期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到346篇文章
< 1 2 … 18 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于DAE-BLS的锂离子电池剩余使用寿命预测方法 被引量：2
1
作者 张洪生 尚鑫磊 《计算机集成制造系统》 北大核心 2025年第3期1038-1047,共10页
为解决锂离子电池剩余使用寿命(RUL)预测中存在的实际容量难以准确测量、噪声信息影响算法性能等诸多问题,提出一种基于去噪自编码器(DAE)和宽度学习系统(BLS)相结合的预测方法。首先,从电池充放电曲线中提取多个与电池退化高度相关的... 为解决锂离子电池剩余使用寿命(RUL)预测中存在的实际容量难以准确测量、噪声信息影响算法性能等诸多问题,提出一种基于去噪自编码器(DAE)和宽度学习系统(BLS)相结合的预测方法。首先,从电池充放电曲线中提取多个与电池退化高度相关的健康因子(HI),并使用滑动时间窗口制备训练样本。其次,将样本输入DAE进行去噪处理。然后,将经过处理的样本输入BLS,预测电池RUL,并通过调整窗口大小和模型参数,得到最优模型。最后,利用MIT-Stanford电池退化数据集验证该方法的有效性。实验结果表明,相比于已有预测方法,所提方法在预测精度上具有更好的表现。 展开更多
关键词 锂离子电池 剩余使用寿命 健康因子 去噪自编码器 宽度学习系统
在线阅读 下载PDF
虚实结合的电池剩余使用寿命预测实验教学研究
2
作者 刘强 姜英姿 +4 位作者 种法力 王辉 戴前进 耿金萍 朱军 《实验技术与管理》 北大核心 2025年第7期246-252,共7页
该实验基于粒子群优化算法(PSO)对BP神经网络进行改进,利用BTS充放电测试仪对锂电池进行加速老化实验,从电池历史老化数据中提取健康因子,将其作为PSO-BP网络的输入,提高网络预测电池剩余使用寿命能力,最后利用多组电池的老化数据将传... 该实验基于粒子群优化算法(PSO)对BP神经网络进行改进,利用BTS充放电测试仪对锂电池进行加速老化实验,从电池历史老化数据中提取健康因子,将其作为PSO-BP网络的输入,提高网络预测电池剩余使用寿命能力,最后利用多组电池的老化数据将传统预测算法与优化的PSO-BP网络的预测精确度进行了对比。针对PSO算法易陷入局部最优陷阱与早熟收敛问题,选择非线性动态自适应惯性权重策略(IPSO)对算法再次进行改进,通过对比改进前后算法的预测效果,验证得出IPSO-BP算法更加优异。该实验过程可以使学生利用机器学习算法预测电池剩余使用寿命,采用虚实结合手段解决实际问题,提高实验的综合效果。 展开更多
关键词 电池剩余使用寿命 粒子群优化算法 虚实结合 健康因子
在线阅读 下载PDF
谐波减速器MDBO-CNN-LSTM剩余使用寿命预测
3
作者 兰月政 刘彪 +3 位作者 石超 郭世杰 吕贺 唐术锋 《农业机械学报》 北大核心 2025年第2期533-543,共11页
针对谐波减速器剩余使用寿命预测退化节点难以选取、退化指标与物理解释性差、预测效果偏差较大等问题,提出了一维堆叠卷积自编码器融合深度卷积嵌入式聚类(SCAE-DCEC)提取退化点,并结合改进蜣螂优化算法(DBO)优化CNN-LSTM的谐波减速器... 针对谐波减速器剩余使用寿命预测退化节点难以选取、退化指标与物理解释性差、预测效果偏差较大等问题,提出了一维堆叠卷积自编码器融合深度卷积嵌入式聚类(SCAE-DCEC)提取退化点,并结合改进蜣螂优化算法(DBO)优化CNN-LSTM的谐波减速器剩余使用寿命预测方法。对振动信号进行一维堆叠卷积自编码器与深度卷积嵌入式聚类,解决了退化节点难以选取、退化指标与预测网络契合度差等难题;构建了基于SPM混沌映射、自适应概率阈值和差分变异扰动的改进蜣螂优化算法,并对其性能进行评估。利用MDBO对CNN-LSTM超参数进行优化,形成MDBO-CNN-LSTM的剩余使用寿命预测模型。在搭建的谐波减速器实验台进行加速寿命实验及预测验证,实验结果表明MDBO-CNN-LSTM训练后预测模型拟合优度明显高于CNN、LSTM、CNN-LSTM、DBO-CNN-LSTM网络、直接退化全卷积、直接退化的贝叶斯优化LSTM的RUL预测方法,其预测精度达到91.33%,且该方法对谐波减速器寿命后期退化趋势中的衰退特征具有较强的辨识能力。 展开更多
