XiaoMi-AI文件搜索系统
World File Search System使用寿命
开发基于机器学习的锂离子电池的剩余使用寿命预测
锂离子电池是使用最广泛的储能设备，对其剩余使用寿命的准确预测（RUL）对于它们的可靠操作和预防事故至关重要。这项工作彻底研究了基于过去十年中相关论文的客观筛选和统计数据，通过机器学习（ML）算法进行了统治预测的发展趋势，以分析研究核心和未来的改进方向。在本文中还探讨了使用RUL预测结果扩展使用锂离子蝙蝠寿命的可能性。在380篇相关论文中首次确定了用于RUL预测的十种最常用的ML算法。则提出了RUL预测的一般流以及对RUL预测中使用的四种最常用信号预处理技术的深入介绍。公共ML算法的研究核心以计时顺序以统一格式给出。还可以从精确度和特征的各个方面进行比较，以及新颖的和一般的改进方向或机会，包括改进早期预测，局部再生建模，物理信息融合，广义转移学习和硬件实施。最后，总结了电池寿命扩展的方法，并且使用RUL作为延长电池寿命的指示的可行性已被淘汰。电池寿命可以通过根据未来在线的准确的RUL预测结果来优化电荷式服务时间来延长电池寿命。2023作者。本文旨在为电池规则预测和终身扩展策略中ML算法的未来改进提供灵感。科学出版社和达利安化学物理研究所，中国科学院。由Elsevier B.V.和科学出版社出版。这是CC下的开放式访问文章（http：//creativecommons.org/licenses/4.0/）。
锂离子电池剩余使用寿命的两阶段早期预测框架
摘要 - 对剩余使用寿命的预测（RUL）对于各种工业的有效电池管理至关重要，从家用电器到大规模应用。准确的RUL预测提高了电池技术的可靠性和可维护性。然而，现有方法有局限性，包括来自相同传感器或分布的数据的假设，预测生命终结（EOL）以及忽略以确定第一个预测周期（FPC）以识别不健康阶段的开始。本文提出了一种新的锂离子电池预测的新方法。提出的框架包括两个阶段：使用基于神经网络的模型确定FPC，将降解数据分为不同的健康状态，并预测FPC后的降解模式，以将剩余的使用寿命估计为百分比。实验结果表明，所提出的方法在RUL预测方面优于常规方法。此外，提出的方法还显示了对现实世界情景的希望，从而提高了电池管理的准确性和适用性。索引术语 - 有用的寿命预测，锂离子电池，退化建模
在 AEDC 进行的测试有助于延长 T-38 Talon 的使用寿命
(HSST) 计划的负责人塔克表示，RSH 是实现 HAPCAT 项目目标的关键要素。“我们的目标是开发和演示第一个洁净空气、真焓高超声速测试设施，该设施能够将模拟飞行条件从 4.5 马赫变为 7.5 马赫，以进行航空推进、气动和气动光学测试，”他表示。HAPCAT 的测试正在纽约州朗康科玛的 Alliant Techsystems (ATK) 通用应用科学实验室设施进行。最终，在 HAPCAT 中开发和验证的技术将被纳入 AEDC 的空气动力学和推进测试单元。塔克解释说，目前的国家高超声速航空推进地面测试设施使用流内燃烧或污染来实现进气的高温，然后通过固定几何形状的单马赫数喷嘴输送到发动机。 “污浊空气不能代表超燃冲压发动机在飞行过程中遇到的空气，会对准确量化吸气式超燃冲压发动机推进系统的关键性能和操作性指标产生不利影响，”他说。“这会增加采购项目的飞行测试风险，并迫使开发人员增加额外的设计裕度，而这可能会降低系统性能。”
基于随机滤波方法的储能元件剩余使用寿命预测综述
