XiaoMi-AI文件搜索系统
World File Search SystemRul
机械系统预测和健康管理 (PHM) 中采用的人工智能 (AI) 算法的性能指标
摘要。近年来，人工智能 (AI) 算法在预测和健康管理 (PHM) 领域的应用研究，特别是用于预测受状态监测的机械系统的剩余使用寿命 (RUL) 的研究，引起了广泛关注。为 RUL 预测建立置信度非常重要，这样可以帮助运营商和监管机构就维护和资产生命周期规划做出明智的决策。在过去十年中，许多研究人员设计了指标或指标来确定 AI 算法在 RUL 预测中的性能。虽然大多数常用的指标（如平均绝对误差 (MAE)、均方根误差 (RMSE) 等）都是从其他应用程序中改编而来的，但一些定制指标是专门为 PHM 研究而设计和使用的。本研究概述了应用于机械系统 AI 驱动的 PHM 技术的关键绩效指标 (KPI)。它介绍了应用场景的详细信息、在不同场景中使用特定指标的适用性、每个指标的优缺点、在选择一个指标而不是另一个指标时可能需要做出的权衡，以及工程师在应用指标时应该考虑的一些其他因素。
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。
基于放电电压降低的电池储能量
本研究提出了一种方法，该方法可以使用放电电压下降曲线在储能系统（ESS）中使用放电电压下降曲线来预测锂离子电池寿命的终结。该方法是根据发现随着循环循环而增加的发现，即锂离子电池的电压下降，并且可能与剩余容量有关。关键想法是在使用ESS期间以恒定的C率插入全部充电和放电的额外周期。在这个周期中，电压下降和容量之间的关系是通过回归技术离线建立的。然后将其用于估计电池周期期间的SOH和RUL。粒子滤波器（PF）算法应用于该末端，其中分别以降解和回归模型为状态和测量模型，并以样品的形式估算容量。然后将所获得的样品用于预测未来的行为，从中确定了RUL分布。研究的结论是，锂离子电池的电压下降可能是电池健康的良好指标，而PF是一个有用的工具，即使在用途周期中间的电荷放电条件发生变化时，也可以准确预测统治。
滚动轴承领域自适应数字孪生...
人工智能（AI）在数据驱动的状态监测研究中不断升级。传统的基于专家知识的预测和健康管理（PHM）过程可以借助各种AI技术（例如深度学习模型）变得更加智能。另一方面，当前基于深度学习的预测存在数据缺失问题，尤其是考虑到实际工业应用中组件的不同操作条件和退化模式。随着仿真技术的发展，基于物理知识的数字孪生模型使工程师能够以较低的成本访问大量仿真数据。这些模拟数据包含组件的物理特性和退化信息。为了准确预测退化过程中的剩余使用寿命（RUL），本文基于现象学振动模型构建了轴承数字孪生模型。使用领域对抗神经网络 (DANN) 来实现模拟和真实数据之间的领域自适应目标。将模拟数据视为源域，将真实数据视为目标域，DANN 模型能够在没有任何标记信息先验知识的情况下预测 RUL。基于实际轴承运行至故障实验的验证结果，与最先进的方法相比，所提出的方法能够获得最小的 RUL 预测误差。
使用自学习的增量模型对锂离子电池的健康状态和终身预测
锂离子电池是代表至关重要的技术，以实现零碳的目标。因此，必须监视其条件，以使使用这些组件的系统的安全可靠操作。此外，锂离子电池的进程和健康管理政策必须应对电池降解的复杂电 - 化学动力学的非线性和时变性质。本文提出了一种基于学习的算法，以估算基于测量数据流的锂离子电池的健康状况（SOH）和剩余的使用寿命（RUL）。为此，根据SOH的增量建模提出了两个层框架。在第一层中，从部分充电和放电周期的电压和当前数据中提取了一组代表性特征。然后，这些功能用于在递归程序中训练提出的模型，以估计电池的SOH。第二层使用容量数据来逐步学习SOH自动型（AR）模型，该模型将通过时间来传播电池的降解，以使RUL PREDICTION进行降解。提出的方法应用于两个数据集进行实验评估，一种来自Calce，另一种来自NASA。所提出的框架能够估算所有情况下的8种不同锂离子细胞的SOH，平均百分比误差低于1.5％，而寿命模型则预测了该单元的RUL，最大平均值为25％。
能量化学杂志
锂离子电池的安全可靠操作需要准确预测剩余使用寿命（RUL）。但是，由于各种老化机制，各种操作条件和有限的测量信号，此任务具有挑战性。尽管将数据驱动的方法视为一种承诺解决方案，但它们忽略了内在的电池物理学，导致准确性损害，效率低和低解释性。在回应中，本研究将领域知识纳入深度学习，以增强规则预测的绩效。我们仅使用单个充电曲线来证明准确的RUL预测。首先，开发了一个可普遍的基于物理的模型，以提取与年龄相关的参数，可以描述和解释电池充电数据中的电池降解。参数为深度神经网络（DNN）告知以高精度和效率来预测RUL。考虑到充满电和部分充电的案件，训练有素的模型在3种情况下的3种电池下进行了阀门。仅使用来自一个周期的数据，所提出的方法的平均平方误差（RMSE）为11.42循环，平均为3.19％的平均绝对相对误差（MARE），与两种最新数据驱动的方法相比，平均为3.19％，低于45％和44％。除了其准确性外，所提出的方法还优于现有方法，从效率，输入负担和健壮性方面。进一步揭示了模型参数与电池降解机制之间的固有关系，证明了该方法的内在优势。2024年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：//creati- vecommons.org/licenses/4.0/）。
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。
电池绘画：锂离子电池的关系学习（LIBS）寿命估计
电池寿命估计对于优化电池性能和最小降解至关重要，以提高电池动力系统的效率和可靠性。预测锂离子电池（LIB）剩余的有用寿命（RUL）的现有方法忽略了电池参数的关系依赖性以建模非线性降解轨迹。我们介绍了电池绘画集框架，该框架共同学会了在电池参数之间结合离散的依赖图结构，以捕获复杂的相互作用和图形学习算法，以建模用于RUL预后的固有电池降解。所提出的方法在公开可用的电池数据集上的显着余量优于几种流行方法，并实现了SOTA性能。我们报告了消融研究，以支持我们的方法的功效。
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。