关键词 谐波减速器 退化点 SCAE-DCEC MDBO-CNN-LSTM 剩余使用寿命
在线阅读 下载PDF
粒子群优化算法结合改进回声状态网络的PEMFC剩余使用寿命预测
4
作者 高锋阳 刘嘉 +3 位作者 杨栋 韩国鹏 齐丰旭 刘庆寅 《西北工业大学学报》 北大核心 2025年第3期478-487,共10页
为提高质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)退化预测的精度,提出一种基于粒子群(particle swarm optimization,PSO)算法优化改进回声状态网络(revised echo state network,RESN)的PEMFC电压预测方法。通过改... 为提高质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)退化预测的精度,提出一种基于粒子群(particle swarm optimization,PSO)算法优化改进回声状态网络(revised echo state network,RESN)的PEMFC电压预测方法。通过改进回声状态网络水库中各神经元连接方式,加快非线性拟合过程;利用PSO算法优化模型谱半径、泄漏率、神经元数量等,提高模型预测精度,采用SG(Savitzky-Golay)滤波算法对原始数据有效去峰去噪,再利用PSO-RESN准确预测PEMFC电压;采用不同样本数据集作为训练集和测试集,将所提模型在静态和准动态实验数据集下与扩展卡尔曼滤波、传统回声状态网络进行对比。结果表明,在训练集占比为80%时,对于静态工况FC1,相较于ESN,PSO-RESN方法的均方根误差(root mean square error,RMSE)和平均百分比误差(mean absolute percentage error,MAPE)分别降低了17.50%和25.53%;对于准动态工况FC2,相较于ESN方法,PSO-RESN方法的均方根误差和平均百分比误差分别降低了16.93%和21.28%。所提方法能够实现PEMFC更高精度退化趋势与剩余使用寿命预测。 展开更多
关键词 质子交换膜燃料电池 退化预测 回声状态网络 粒子群算法 剩余使用寿命
在线阅读 下载PDF
基于DWD-SVR模型的锂离子电池剩余使用寿命预测
5
作者 王小明 何叶 +3 位作者 王路路 吴红斌 徐斌 赵文广 《太阳能学报》 北大核心 2025年第2期52-59,共8页
针对锂离子电池容量退化特性的非线性和多尺度特性,提出一种基于离散小波分解(DWD)和支持向量回归(SVR)模型的锂离子电池RUL预测方法。首先,利用DWD对容量时间序列进行多尺度解耦,以降低局部再生和波动现象对预测结果的影响;其次,利用K... 针对锂离子电池容量退化特性的非线性和多尺度特性,提出一种基于离散小波分解(DWD)和支持向量回归(SVR)模型的锂离子电池RUL预测方法。首先,利用DWD对容量时间序列进行多尺度解耦,以降低局部再生和波动现象对预测结果的影响;其次,利用K-均值聚类方法将各尺度信号中样本熵与排列熵相近的子序列进行聚类,根据聚类结果将复杂度与随机性相近的子序列进行重构,以减少建模次数,提高预测效率;最后,通过SVR预测模型精确捕捉不同尺度下容量信号的变化情况,实现电池RUL准确预测。实验结果表明,提出的基于DWD-SVR模型的锂离子电池RUL预测方法能在保证全局退化趋势预测准确性的同时对波动进行及时地响应,可提高预测性能。 展开更多
关键词 锂离子电池 支持向量回归 K-均值聚类 剩余使用寿命 离散小波分解
在线阅读 下载PDF
基于融合特征和OOA-BiGRU的锂离子电池剩余使用寿命预测方法
