于物理模型的方法、数据驱动的方法和基于融合的方法。基于物理模型的方法 [4] 使用显式数学模型来表示动态系统的退化。数据驱动的方法基于状态监测，
人工智能驱动的可再生能源系统预测性维护和优化，以提高运营效率和使用寿命
可再生能源系统的快速发展需要先进的维护和优化策略，以确保长期的运营效率和可持续性。传统方法通常无法预测故障并优化多样化和动态可再生能源基础设施的性能。本研究探讨了人工智能 (AI) 技术在可再生能源系统的预测性维护和优化中的应用，旨在提高运营效率并延长系统寿命。我们采用多种机器学习算法，包括深度神经网络和强化学习，来开发预测模型和优化策略。这些模型是在从运营中的风电场、太阳能装置和水力发电厂收集的大规模数据集上进行训练的。我们的结果表明，与传统方法相比，人工智能驱动的方法可以以 92% 的准确率预测设备故障，将计划外停机时间减少 35%。此外，人工智能优化的运行参数使所研究系统的整体能源输出提高了 8.5%。所提出的框架还显示出对各种环境条件和系统配置的适应性，表明其在可再生能源领域具有广泛的适用性。这项研究强调了人工智能在彻底改变可再生能源系统的维护实践和运营策略方面的巨大潜力，为更可靠、高效和可持续的清洁能源生产铺平了道路。
eVTOL 的剩余使用寿命数字阴影......
数字阴影能够成功模拟电机的速度和 q 轴电流调节。这种精确的响应确保了数字阴影为 RUL 模型提供的输入与真实组件所经历的输入相当。瞬态模型和硬件响应之间的一致性如图 2 所示。仅从负载和速度设定点，瞬态模型就能够准确预测电机的速度、扭矩和功率响应。然后使用这些计算出的量作为输入来确定关键系统组件的 RUL。数字阴影能够根据操作条件动态更新 RUL 估计，如图 3 所示。这种一致性凸显了数字阴影在镜像实时操作和估计不同操作条件下的组件寿命方面的有效性。这种数字阴影的一个重要方面是它对电机的 RUL 估计的动态适应，这显示出对操作变化的高度响应。当电机在 100 秒内改变速度时，这种反馈尤为明显。图 3 中 RUL 图的斜率降低捕捉到了这一事件，速度降低后，图的后半部分电机扭矩也相应下降。这种响应能力对于维护和运营策略的实时监控和决策至关重要，将数字阴影定位为 eVTOL 动力系统管理的宝贵预测工具
电动汽车的 AI 增强型电池管理系统：提高安全性、性能和使用寿命
摘要。电动汽车 (EV) 对于降低碳排放和解决全球环境问题至关重要。电池为电动汽车提供动力，因此电池管理对于安全性和性能至关重要。作为一种自检系统，电池管理系统 (BMS) 可确保运行可靠性并消除灾难性故障。随着电池老化，内阻会增加，容量会降低，因此 BMS 会实时监控电池的健康和性能。电动汽车储能系统 (ESS) 需要复杂的 BMS 算法来保持效率。使用考虑充电时间、电流和容量的电池效率计算，这种方法应该可以可靠地预测电池的 SoC 和 SoH。随着电池老化，内阻会增加，从而缩短恒流 (CC) 充电时间。通过分析这些变化，可以更准确地预测 SoH。用于估计 SoC 和增强 BMS 性能的传统方法（例如深度神经网络）用于最大限度地降低错误率。然而，随着电池老化，AI 方法因其提供精确诊断、故障分析和热管理的能力而备受瞩目。这些 AI 驱动的技术显著提高了充电和放电周期的安全性和可靠性。为了进一步确保安全，BMS 中集成了故障诊断算法。该算法主动解决潜在问题，从而保持电池的效率和安全性。通过在 ESS 中的成功应用证明了所提出的 BMS 算法的有效性，验证了其管理电池状态、提高性能和确保电动汽车运行可持续性的能力。
适用于多种应用的耐用且使用寿命长的电池......
• 在 50% 放电深度 (DoD) 下最多可进行 6,000 次充电循环 • 与 AGM 电池相比，循环次数最多可增加 10 倍，续航里程最多可增加 2 倍 • 结构紧凑、重量轻（重量是铅酸电池的 1/3，尺寸是铅酸电池的 1/2） • 可提供 IoT 模块进行持续监控 - 非常适合服务和维护目的 • 与其他锂电池相比，行驶里程最大 • 可与标准 AGM/GEL 电池 1:1 互换 • 对短暂和深度放电具有很强的抵抗力 • CAN 总线通信
使用 CNN-XGBoost 模型和 Coati 优化算法对电池剩余使用寿命进行早期预测
锂离子 (Li-ion) 电池是现代电力系统不可或缺的部件，但其性能会随着时间的推移而下降。准确预测这些电池的剩余使用寿命 (RUL) 对确保电网的可靠高效运行至关重要。在此基础上，本文提出了一种新的 Coati 集成卷积神经网络 (CNN)-XGBoost 方法，用于锂离子电池的早期 RUL 预测。该方法采用 CNN 架构，通过图像处理技术自动从电池放电容量数据中提取特征。从 CNN 模型中提取的特征与基于电池充电策略信息从前 100 个电池测量循环数据中提取的另一组特征相连接。然后将这组组合的特征输入 XGBoost 模型进行早期 RUL 预测。此外，Coati 优化方法 (COM) 用于 CNN 超参数调整，以提高所提出的 RUL 预测方法的性能。数值结果揭示了所提出方法在预测锂离子电池 RUL 方面的有效性，其中 RMSE 和 MAPE 分别获得了 106 次循环和 7.5% 的值。
通过建模退化来预测使用寿命
到 2030 年，全球电池产量可能达到 5 TWh，以 100 美元/千瓦时计算，这是一个价值 5000 亿美元的产业。任何影响的假设，无论多小，数字都很容易变得巨大。• 如果一家电动汽车制造商生产 100 万辆汽车，
电池的多重使用寿命方法
欧洲必须回收利用 欧洲大陆没有生产电池所需的原材料，这使得我们依赖进口初级原材料。为了逐渐减少我们的依赖，我们必须将原材料保持在材料循环内并引入全面的回收系统。 欧盟理事会最近通过了新的法规，对回收的要求更加严格，将回收的责任转移到电池制造商身上。新法规要求制造商披露其电池的碳足迹。第二步，制造商将在从制造到回收的整个产品生命周期的所有阶段受到碳足迹的强制性限制。这些法规中的一系列规定以及新的《电池法》逐步将电池回收的责任转嫁给制造商。欧盟还计划在研发方面投入巨资，并为私营部门提供激励措施，以提高生产和回收能力。