XiaoMi-AI文件搜索系统
World File Search Systemrul
合作。博士tuğrulçetinkaya
萨卡里亚大学，工程学院，冶金和材料工程师。部分。教师Nesstec Energy and Surface Technologies Inc.创始伙伴
最佳锂离子电池lud预测的数据驱动方法
锂离子电池已经成为各种行业中普遍的电源，包括电动汽车部门，因为它们的能量密度较高和自我释放量较低。随着时间的使用和通过，电池降低并最终死亡，危害了它们供电的物体的完整性。准确预测锂离子电池剩余的有用寿命（RUL）的能力对于优化其利用并确保其安全运营至关重要。为此，已经实施了一种基于牛津电池电池降解数据集的基于深度学习的方法，并在生成的对抗网络（GAN）的帮助下进行了实施。设计的网络由长短记忆（LSTM）架构组成，并实现了策略策略和自定义损失功能。说明性结果表明，建议的方法可以对RUL产生适应性和可靠的预测。
预测和剩余使用寿命 (RUL) 估计...
第一种方法需要在正常或故障条件下建立系统行为的精确物理模型。当将从传感器捕获的数据与模型的预测进行比较时，可以推断出系统的健康状况。第二种方法使用过去行为的数据来确定当前性能并预测剩余使用寿命 (RUL) (Yakovleva & Erofeev，2015)。物理方法包括失效物理模型。另一种方法是使用简单的裂纹扩展模型来预测受疲劳失效机制影响的系统的 RUL。基于模型的技术需要结合实验、观察、几何和状态监测数据来估计特定失效机制造成的损害。数据驱动技术源自使用历史“运行至失效”(RTF) 数据。这些技术通常用于基于预定失效阈值的估计。可以使用“小波包”分解方法和/或隐马尔可夫模型 (HMM)，因为时频特征比单纯的时间变量能提供更精确的结果。然而，使用历史数据预测资产寿命的方法需要了解资产的物理性质（Okoh 等人，2016 年）。数据驱动的 RUL 估算方法是本章的主题。
药物发现与开发中的人工智能-IJRPR
电动汽车（EV）通常由于其高能量密度，缺乏记忆效应，寿命长以及多次充电和排放能力而使用锂离子（Li-ion）电池。改变天气状况和健康状况不佳的主要原因之一是汽车排放量急剧增加。此外，与天气有关的风险和供应链问题还影响可再生能源，包括太阳能，风能和生物燃料。电动汽车提供的能量（存储在电池中）是一种消除污染物和不确定性的有吸引力的方法。运输行业的脱碳化取决于范围更大，安全性和可靠性的高级电动汽车（EV）的创建和采用。然而，随着时间的流逝和使用，环境退化问题以及寿命终止的重复使用，容量降解会极大地阻碍锂离子电池的使用。平均正常运行6。5年后，电动汽车的电池容量将降低约10％。找到一种可靠的方法来预测剩余生命（RUL）和监控能力降解是一项艰巨的任务。在实际使用中，锂离子电池通过经过许多充电和放电周期逐渐失去容量，直到它们达到生命的尽头（EOL）。保质期的标准定义是额定容量的70％或80％。使用末端后电池容量较快降低，这会影响电池性能甚至会损坏电池的性能。有了这些知识，电动汽车所有者可以做出明智的决定以避免电池故障。如何预测未来的能力和RUL，以及如何传达围绕预测值的不确定性水平，是电池管理系统（BMS）涵盖的主题之一。由于电池容量降解的轨迹是复杂的，而且非常非线性，因此很难对容量和RUR进行准确的预测。使用ML预测电动汽车电池寿命有很多好处。它可以帮助电动汽车所有者更好地计划旅行并避免电池耗尽。此外，它可以帮助电动汽车制造商创建更长的电池并开发可减少电池损坏的充电技术。在这项研究中，使用ML随机孔，决策树，XG提升，KNN和天真的贝叶斯算法来预测电动汽车的电池寿命。使用机器学习预测电池寿命会提出许多道德问题。一些最重要的是准确性，公平性，客观性和问责制。
使用长期的剩余使用寿命 (RUL) 回归...