6
作者 孙静 翟千淳 《电工技术学报》 北大核心 2025年第9期2996-3012,共17页
随着新能源汽车产业的持续发展,锂离子电池被大量用作车载动力电池。电池管理系统(BMS)负责监测、评估、维护和优化锂离子电池的性能和寿命,其中剩余使用寿命(RUL)预测是BMS中的重要组成部分。该文提出一种基于融合特征和鱼鹰优化算法(O... 随着新能源汽车产业的持续发展,锂离子电池被大量用作车载动力电池。电池管理系统(BMS)负责监测、评估、维护和优化锂离子电池的性能和寿命,其中剩余使用寿命(RUL)预测是BMS中的重要组成部分。该文提出一种基于融合特征和鱼鹰优化算法(OOA)优化双向门控循环单元(BiGRU)网络的锂离子电池RUL预测方法。针对电池容量难以直接测量的问题,采集电池老化过程中简单易测量的电流、电压和时间数据,从中提取能反映电池老化趋势的健康因子。提出一种结合过滤器与包装器的融合特征筛选策略,降低模型的复杂度,防止模型过拟合。搭建BiGRU网络,深入地研究序列整体结构和动态特性,整合多维度特征,适应不同时间尺度的依赖关系。采用OOA对BiGRU模型内部的超参数进行有效的优化,提高了模型的预测精度,同时实现了参数的自配置。将所提方法与传统网络模型在不同电池数据上进行比对,验证所提OOA-BiGRU模型的可靠性。另外,将提出的融合特征预测与全部特征预测和过滤特征预测的效果进行比较,证明融合特征可更好地表示电池的老化程度,提高模型预测的准确度。 展开更多
关键词 锂离子电池 剩余使用寿命 双向门控循环单元 健康因子 融合特征
在线阅读 下载PDF
基于注意力增强Uniformer的锂电池剩余使用寿命预测
7
作者 廖列法 刘映宝 占玉敏 《汽车技术》 北大核心 2025年第6期36-44,共9页
针对锂离子电池的剩余使用寿命(RUL)预测时常面临数据的动态变化和老化数据有限的问题,提出注意力增强Uniformer(AEUniformer)的RUL预测模型,通过Uniformer整合卷积神经网络(CNN)和自注意力机制的优势实现全面的信息感知;设计注意力引... 针对锂离子电池的剩余使用寿命(RUL)预测时常面临数据的动态变化和老化数据有限的问题,提出注意力增强Uniformer(AEUniformer)的RUL预测模型,通过Uniformer整合卷积神经网络(CNN)和自注意力机制的优势实现全面的信息感知;设计注意力引导机制(AGM)和CoordAttention实现强大的特征提取。试验结果表明,AEUniformer可以实现仅需单个老化周期的准确快速的RUL预测,数据集的平均绝对百分比误差分别为2.7%和6.16%,证明了该方法的准确性。 展开更多
关键词 锂电池 剩余使用寿命预测 数据驱动 统一变形器 注意力引导机制 坐标注意力
在线阅读 下载PDF
基于ABC-LSTM模型的锂离子电池剩余使用寿命预测 被引量：2
8
作者 刘勇 于怀汶 +3 位作者 刘大鹏 穆勇 王瀛洲 张秀宇 《储能科学与技术》 北大核心 2025年第1期331-345,共15页
为了保证储能系统的安全稳定运行,准确预测锂离子电池的剩余使用寿命(remaining useful life,RUL)至关重要。本工作提出了一种基于人工蜂群算法(artificial bee colony,ABC)和结合dropout技术的长短期记忆网络(long short-term memory,L... 为了保证储能系统的安全稳定运行,准确预测锂离子电池的剩余使用寿命(remaining useful life,RUL)至关重要。本工作提出了一种基于人工蜂群算法(artificial bee colony,ABC)和结合dropout技术的长短期记忆网络(long short-term memory,LSTM)相结合的综合预测模型,可有效提高锂离子电池RUL预测的准确性。首先,利用dropout正则化方法有效减轻过拟合现象的优势,提高预测模型的泛化能力。其次,引入针对容量回升及数据噪声问题的激活层网络结构,显著提升模型对复杂非线性数据的处理能力。