XiaoMi-AI文件搜索系统
World File Search Systemrul
通过沉浸式虚拟现实（Virtual-HF）提高对心力衰竭患者康复的依从性：一种随机对照试验的方案
由于锂离子电池已经变得越来越普遍，因此由于其对系统的可用性和安全性的影响，估计其剩余使用寿命（RUL）已成为必要。rul对于建立预后价值而建立预测维护策略特别有用。电池降解模型还应结合不同用法和环境条件对电池性能的影响，以对RUL进行可靠的预测。电池降解行为必须通过加速降解测试来表征，该测试是根据最佳设计理论计划的，以预测统治并区分竞争模型。可以通过使用基于良好降解模型的增强学习方法来选择最佳的维护策略。本文介绍了所有这些方法的简要概述。单独地，它们在文献中得到了很好的代表，但是考虑它们是一种新颖的维护方法。由于电池经常在不受控制的环境中使用，因此这种方法的综合政策和模型学习方面似乎尤其有希望。锂离子电池的健康状况（SOH）在降低过程中呈指数衰减。可以使用各种方法来估计SOH参数，包括从放电能力或开路电压（OCV），传感器融合算法或间接处理等效串联电阻（ESR）的直接估计。几个因素导致电池降解，包括电池化学，尺寸和操作条件。重要的是要注意，总体趋势始终是特征的
2024年4月22日公告2024年4月22日...
根据两种能源部的家庭能源折扣计划，购买者支付给或代表购买者的回扣将被视为用于购买者的购买价格调整，以实现联邦所得税目的。因此，根据§61。请参阅Rev.rul。91-36，1991-2 C.B.17（与客户购买补贴的产品和设备相关的公用事业利率降低和积分构成了对电力购买价格的调整，因此消费者的总收入不包括在内）；修订版rul。76-96，1976-1 C.B.23（从制造商那里向合格的零售客户购买汽车从汽车交易股份购买后，构成了对汽车的购买价格的调整，因此，这些汽车的购买价格在自定义ERS的总收入中不包括在内）。类似于修订版rul。91-36和Rev.rul。76-96，通过降低购买纳税人必须支付的价格购买商品的价格，包括根据需要的安装费用来促进交易的补贴，从而诱发交易。这些情况可与自由报纸公司的第三方诱因相媲美。诉Commis
深度学习方法的最新进展用于锂离子电池的健康监测
摘要：近年来，通过广泛采用锂离子电池（LIB）作为主要的储能解决方案，运输电气化的快速演变得到了推动。确保这些LIB的安全有效操作的关键需求将电池管理系统（BMS）定位为该景观中的关键组件。在各种BMS功能中，状态和温度监测的出现是智能LIB管理的最重要的。本评论重点介绍了自由局健康管理的两个关键方面：对卫生状况（SOH）的准确预测和剩余使用寿命的估计（RUL）。实现精确的SOH预测不仅延长了Libs的寿命，而且还提供了优化电池使用情况的宝贵见解。此外，准确的规则估计对于有效的电池管理和州估计至关重要，尤其是随着电动汽车需求不断增长。评论强调了机器学习（ML）技术在增强LIB状态预测的同时降低计算复杂性的重要性。通过深入研究该领域的当前研究状态，该评论旨在阐明在LIBS背景下利用ML的有希望的未来途径。值得注意的是，它强调了高级RUL预测技术的越来越多的必要性及其在应对与电动汽车需求迅速相关的挑战方面的作用。在采用对称方法时，ML与电池管理协调一致，极大地促进了运输电气化的可持续进度。这项全面的审查确定了现有的挑战，并提出了一个结构化框架来克服这些障碍，并强调了专门针对可充电LIB的机器学习应用程序的开发。在这项工作中，人工智能（AI）技术的整合至关重要，因为研究人员渴望加快电池性能的进步并克服与LIBS相关的当前限制。本研究提供了文献的简洁概述，为使用ML技术用于锂电池健康监测时提供了有关当前状态，未来前景和挑战的见解。
使用 LLM 框架评估电池健康状态
摘要 — 电池健康监测对于电动汽车 (EV) 的高效可靠运行至关重要。本研究引入了一种基于变压器的框架，利用基于循环和瞬时放电的数据来估计钛酸锂 (LTO) 电池的健康状态 (SoH) 并预测其剩余使用寿命 (RUL)。我们在 500 次循环中对 8 个 LTO 电池在各种循环条件下进行测试，展示了充电时间对能量存储趋势的影响，并应用差分电压分析 (DVA) 来监测电压范围内的容量变化 (dQ/dV)。我们的 LLM 模型实现了卓越的性能，平均绝对误差 (MAE) 低至 0.87%，并且具有支持高效处理的各种延迟指标，展示了其实时集成到 EV 中的强大潜力。该框架通过高分辨率数据中的异常检测有效地识别了退化的早期迹象，从而促进了预测性维护以防止电池突然故障并提高能源效率。索引词 — 电池退化、健康状态 (SoH)、剩余使用寿命 (RUL)、钛酸锂 (LTO)、差分电压分析 (DVA)、大型语言模型 (LLM)
基于动态概率模型和 LSTM 网络的航空发动机预测和健康管理框架
