XiaoMi-AI文件搜索系统
World File Search SystemRemaining
管理您的福利成本，同时保持竞争力。
Willis Towers Watson (NASDAQ: WLTW) 是一家领先的全球咨询、经纪和解决方案公司，帮助世界各地的客户将风险转化为增长之路。Willis Towers Watson 的历史可追溯到 1828 年，拥有 45,000 名员工，服务于 140 多个国家和地区。我们设计和提供解决方案，以管理风险、优化福利、培养人才和扩大资本的力量，以保护和加强机构和个人。我们独特的视角使我们能够看到人才、资产和创意之间的关键交集——推动业务绩效的动态公式。我们齐心协力，释放潜力。了解更多信息，请访问 willistowerswatson.com
基于混合模型的锂离子电池剩余使用寿命预测
摘要：准确预测剩余使用寿命（RUL）是保证锂离子电池安全稳定性的关键功能。为解决不同工况下的容量再生和模型适应性，提出了一种基于带自适应噪声的完全集合经验模态分解（CEEMDAN）和双向门控循环单元（BiGRU）的混合RUL预测模型。利用CEEMDAN将容量划分为固有模态函数（IMF）以降低容量再生的影响。此外，提出一种改进的灰狼优化器（IGOW）来保持BiGRU网络的可靠性。利用混沌帐篷映射提高GWO算法中初始种群的多样性，采用改进的控制因子和动态种群权重来加速算法的收敛速度。最后，进行容量和RUL预测实验，验证不同训练数据和工况下的电池预测性能。结果表明，所提出的方法仅使用 30% 的训练集即可实现小于 4% 的 MAE，并使用 CALCE 和 NASA 电池数据进行了验证。
使用剩余的碳预算指导气候政策的机会和挑战
H. Damon Matthews 1*，Q。RobertB. Jackson 15，Chris D. Jones 16，Charles Koven 17，Retrow 2，Andrew H. Madougall 18和Kirsten Zickfeld 20
维冈地方计划核心战略 - 剩余政策，2024 年 3 月
2.6 19 世纪开发了广泛的铁路系统，尽管服务质量一直是个问题，但今天该区仍然相对完善。斯坦迪什、利、戈尔本和阿什顿因马克菲尔德是没有火车站的主要城镇。一些废弃的路线现在形成了越野步行和自行车连接。威根市中心有两个火车站，该区有另外七个火车站，威根西北站有西海岸干线服务，尽管该区尚未充分利用这一战略资产。威根市中心的两个主要车站是分开的，位于繁忙的道路 Wallgate 的两侧，不仅它们之间缺乏整合，而且与公交服务也缺乏整合。
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
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。
用于剩余有用寿命估计（NMPM）的嘈杂多径平行混合模型
最近，对不同深度神经网络（DNNS）架构的平行杂交模型的持续发展，越来越多的兴趣激增，以保持有用寿命（RUL）估计。在这方面，本文在文献中的第一次介绍了一种新的基于Hybrid DNN的框架，用于RUL估算，称为嘈杂的多径平行混合模型，用于剩余有用的寿命估计（NMPM）。提议的NMPM框架是三个平行路径的编写，第一个使用了一个嘈杂的双向长短术语记忆（BLSTM），用于提取时间特征并学习在两个方向，正向和后门中学习序列数据的依赖。第二个平行路径采用嘈杂的多层感知器（MLP），由三层组成以提取不同特征类别的层。第三个平行路径利用嘈杂的卷积神经网络（CNN）来提取特征的组成类。然后将三个平行路径的串联输出送入嘈杂的融合中心（NFC）以预测RLU。提出的NMPM已根据嘈杂的训练机制进行了培训，以增强其泛化行为，并增强模型的整体准确性和鲁棒性。使用NASA提供的CMAPS数据集对NMPM框架进行了测试和评估，该数据集说明了卓越的性能与最先进的对应物相比。
预测电动无人驾驶飞机剩余飞行时间的预测算法验证
本文探讨了如何建立对电池供电无人机剩余可用飞行时间的在线预测的信任问题。本文介绍了一系列地面测试，这些测试利用电动无人机 (eUAV) 来验证剩余飞行时间预测的性能。所描述的算法验证程序是在一台功能齐全的车辆上实施的，该车辆被限制在一个平台上，用于重复运行至功能故障（电量耗尽）实验。受测车辆被命令遵循预定义的螺旋桨 RPM 曲线，以创建与飞行期间预期的电池需求曲线相似的电池需求曲线。eUAV 反复运行，直到动力系统电池中存储的电量低于指定的极限阈值。然后使用电池电量超过极限阈值的时间来测量剩余飞行时间预测的准确性。在我们之前的工作中，没有包括电池老化。在这项工作中，我们考虑了电池的老化，其中更新了参数以进行预测。当估计剩余飞行时间低于指定的极限阈值时，警报会警告操作员，这考虑到了准确性要求。
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。