然后,结合ABC算法优化LSTM综合预测模型的超参数,避免模型陷入局部最优解,提高RUL预测精度。最后,通过NASA研究中心及CALCE的公开数据集验证所提模型的预测准确性和鲁棒性。本工作对基于40%和60%训练数据的不同算法预测性能进行实验分析验证,并与麻雀优化算法、座头鲸优化算法等群体优化算法进行比较。实验结果表明,所提出的ABC-LSTM综合预测模型可以更加准确地捕获锂离子电池容量退化的全局趋势及局部特征,其中60%比例的RUL预测结果的均方根误差平均保持在1.02%以内,平均绝对误差平均保持在0.86%以内,拟合系数高达97%以上。 展开更多
关键词 锂离子电池 剩余使用寿命预测 长短期记忆网络 人工蜂群算法 dropout技术
在线阅读 下载PDF
基于卷积时空混合神经网络的剩余使用寿命预测 被引量：1
9
作者 刘澳龙 唐向红 +1 位作者 陆见光 王涛 《组合机床与自动化加工技术》 北大核心 2025年第4期1-7,共7页
针对当前剩余使用寿命(remaining useful life,RUL)预测方法侧重于捕捉数据的时间依赖,忽略多传感器间的空间关系问题,提出了一种卷积时空混合神经网络(convolutional spatio-temporal hybrid neural network,CSTHNN)用于提取多传感器... 针对当前剩余使用寿命(remaining useful life,RUL)预测方法侧重于捕捉数据的时间依赖,忽略多传感器间的空间关系问题,提出了一种卷积时空混合神经网络(convolutional spatio-temporal hybrid neural network,CSTHNN)用于提取多传感器时间序列数据的时空特征用于RUL预测。CSTHNN利用卷积神经网络的卷积层感知相邻特征间的空间关系并提取传感器间的空间特征。通过位置编码以记忆时间依赖信息,并使用多头自注意力机制提取时间特征。最后将提取到的时空特征进行非线性变换,映射为RUL预测结果。通过在C-MAPSS数据集上的实验对CSTHNN进行了全面的分析和验证,表明了在RUL预测上提取空间特征的重要性以及该方法优秀的性能。 展开更多
关键词 剩余使用寿命 时空特征 卷积神经网络 混合神经网络
在线阅读 下载PDF
基于智能数模融合的锂离子电池剩余使用寿命预测
10
作者 周文璐 郑燕萍 +1 位作者 杨丞 晏莉琴 《汽车技术》 北大核心 2025年第2期55-62,共8页
为了提高电池剩余使用寿命(RUL)的预测准确性,基于融合健康指标和构建的电池容量衰退模型,采用粒子群(PSO)优化极限学习机(ELM),结合随机扰动无迹粒子滤波(RP-UPF)的智能数模融合方法对B0005、B0006、B0018号电池的RUL进行预测。研究结... 为了提高电池剩余使用寿命(RUL)的预测准确性,基于融合健康指标和构建的电池容量衰退模型,采用粒子群(PSO)优化极限学习机(ELM),结合随机扰动无迹粒子滤波(RP-UPF)的智能数模融合方法对B0005、B0006、B0018号电池的RUL进行预测。研究结果表明:该方法在电池的整个生命周期保持了较高的预测准确性,同时,显著提升了电池RUL预测的精度。 展开更多
关键词 锂离子电池 剩余使用寿命 融合健康指标 智能数模融合方法
在线阅读 下载PDF
Kriging模型在滚动轴承剩余使用寿命预测中的应用
11
作者 刘吉文 秦东晨 +1 位作者 袁峰 陈江义 《轴承》 北大核心 2025年第3期104-110,共7页