摘要：锂离子电池是一种绿色环保的储能元件，因其能量密度高、循环性能好而成为储能的首选。锂离子电池在充放电循环过程中会发生不可逆过程，造成电池容量的不断衰减，最终导致电池失效，准确的剩余使用寿命（RUL）预测技术对储能元件的安全使用和维护具有重要意义。本文综述了国内外储能元件RUL预测方法的研究进展。首先明确储能元件的失效机理，然后总结以锂离子电池为代表的储能元件RUL预测方法；其次，分析了基于卡尔曼滤波和粒子滤波的数据-模型融合方法在锂离子电池RUL预测中的应用，并讨论了储能元件RUL预测面临的问题及未来的研究展望。
attmoe：注意与锂离子电池的使用寿命预测的专家混合在一起
对于锂离子（锂离子）电池，诸如材料老化和容量衰减之类的问题会导致电池性能降解甚至灾难性事件。预测剩余的使用寿命（RUL）是指示锂离子电池健康的有效方法，这有助于提高电池动力系统的可靠性和安全性。我们提出了一个新型的神经网络Attmoe，该网络将注意力机制与专家（MOE）的混合物结合在一起，以捕获电池RUL预测的容量淡出趋势。面对从传感器收集的原始数据始终充满噪音的问题时，Attmoe使用辍学掩码来代替原始数据。为了进行RUL预测，一个关键思想是，注意机制捕获了序列中的元素和更多注意力之间的长期依赖性，这是对包含更多降级信息的重要特征。另一个关键思想是，MoE使用许多专家来提高模型能力以实现更好的表示。最后，我们使用两个公共数据集进行了实验，以表明ATTMOE在RUL预测中有效，并且在相对误差方面提高了10％–20％。我们的项目都是开源的，可在https://github.com/xiuzezhou/rul上找到。
使用预测和健康管理 (PHM) 预测起落架的剩余使用寿命
摘要：起落架是飞机的重要组成部分。然而，起落架的部件在其使用寿命内容易退化，这可能导致起飞和降落时出现摆振效应。为了减少意外航班中断并提高飞机的可用性，本研究研究了预测性维护 (PdM) 技术。本文介绍了一个案例研究，该研究基于当前在役飞机的预测和健康管理 (PHM) 框架实施剩余使用寿命 (RUL) 的健康评估和预测工作流程，这可能对机队运营商和飞机维护产生重大影响。机器学习用于使用数据驱动方法开发起落架的健康指标 (HI)，而时间序列分析 (TSA) 用于预测其退化。使用来自在役飞机的大量真实传感器数据评估退化模型。最后，概述了为下一代飞机实施内置 PHM 系统的挑战。
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，
用于估计飞机发动机和硬盘驱动器剩余使用寿命的数据驱动模型
本论文由默里州立大学数字共享中心的学生作品免费开放给您。默里州立大学数字共享中心的授权管理员已接受本论文，将其纳入荣誉学院论文。如需更多信息，请联系 msu.digitalcommons@murraystate.edu 。
通过机器学习的时间频率健康指标估计冷却装置的剩余使用寿命
摘要：预测性维护 (PM) 策略已引起航空业的关注，以降低维护成本和飞机停地 (AOG) 时间。利用飞机系统的状态监测数据，预测和健康维护 (PHM) 从业者一直通过应用剩余使用寿命 (RUL) 概念来预测飞机部件的使用寿命。此外，在预测中，当很难直接从数据中发现故障出现模式时，健康指标 (HI) 的构建起着重要作用。HI 通常由处理非平稳信号（例如飞机传感器时间序列）的数据驱动模型支持，其中需要从时间和频域进行数据转换。在本文中，我们基于希尔伯特谱的构造构建了时频 HI，并提出将基于物理的模型与数据驱动的模型相结合，以预测飞机冷却装置的 RUL。使用来自一家主要航空公司的数据，并考虑两个健康退化阶段，可以使用数据驱动的机器学习模型 (ML) 来估计飞机系统故障的发生。具体而言，我们的结果表明，所分析的冷却装置在使用寿命的最后飞行小时内出现异常退化之前会经历正常退化阶段。
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。