摘要：本研究提出了一种航空发动机预测与健康管理（PHM）框架，该框架结合了动态概率（DP）模型和长短期记忆神经网络（LSTM）。采用基于高斯混合模型-自适应密度峰值聚类算法的DP模型从发动机服役开始对故障发展进行建模，具有训练时间极短、精度足够高的优点，并引入主成分分析将复杂的高维原始数据转换为低维数据。该模型可根据发动机数据的积累不断更新，以捕捉发动机故障的发生和演变过程。针对常用数据驱动方法存在的问题，采用DP+LSTM模型对发动机剩余使用寿命（RUL）进行估算。最后，利用 NASA 的商业模块化航空推进系统仿真数据集对所提出的 PHM 框架进行了实验验证，结果表明 DP 模型在故障诊断中比经典的人工神经网络方法具有更高的稳定性，而 DP + LSTM 模型在 RUL 估计中的准确率高于其他经典的深度学习方法。
通过机器学习的时间频率健康指标估计冷却装置的剩余使用寿命
摘要：预测性维护 (PM) 策略已引起航空业的关注，以降低维护成本和飞机停地 (AOG) 时间。利用飞机系统的状态监测数据，预测和健康维护 (PHM) 从业者一直通过应用剩余使用寿命 (RUL) 概念来预测飞机部件的使用寿命。此外，在预测中，当很难直接从数据中发现故障出现模式时，健康指标 (HI) 的构建起着重要作用。HI 通常由处理非平稳信号（例如飞机传感器时间序列）的数据驱动模型支持，其中需要从时间和频域进行数据转换。在本文中，我们基于希尔伯特谱的构造构建了时频 HI，并提出将基于物理的模型与数据驱动的模型相结合，以预测飞机冷却装置的 RUL。使用来自一家主要航空公司的数据，并考虑两个健康退化阶段，可以使用数据驱动的机器学习模型 (ML) 来估计飞机系统故障的发生。具体而言，我们的结果表明，所分析的冷却装置在使用寿命的最后飞行小时内出现异常退化之前会经历正常退化阶段。
用于 A320 飞机空调状态监测和预测的遗传算法和决策树
摘要 非计划维护是航空公司的一大成本驱动因素，但状态监测和预测可以减少非计划维护操作的数量。本文表明，通过采用数据驱动方法和使用现有数据源，可以将状态监测引入大多数系统。目标是根据各种传感器输入预测系统的剩余使用寿命 (RUL)。我们使用决策树来学习系统的特性。决策树训练和分类的数据由通用参数信号分析处理。为了获得决策树的最佳分类结果，使用遗传算法优化参数。使用具有不同信号分析参数的三种不同决策树的森林作为分类器。使用来自 ETIHAD 航空公司的 A320 飞机的数据验证了所提出的方法。验证表明，状态监测可以将样本数据分为十个预定类别，以 10% 的步长表示总使用寿命 (TUL)。这用于预测 RUL。在 850 个样本中，有 350 个错误分类。降噪将异常值减少到接近零，从而可以正确预测状态。还可以使用分类输出来检测验证数据中的维护操作。
使用多种神经网络
准确预测锂离子电池（LIB）的剩余使用寿命（RUL）对于提高LIBSPAINTION应用程序的运营效率和安全性至关重要。它还促进了细胞设计程序的改进和快速充电方法的演变，从而最大程度地减少了周期测试时间。虽然人工神经网络（ANN）已成为该任务的有前途的工具，但识别跨不同数据集的最佳体系结构，而优化策略并非乏味。为了应对这一挑战，开发了一个机器学习框架，以系统地评估不同的ANN体系结构。仅利用从各种充电策略循环的124个锂离子电池中使用的训练数据集的30％，在此框架内进行了HyperParam-Eter优化。这确保以最佳配置对每个模型进行评估，从而促进了RUL预测任务的平衡比较。此外，该研究还研究了各种循环窗口对模型功效的影响。采用分层分区方法强调了统一数据集在不同子集之间表示的重要性。值得注意的是，最佳模型使用仅40个周期的循环特征，达到了平均绝对范围误差为10.7％。
5 资产管理计划信息技术
下表提供了通过 RUL 方法确定的 IT 资产类别汇总状况评分。具体到 IT，资产通常在使用寿命结束时被立即更换，因为这些资产的生产力和功能性大幅下降，影响日常运营。此外，由于使用寿命短，许多资产每年都需要更换，每个资产类别的整体状况经常变化。例如，在当前状况系统下，使用寿命为 3 年的资产将在第二年降至不良状态。
亮点
准确预测锂离子电池 (LIB) 的剩余使用寿命 (RUL) 对于提高 LIB 供电应用的运行效率和安全性至关重要。它还促进了电池设计流程的改进和快速充电方法的发展，从而最大限度地缩短循环测试时间。虽然人工神经网络 (ANN) 已成为这项任务的有前途的工具，但在不同的数据集和优化策略中确定最佳架构并非易事。为了应对这一挑战，开发了一个机器学习框架来系统地评估不同的 ANN 架构。仅利用在不同充电策略下循环的 124 个锂离子电池的 30% 的训练数据集，在此框架内进行超参数优化。这确保了每个模型在其最佳配置下进行评估，从而有助于对 RUL 预测任务进行平衡比较。此外，该研究还考察了不同循环窗口对模型功效的影响。采用分层分区方法强调了在不同子集之间统一数据集表示的重要性。值得注意的是，表现最佳的模型仅使用 40 个周期的逐周期特征，就实现了 10.7% 的平均绝对百分比误差。