针对常用优化算法对滚动轴承剩余使用寿命(RUL)预测模型进行超参数优化时易陷入局部最优的问题,提出了一种基于Kriging代理模型和长短期记忆网络(LSTM)的滚动轴承剩余使用寿命预测模型。首先,改进小波阈值函数对轴承原始振动信号进行降... 针对常用优化算法对滚动轴承剩余使用寿命(RUL)预测模型进行超参数优化时易陷入局部最优的问题,提出了一种基于Kriging代理模型和长短期记忆网络(LSTM)的滚动轴承剩余使用寿命预测模型。首先,改进小波阈值函数对轴承原始振动信号进行降噪处理;其次,通过自适应融合方法构建轴承健康指标(HI)曲线并作为预测模型的输入;然后,搭建Kriging代理模型,以寿命预测结果的均方根误差(RMSE)值为优化目标,LSTM模型隐藏层单元数和Dropout层丢弃率为优化变量对LSTM模型寻优得到最优参数组合;最后,用超参数优化后的LSTM模型进行滚动轴承的RUL预测。基于西安交通大学轴承数据集,与传统LSTM、反向传播(BP)神经网络和多层感知机(MLP)的预测结果进行了对比,结果表明所提模型的预测曲线能更好地贴近轴承真实退化趋势,预测结果更加接近轴承真实寿命,验证了该模型的有效性。 展开更多
关键词 滚动轴承 剩余使用寿命 寿命预测 长短期记忆网络 Kriging代理模型
在线阅读 下载PDF
基于扩展空间森林算子和自适应卡尔曼滤波的轴承剩余使用寿命预测
12
作者 张溧栗 温志鹏 +3 位作者 曹菁菁 韩鹏 赵强伟 曹小华 《机电工程》 北大核心 2025年第3期420-431,共12页
针对传统单一轴承退化指标所含信息不足,有限数据样本条件下轴承剩余寿命(RUL)难以预测等问题,提出了一种基于扩展空间森林算子和自适应卡尔曼滤波轴承剩余使用寿命(ESF-AKF)的预测方法。首先,提取了原始轴承振动数据的均方根值和整流... 针对传统单一轴承退化指标所含信息不足,有限数据样本条件下轴承剩余寿命(RUL)难以预测等问题,提出了一种基于扩展空间森林算子和自适应卡尔曼滤波轴承剩余使用寿命(ESF-AKF)的预测方法。首先,提取了原始轴承振动数据的均方根值和整流平均值两个退化指标;然后,根据扩展空间森林算子对两个退化指标进行了特征扩展,提出了新的动态退化评估准则,选择了两个新的退化指标融合构建综合轴承退化指标;接着,设计了自适应卡尔曼滤波预测模型以估计维纳过程的未知参数,即引入自适应因子代入先验误差协方差矩阵,实时调整了滤波的卡尔曼增益;最后,采用IEEE PHM2012公开数据集进行了轴承剩余寿命预测验证。研究结果表明:与两个传统退化指标相比,基于提出的综合轴承退化指标的预测结果平均误差分别降低了5.69%和21.10%;与卡尔曼滤波和粒子滤波相比,基于自适应卡尔曼滤波的平均误差分别降低了45.41%和10.92%;与其他模型相比,平均均方根误差、平均绝对误差分别降低了48.56%、29.11%。该研究结果验证了该轴承使用寿命预测方法的准确性和有效性。 展开更多
关键词 滚动轴承 剩余使用寿命 扩展空间森林 维纳过程 卡尔曼滤波 预测与健康管理
在线阅读 下载PDF
退役动力锂离子电池健康状态及剩余使用寿命预测技术研究
13
作者 陈宏宇 陶志军 +2 位作者 朱永利 胡仁宗 袁斌 《电力系统保护与控制》 北大核心 2025年第7期174-187,共14页
准确估计退役动力锂离子电池的健康状态和预测其剩余使用寿命,对保障其安全运行及促进梯次利用具有重要意义。传统的健康状态检测方法效率低,且缺乏有效评估退役电池价值的方法。基于数据驱动的人工智能方法在此领域有着独特的应用优势... 准确估计退役动力锂离子电池的健康状态和预测其剩余使用寿命,对保障其安全运行及促进梯次利用具有重要意义。传统的健康状态检测方法效率低,且缺乏有效评估退役电池价值的方法。基于数据驱动的人工智能方法在此领域有着独特的应用优势。从实际应用的角度出发,综述了近年来国内外在电池健康状态估计和剩余使用寿命预测方面的最新进展。首先介绍了锂电池健康状态估计以及剩余使用寿命预测方法,着重总结了基于数据驱动的剩余使用寿命预测方法的研究现状,对比了不同方法的优缺点。最后,针对当前研究中存在的关键问题提出了一些解决思路,并对未来的发展方向进行了展望。 展开更多
关键词 退役锂离子电池 健康状态估计 剩余使用寿命预测 梯次利用
在线阅读 下载PDF
基于深度学习的导航装备轴承剩余使用寿命预测
14
作者 党慧莹 李海林 +2 位作者 吴北苹 余佳宇 庄银传 《空军工程大学学报》 北大核心 2025年第2期81-88,共8页
