发表服务
摘要:针对目前锂离子电池寿命预测结果不准确的问题，提出了一种多模态分解的锂离子电池组合预测模型，从而学习锂离子电池退化过程的微小变化。该方法在单一长短期记忆（LSTM）预测模型的基础上，采用了自适应噪声完全集成的经验模态分解(CEEMDAN)算法将锂电池容量分为主退化趋势和若…
论文提出一种结合卷积神经网络(CNN)和长短时记忆神经网络(LSTM)的滚动轴承剩余寿命预测方法。首先,为了能够提高对滚动轴承振动信号的特征识别能力,获取更多的有用信息,提取故障特征,提高模型的整体预测能力,论文对滚动轴承振动信号进行频域预处理,使用快速傅里叶变换将原始振动信号转化为频...
基于LSTM的滚动轴承寿命预测.【摘要】：针对滚动轴承剩余使用寿命预测难、一般的神经网络预测精度差的问题,提出了一种基于振动信号时域特征,结合滚动轴承理论寿命值和具有处理时序特征功能的LSTM(LongShort-TermMemory,长短期记忆网络)剩余使用寿命预测方法...
基于LSTM网络的设备健康状况评估与剩余寿命预测方法的研究.【摘要】：随着科学技术的发展,航空航天、制造业、能源、冶金等领域的设备系统日益智能化、复杂化,传统维护策略存在着“维护不足”或“维护过剩”等问题,难以满足实际维护需求。.为了保障...
基于LSTM网络的设备健康状况评估与剩余寿命预测方法的研究.【摘要】：随着科学技术的发展,航空航天、制造业、能源、冶金等领域的设备系统日益智能化、复杂化,传统维护策略存在着“维护不足”或“维护过剩”等问题,难以满足实际维护需求。.为了保障...
预测电池健康状态(stateofhealth,SOH)的传统方法,一般以历史数据为依据,既难以预测电池实时状态,也无法估计锂电池剩余使用寿命。针对实时预测电池SOH的问题,文章依据采集的大量实车电池数据,结合机器学习与安时积分法对其进行建模预测,处理特征并训练数据。
论文亮点：l提出了一种预测剩余使用寿命的混合机器学习方法。l在不同的操作条件下开发了两个降解数据集。l该方法可实现剩余使用寿命的准确早期预测。l该方法具有良好的性能和推广性。l
祝贺周佑光同学LSTM寿命预测研究论文被录用发布者：唐刚发布时间：2020-02-02浏览次数：173特殊时期再次收到一份喜讯：周佑光同学的论文终于被Measurement录…
硕士学位论文基于深度学习的锂电池寿命预测方法作者姓名吴飞腾指导教师副教授学科专业控制科学与工程学位类型工学硕士培养类别全日制学术型硕士所在学院信息工程学院提交日期：2020年06Lifepredictionlithium-ionbatteriesbased...
1.3论文主要研究内容及章节安排为了研究锂离子电池的剩余使用寿命预测，本文借助数据驱动预测方法的思想，从锂离子电池充放电周期的历史数据出发，使用深度学习的方法对电池的运行时间序列进行分析并产生电池未来运行的预测。
摘要:针对目前锂离子电池寿命预测结果不准确的问题，提出了一种多模态分解的锂离子电池组合预测模型，从而学习锂离子电池退化过程的微小变化。该方法在单一长短期记忆（LSTM）预测模型的基础上，采用了自适应噪声完全集成的经验模态分解(CEEMDAN)算法将锂电池容量分为主退化趋势和若…
论文提出一种结合卷积神经网络(CNN)和长短时记忆神经网络(LSTM)的滚动轴承剩余寿命预测方法。首先,为了能够提高对滚动轴承振动信号的特征识别能力,获取更多的有用信息,提取故障特征,提高模型的整体预测能力,论文对滚动轴承振动信号进行频域预处理,使用快速傅里叶变换将原始振动信号转化为频...
基于LSTM的滚动轴承寿命预测.【摘要】：针对滚动轴承剩余使用寿命预测难、一般的神经网络预测精度差的问题,提出了一种基于振动信号时域特征,结合滚动轴承理论寿命值和具有处理时序特征功能的LSTM(LongShort-TermMemory,长短期记忆网络)剩余使用寿命预测方法...
基于LSTM网络的设备健康状况评估与剩余寿命预测方法的研究.【摘要】：随着科学技术的发展,航空航天、制造业、能源、冶金等领域的设备系统日益智能化、复杂化,传统维护策略存在着“维护不足”或“维护过剩”等问题,难以满足实际维护需求。.为了保障...
基于LSTM网络的设备健康状况评估与剩余寿命预测方法的研究.【摘要】：随着科学技术的发展,航空航天、制造业、能源、冶金等领域的设备系统日益智能化、复杂化,传统维护策略存在着“维护不足”或“维护过剩”等问题,难以满足实际维护需求。.为了保障...
预测电池健康状态(stateofhealth,SOH)的传统方法,一般以历史数据为依据,既难以预测电池实时状态,也无法估计锂电池剩余使用寿命。针对实时预测电池SOH的问题,文章依据采集的大量实车电池数据,结合机器学习与安时积分法对其进行建模预测,处理特征并训练数据。
论文亮点：l提出了一种预测剩余使用寿命的混合机器学习方法。l在不同的操作条件下开发了两个降解数据集。l该方法可实现剩余使用寿命的准确早期预测。l该方法具有良好的性能和推广性。l
祝贺周佑光同学LSTM寿命预测研究论文被录用发布者：唐刚发布时间：2020-02-02浏览次数：173特殊时期再次收到一份喜讯：周佑光同学的论文终于被Measurement录…
硕士学位论文基于深度学习的锂电池寿命预测方法作者姓名吴飞腾指导教师副教授学科专业控制科学与工程学位类型工学硕士培养类别全日制学术型硕士所在学院信息工程学院提交日期：2020年06Lifepredictionlithium-ionbatteriesbased...
1.3论文主要研究内容及章节安排为了研究锂离子电池的剩余使用寿命预测，本文借助数据驱动预测方法的思想，从锂离子电池充放电周期的历史数据出发，使用深度学习的方法对电池的运行时间序列进行分析并产生电池未来运行的预测。
发表服务