XiaoMi-AI文件搜索系统
World File Search SystemTeo
引用出版版本（APA）：Christian，M.，Curse，A.，Jensen，P.G.，Theodorescu，R。，＆Larsen，K。（2023）。 SOC/SOT双重平衡
摘要 - 电动汽车中的电池包由电池管理系统管理，这些电池管理系统会影响包装中的电池状态，在这些系统中，此类系统在研究中受到了很多关注。最近，平衡细胞之间的脾气已成为研究主题。在我们的工作中，我们考虑了一个双平衡问题，我们旨在平衡充电状态和温度的两个参数。我们考虑一个智能电池组，可以绕过单个单元格，这意味着没有电流往返或从单元格，这使得单元在电池不充电或放电时冷却。此外，智能电池组可以估计每个单元的特性，进而可以用来定义单元格和电池组行为的模型。我们使用电池组的模型进行实验，其中每个细胞的配置都作为衰老的效果。对于具有异质细胞的这样的包装，我们在Uppaal Stratego中使用Q学习来合成一个控制器，该控制器最大化在平衡状态下所花费的时间，这意味着所有单元格的状态彼此之间都在特定的范围内。与两个基于阈值的控制器相比，我们在两个方面都有显着改善，这些控制器平衡了充电状态或温度状态。合成的控制器仅在1-4％的时间之间，温度在15-20％的时间之间是不平衡的。基于阈值的控制器的充电状态不平衡，多达37％的时间，或者在温度的时间内是44％的时间。最后，电荷状态和温度的最大变化减少。索引术语 - 启动电池组，数字双胞胎，SOC和SOT，双平衡，增强学习
引用发布版本（APA）：Che，Y.，Zheng，Y.，Sui，X。，＆Teodorescu，R。（2023）。基于自我
健康状态（SOH）估计在智能电池健康预后和管理中起关键作用。然而，泛化，缺乏标记的数据以及老化期间未使用的测量仍然是准确的SOH估计的主要挑战。为此，本文提出了一个自制的学习框架，以提高电池SOH估计的性能。与传统数据驱动的方法不同，这些方法依赖于从众多电池单元中获得的相当大的训练数据集，使用有限的标记数据可以实现准确且可靠的估计。首先应用了基于过滤器的数据预处理技术，该技术能够在动态充电专用条件下提取部分容量 - 电压曲线。无监督的学习用于通过自动编码器解码器从未标记的数据中学习老化特征。学习的网络参数被转移到下游SOH估计任务，并以很少的稀疏标记数据进行了调整，从而提高了估计框架的性能。所提出的方法已在不同的电池化学，格式，操作条件和环境中进行了验证。只能通过最初20％的生命周期中的三个标记数据来保证估计精度，总体错误小于1.14％，并且所有测试场景的误差分布保持少于4％，并且随着老化的增长而鲁棒性增加。与其他纯监督的机器学习方法进行比较证明了该方法的优越性。2023作者。在各种情况下，这个简单且数据效果的估计框架在现实世界应用中有承诺。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Science Press发布，这是CC下的开放访问文章（http：//creativecommons.org/licenses/by/4.0/）。
引用发布版本（APA）：Curse，A.，Souri，H.，Zheng，Y.，Sui，X.，Oshnoi，A.，Weinreich，N。，＆Theodorescu，R。（2023）。 li-ion ba
摘要 - 电池数字双胞胎（BDT）是一种现代工具，将用于未来的智能电池管理系统（BMS），用于锂离子电池（LIB），这是由于当前技术向智能电池（SB）过渡，并具有细胞水平的信息和电源处理能力。BDT可以根据给定温度和衰老状况的阻抗模型预测电压输出，并且该信息可用于高级状态估计，包括无传感器温度状态（SOT），健康状况（SOH）和健康管理。本文提出了一种适用于智能电池系统的在线阻抗估计方法，其中包括一个旁路设备，可以切换以用不同的频率激发电池阻抗，并对负载的最小影响。根据对动态电流曲线的电压响应的准确性，比较了BDT中使用的阻抗模型的性能。
已发表版本的引用（APA）：Che, Y., Zheng, Y., Wu, Y., Sui, X., Bharadwaj, P., Stroe, D.-I., Yang, Y., Hu, X., & Teodorescu, R. (2022)。那
- 用户可以从公共门户下载并打印任何出版物的一份副本，用于私人学习或研究。 - 您不得进一步分发材料或将其用于任何盈利活动或商业收益 - 您可以自由分发公共门户中标识出版物的 URL - 删除政策如果您认为本文档侵犯了版权，请通过 vbn@aub.aau.dk 与我们联系并提供详细信息，我们将立即删除对该作品的访问权限并调查您的索赔。
用于电力、射频、数字和量子计算应用的新兴 GaN 技术：最新进展和前景 /作者=Teo, Koon Hoo；Zhang, Yuhao；Chowdhury, Nadim；Rakheja, Shaloo；Ma, Rui；Xie, Qingyun；Yagyu, Eiji；Yamanaka, Koji；Li, Kexin；Palacios, Tomas /创建日期=2022 年 1 月 13 日 /主题=应用物理、电子和光子器件、机器学习、多物理建模
摘要 GaN 技术不仅在功率和射频电子领域获得广泛关注，而且还迅速扩展到其他应用领域，包括数字和量子计算电子。本文概述了未来的 GaN 器件技术和先进的建模方法，这些技术和方法可以在性能和可靠性方面突破这些应用的界限。虽然 GaN 功率器件最近已在 15-900 V 级实现商业化，但新的 GaN 器件对于探索高压和超低压功率应用非常有吸引力。在 RF 领域，超高频 GaN 器件正用于实现数字化功率放大器电路，并且可以预期使用硬件-软件协同设计方法将取得进一步的进展。GaN CMOS 技术即将问世，这是实现集成数字、功率和 RF 电子技术的全 GaN 平台的关键缺失部分。尽管目前是一个挑战，但高性能 p 型 GaN 技术对于实现高性能 GaN CMOS 电路至关重要。由于其出色的传输特性和通过极化掺杂产生自由载流子的能力，GaN 有望成为超低温和量子计算电子学的重要技术。最后，鉴于新设备和电路的硬件原型设计成本不断增加，使用高保真设备模型和数据驱动的建模方法进行技术电路协同设计预计将成为未来的趋势。在这方面，物理启发、数学稳健、计算负担较少和预测性的建模方法是必不可少的。凭借所有这些以及未来的努力，我们预计 GaN 将成为电子产品的下一个 Si。
机电一体化和服务机器人：理论与应用
© 编辑和作者 《服务机器人与机电一体化：理论与应用》是一本由国家版权局授权的数字图书，备案号为 291032，提交给墨西哥机电一体化协会 A. C., Calle Fonología, No. 116, Col技术 C.P. 76158, 克雷塔罗 Qro。电话：(01- 442) 224 0257。www.mecamex.net，书中章节中的观点和信息仅供作者参考，并不代表墨西哥机电一体化协会 A.C. 的立场。最后修改日期：2016 年 11 月 29 日。本作品是开放获取出版物，根据墨西哥机电一体化协会 A.C. 的条款分发，只要作品适当，就允许以任何方式不受限制地使用、分发和复制引用，尊重撰写章节的人的作者身份。