XiaoMi-AI文件搜索系统
World File Search SystemRul
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
用于分立功率器件状态监测和剩余使用寿命预测的复合故障前兆
摘要 — 为了防止电力电子系统中发生灾难性故障，已经确定了多种故障前兆来表征功率器件的退化。然而，在确定支持高精度剩余使用寿命 (RUL) 预测的合适故障前兆方面存在一些实际挑战。本文提出了一种充分利用潜在故障前兆来制定复合故障前兆 (CFP) 的方法，其中 CFP 直接根据退化模型进行优化以提高预测性能。明确推导了退化模型的 RUL 估计值，以方便前兆质量计算。对于 CFP 公式，采用遗传规划方法以非线性方式整合潜在故障前兆。结果，阐述了一个可以为给定的 RUL 预测模型制定出更好故障前兆的框架。通过 SiC MOSFET 的功率循环测试结果验证了所提出的方法。
使用共形预测进行预测的机器学习...
本论文是与 Knowit、¨ Ostrand & Hansen 和 Orkla 合作完成的。旨在探索机器学习和深度学习模型与保形预测在 Orkla 预测性维护情况下的应用。预测性维护在许多工业制造场景中都至关重要。它可以帮助减少机器停机时间、提高设备可靠性并节省不必要的成本。在本论文中，各种机器学习和深度学习模型（包括决策树、随机森林、支持向量回归、梯度提升和长短期记忆）都应用于现实世界的预测性维护数据集。Orkla 数据集最初计划在本论文项目中使用。然而，由于遇到一些挑战和时间限制，我们选择了一个具有类似数据结构的 NASA C-MAPSS 数据集来研究如何应用机器学习模型来预测制造业的剩余使用寿命 (RUL)。此外，最近开发的用于测量机器学习模型预测不确定性的框架共形预测也被集成到模型中，以实现更可靠的 RUL 预测。论文项目结果表明，具有共形预测的机器学习和深度学习模型都可以更接近真实 RUL 预测 RUL，而 LSTM 的表现优于机器学习模型。此外，共形预测区间提供了有关预测不确定性的丰富而可靠的信息，这有助于提前通知工厂人员采取必要的维护措施。总体而言，本论文证明了在预测性维护情况下利用具有共形预测的机器学习和深度学习模型的有效性。此外，基于 NASA 数据集的建模结果，讨论了如何将这些经验转移到 Orkla 数据中，以便将来进行 RUL 预测的一些见解。关键词 机器学习、深度学习、不确定性估计、共形预测、预测性维护、RUL、概率预测、决策树、随机森林、支持向量回归、梯度提升、LSTM。
数据驱动的预测性维护模型方法...
结合基于物理/知识和数据驱动的方法进行 RUL 估计 Liao 和 Köttig (2016)，限定 RUL 估计不确定性的混合模型 Zhao 等人。(2013)，领域技术人员使用水管数据创建故障检测和预测模型 Li 和 Wang (2018)，并将基于知识的规则系统与数据驱动的方法相结合以对其进行改进 Cao 等人。(2020)。
考虑内部电阻和容量再生现象的可转移的长期锂离子电池老化轨迹预测模型
准确预测锂离子电池（LIB）的剩余使用寿命（RUL）对于改善电池管理系统设计和确保设备安全至关重要。然而，由于多步预测中的多步中的错误积累，实现衰老轨迹的准确长期预测是具有挑战性的。这项研究表明，考虑与衰老过程有关的未来内部阻力（R）以及在衰老期间发生的能力再生现象（CRP）可以帮助减少误差的积累。具体来说，我们提出了一种混合方法，该方法结合了未来的R和CRP，以预测LIB的衰老轨迹和统治。实验结果证明：（1）对于相同的充电/放电策略和电池类型，提出的方法可以准确预测衰老轨迹，并仅使用前20个周期的数据（约占完整数据的5％）； （2）对于不同的充电/放电策略和电池类型，通过转移学习，提出的方法可以使用前40个周期的数据来预测老化轨迹和RUL。这些结果表明，在长期预测中提出的模型既准确又是鲁棒，可以估算各种数据集的老化轨迹和RUL。
使用基于变压器的神经网络
摘要：在这项研究中，我们引入了一种新型的基于变压器的神经网络（DTNN）模型，用于预测锂离子电池的剩余使用寿命（RUL）。所提出的DTNN模型在准确性和可靠性方面显着优于传统的机器学习模型和其他深度学习档案。特别是，DTNN达到0.991的R 2值，平均百分比误差（MAPE）为0.632％，绝对RUL误差为3.2，比其他模型（例如随机森林（RF），决策树（DT），多层perceptron（MLP），REN NERTEN（RN），REN NERTIAL NERTIST（RN NERTIRER NERTIAL（RN））（RN）（rn）（RF）（RF）（RN）（RNN）（RNN）（RNN）（RNN NEFT）（RN NORN NERTER），RNN NOVERRENT NERTER，长期（RN）复发单元（GRU），Dual-LSTM和Decransformer。这些结果突出了DTNN模型在为电池RUL提供精确可靠的预测方面的效率，这使其成为各种应用中电池管理系统的有前途的工具。
基于降级轨迹和多个线性恢复的坐标重新配置的锂离子电池的剩余使用寿命预后
锂电池已被广泛用作新能量，以应对环境和能量的压力。锂离子电池的剩余使用寿命（RUL）的预后已经变得更加关键。方便的电池寿命预测允许早期发现性能定义，以帮助迅速维护电池系统。本文提出了一个基于降解轨迹和多个线性回归的坐标重新构造的锂离子电池的RUL预后模型。首先，使用新的采样规则来重新配置新电池的退化数据的坐标和截短的类似电池。然后，使用重新配置数据建立了相似和新的锂离子电池之间的关系。此外，通过考虑时间变化因素的影响，建立了基于降级轨迹和多线性回归的坐标重新配置和多线性回归的新的RUL预后模型，该模型可以通过小样本数据来提高预测准确性，并有效地减少产品开发时间和成本。
控制G2相位持续时间CDC25B可调节新皮层中从直接到间接神经发生的转换