摘要 — 准确预测元件的剩余使用寿命 (RUL) 是电子电路中的主要关注点。基于 RUL 的健康诊断在确定设备故障时间方面发挥着重要作用，可作为工业应用中的预警。本文提出了一种基于长短期记忆 (LSTM) 的回归模型，利用设备最基本的提取电气特征来预测环形振荡器 (RO) 电路的 RUL。LSTM 网络能够捕获时间序列数据中的时间依赖性并消除传统循环神经网络 (RNN) 中遇到的梯度消失问题。从 Cadence 模拟中，利用 22 nm CMOS 技术库，已经证明 RO 频率退化主要取决于三个主要因素，包括工作温度、电压以及最重要的设备老化参数。结果表明，13 和 21 阶段的 RUL 预测结果中超过 90% 的案例受电源电压变化限制，变化范围为 0.7 V 至 0.9 V，预测偏差最小为 2 天至 6 天。关键词：老化、剩余使用寿命、机器学习、在线预测、可靠性
教授。 TUĞRUL OKTAY - AVESIS - 埃尔吉耶斯大学
个人信息 个人信息 电子邮件： 电子邮件：oktay@erciyes.edu.tr 网址： 网址：https://avesis.erciyes.edu.tr/oktay 地址： 地址：埃尔西耶斯大学航空航天学院 A Blok Kayseri International研究人员 ID 国际研究人员 ID ScholarID：9w88glsAAAAJ ORCID：0000-0003-4860-2230 Publons / Web Of Science ResearcherID: AAE-2053-2020 ScopusID: 55334339800 Yoksis Researcher ID: 33037 教育信息 教育信息 博士，弗吉尼亚理工学院和州立大学，伦道夫霍尔，航空航天工程（有史以来获得的最快学位-航空航天工程），美国美国 2009 - 2012 研究生，伊斯坦布尔技术大学，科学技术学院，航空航天工程（可能最快获得学位），土耳其 2007 - 2008 本科，伊斯坦布尔技术大学，航空航天学院，航空工程，土耳其 2003 - 2007
使用生成AI技术的预测性维护和剩余使用寿命（RUL）估计
重型机械的维护是任何制造过程的最关键因素之一，这仅仅是因为以最佳的操作效率保持运行时。维护工程师基于日常操作计划的工作订单严格参与各种计划的维护。预防性，纠正性，预定，基于条件和反应性是通常维护的维护工作单的不同类型。但是，随着物联网（物联网）传感器和算法的出现，以及最先进的技术，许多组织正在采用预测性维护来预先确定维护需求。此外，采用下一代AI（人工智能）技术，可以提前估算操作机器的寿命。
使用机器学习算法的数据驱动的电池统计预测方法
1,2和3 S V大学，Tirupati，Andhra Pradesh，印度摘要：随着新能源电动汽车的迅速发展，对电池的需求正在增加。 电池管理系统（BMS）在电池供电的储能系统中起着至关重要的作用。 锂离子电池是电动汽车的主要电源，其剩余使用寿命的预后对于确保电动汽车的安全性，稳定性和寿命长至关重要。 基于数据驱动方法的剩余使用寿命（RUL）预后已经成为研究的重点。 在电池健康管理领域至关重要的是，具有高精度，高概括和强大鲁棒性的机器学习方法的开发是必不可少的。 本文总结了使用机器学习算法对数据驱动方法的当前研究。 参数（例如电压，电流和温度值）作为数据集。 提出了一种幼稚的贝叶斯（NB）算法和梯度提升（GB）算法，以用于对电池进行RUL预测，并进行了模型的误差分析以优化电池的性能参数。 选择了MAE，MSE和RMSE等统计指标来数字评估预测结果。 实验后果表明，与其他机器学习技术相比，考虑到各种性能标准的其他机器学习技术可获得更好的结果。1,2和3 S V大学，Tirupati，Andhra Pradesh，印度摘要：随着新能源电动汽车的迅速发展，对电池的需求正在增加。电池管理系统（BMS）在电池供电的储能系统中起着至关重要的作用。锂离子电池是电动汽车的主要电源，其剩余使用寿命的预后对于确保电动汽车的安全性，稳定性和寿命长至关重要。基于数据驱动方法的剩余使用寿命（RUL）预后已经成为研究的重点。在电池健康管理领域至关重要的是，具有高精度，高概括和强大鲁棒性的机器学习方法的开发是必不可少的。本文总结了使用机器学习算法对数据驱动方法的当前研究。参数（例如电压，电流和温度值）作为数据集。提出了一种幼稚的贝叶斯（NB）算法和梯度提升（GB）算法，以用于对电池进行RUL预测，并进行了模型的误差分析以优化电池的性能参数。选择了MAE，MSE和RMSE等统计指标来数字评估预测结果。实验后果表明，与其他机器学习技术相比，考虑到各种性能标准的其他机器学习技术可获得更好的结果。
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。