xqglqj 7klv Zrun Kdv Uhfhlyhg Ixqlqj IURP WKH (XursHDQ 5HVHDUFUFK & Rxqflo XQGHU WKH (XursHDQ 8QLRRRRQ¶v +RUL) RQ UHVHDUFK DQG Lqqrydwlrq surjudpph *Udqw djuhhhphqw 1r³％hflplqj 6rfldo´ dzdghgg wr ..- $ zdv vxsssruwhg e \ wkh（xurshdq 5hvfufk＆rxqflo（5 xqghu wakh（5 xqghu wakh） surjudpph *udqw djuhhhphqw1r³＆rqwhw0 $ 3´ div div div div>xqglqj 7klv Zrun Kdv Uhfhlyhg Ixqlqj IURP WKH (XursHDQ 5HVHDUFUFK & Rxqflo XQGHU WKH (XursHDQ 8QLRRRRQ¶v +RUL) RQ UHVHDUFK DQG Lqqrydwlrq surjudpph *Udqw djuhhhphqw 1r³％hflplqj 6rfldo´ dzdghgg wr ..- $ zdv vxsssruwhg e \ wkh（xurshdq 5hvfufk＆rxqflo（5 xqghu wakh（5 xqghu wakh） surjudpph *udqw djuhhhphqw1r³＆rqwhw0 $ 3´ div div div div>
红色Sanda Maria
竞赛飞行员无人机许可类别A1/A3有效期为06。IX 2026。 飞行员无人机许可证类别A2有效到12。 xi 2026。 其他信息：1。 特殊数字的编辑“ GIS方法，跨学科研究中的模型和应用”，应用科学， https://www.mdpi.com/journal/applsci/special_issues/gis_interdiscipline_studies?fbclid=iwar0snmh0snmh0rfwadmw80808iluagh808iluagh808luuagh808luluagh808luluagh808lileuz 特殊编号“跨学科研究中的现代地理空间数据采集，工具和应用程序”，https://www.mdpi.com/journal/applsci/paplsci/special_issues/modern_geospatial 3。 特殊编辑的编辑器“在森林中应用于可持续森林管理和危害映射中应用的数据获取，方法和技术”，https://wwwww.mdpi.com/journal/journal/journal/forests/forests/forests/special_issues/forest_hazard_hazard_geost_geost_geospatial_geospatial_data?fbclid?fbclid=iwar297-- VXNZOZC5MM5ULVQBZC1R7VJ4VE_IFXFMG5IXEEQFK4J2I9XUM RED RED SANDA MARIAIX 2026。飞行员无人机许可证类别A2有效到12。xi 2026。其他信息：1。特殊数字的编辑“ GIS方法，跨学科研究中的模型和应用”，应用科学， https://www.mdpi.com/journal/applsci/special_issues/gis_interdiscipline_studies?fbclid=iwar0snmh0snmh0rfwadmw80808iluagh808iluagh808luuagh808luluagh808luluagh808lileuz特殊编号“跨学科研究中的现代地理空间数据采集，工具和应用程序”，https://www.mdpi.com/journal/applsci/paplsci/special_issues/modern_geospatial 3。特殊编辑的编辑器“在森林中应用于可持续森林管理和危害映射中应用的数据获取，方法和技术”，https://wwwww.mdpi.com/journal/journal/journal/forests/forests/forests/special_issues/forest_hazard_hazard_geost_geost_geospatial_geospatial_data?fbclid?fbclid=iwar297-- VXNZOZC5MM5ULVQBZC1R7VJ4VE_IFXFMG5IXEEQFK4J2I9XUM RED RED SANDA MARIA
复杂工程产品动态数据驱动的数字孪生框架：以航空发动机健康管理为例
数字孪生是工业 4.0 时代智能制造的重要支持技术。数字孪生有效地复制了其物理资产，使系统能够轻松可视化、智能决策和认知能力。本文提出了一种针对复杂工程产品的动态数据驱动数字孪生框架。为了说明所提出的框架，研究了飞机发动机健康管理的一个例子。该框架通过从各种传感器和工业物联网 (IIoT) 中提取信息来建模数字孪生，在网络和物理领域监测发动机的剩余使用寿命 (RUL)。然后，利用从线性退化模型中选择的传感器测量值，提出了一个长短期记忆 (LSTM) 神经网络来动态更新数字孪生，这可以估计物理飞机发动机最新的 RUL。通过与其他机器学习算法（包括基于相似性的线性回归和前馈神经网络）在 RUL 建模上的比较，这种基于 LSTM 的动态数据驱动数字孪生提供了一种有前途的工具来准确复制飞机发动机的健康状况。这种基于数字孪生的 RUL 技术还可以扩展到制造系统的健康管理和远程操作。© 2021 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可证开放获取的文章 https://creativecommons.org/licenses/by-nc-nd/4.0/) 由 FAIM 2021 科学委员会负责同行评审。