作为导航装备的重要部件,轴承影响着导航装备的定位精度和保障能力。在装备剩余使用寿命(RUL)预测中,传统的机器学习算法在处理复杂非线性传感信号问题上存在局限性,为此提出了一种基于注意力机制(AM)和双向长短期记忆网络(Bi-LSTM)的轴... 作为导航装备的重要部件,轴承影响着导航装备的定位精度和保障能力。在装备剩余使用寿命(RUL)预测中,传统的机器学习算法在处理复杂非线性传感信号问题上存在局限性,为此提出了一种基于注意力机制(AM)和双向长短期记忆网络(Bi-LSTM)的轴承RUL预测框架(Bi-LSTM-A)。该框架在前端加入一维卷积神经网络(CNN)从原始传感器信号中提取局部特征,然后利用双向长短期记忆网络与注意力机制相结合的方式对信号进行分析预测,最后经过网络末端的全连接层输出预测结果。通过与同类算法的对比实验表明,该方法能够准确地预测装备剩余使用寿命,具有较好的预测效率和预测精度。 展开更多
关键词 轴承 深度学习 长短期记忆网络 注意力机制 剩余使用寿命
在线阅读 下载PDF
基于联合域适应的轴承剩余使用寿命预测方法
15
作者 时爱民 王波 +2 位作者 刘良将 杨文龙 朱梦迪 《振动与冲击》 北大核心 2025年第14期311-320,共10页
针对基于无监督迁移学习轴承剩余使用寿命(remaining useful life,RUL)退化数据分布存在显著差异,导致模型预测精度较低的问题,提出了一种联合域适应轴承RUL预测方法,生成高质量伪标签以提高RUL预测精度。首先,融合有效通道注意力网络... 针对基于无监督迁移学习轴承剩余使用寿命(remaining useful life,RUL)退化数据分布存在显著差异,导致模型预测精度较低的问题,提出了一种联合域适应轴承RUL预测方法,生成高质量伪标签以提高RUL预测精度。首先,融合有效通道注意力网络与卷积神经网络,提高模型的特征提取能力;然后,采用最大均方差异度量方法减少源域与目标域之间退化数据的分布差异,生成高质量伪标签;同时,比较源域真实标签和高质量目标域伪标签的差异,为样本分配权重以引导模型对抗训练,进一步提升模型性能;最后,为验证所提方法的有效性和优越性,IEEE故障预测与健康管理2012挑战赛轴承全寿命周期数据集上与其他方法对比。试验结果表明,所提方法生成了高质量的伪标签,具有更佳的预测精度。 展开更多
关键词 剩余使用寿命(rul) 轴承 无监督迁移学习 联合域适应 伪标签
在线阅读 下载PDF
改进量化注意力机制和权重的剩余使用寿命预测模型
16
作者 罗冲 何启学 韩超 《计算机应用》 北大核心 2025年第S1期366-371,共6页
设备剩余使用寿命(RUL)预测在工业维护中扮演着关键角色,它的准确性和效率对设备管理和故障预防至关重要。近年来,深度学习技术在RUL预测中展现出巨大潜力,而它的高计算成本和复杂性限制了它在资源受限环境中的应用。针对该问题,提出一... 设备剩余使用寿命(RUL)预测在工业维护中扮演着关键角色,它的准确性和效率对设备管理和故障预防至关重要。近年来,深度学习技术在RUL预测中展现出巨大潜力,而它的高计算成本和复杂性限制了它在资源受限环境中的应用。针对该问题,提出一种改进量化注意力机制和权重的RUL预测模型用于提升RUL预测的性能和效率。首先,将模型权重量化为低精度整数,以显著降低模型的存储需求和计算开销,同时引入正则化效果,提升模型的泛化能力;其次,采用量化注意力机制,通过二元运算近似表达点积运算,减少浮点运算,简化注意力计算过程,节约内存,提升模型效率,增强模型的可解释性和鲁棒性。在C-MAPSS数据集上的实验结果表明,所提模型在保证预测精度的前提下,大幅降低了模计算成本,在C-MAPSS数据集上,与原始注意力模型相比,所提方法的内存开销减少了约25%,计算时间缩短了39.83%~55.49%。 展开更多
关键词 剩余使用寿命预测 量化注意力机制 量化权重 深度学习 工业维护
在线阅读 下载PDF
基于多维时序融合特征的滚动轴承剩余使用寿命预测
17
作者 万忠义 吴开平 +2 位作者 徐彬 王琮煜 周江 《制造技术与机床》 北大核心 2025年第2期9-16,共8页
在滚动轴承退化失效前预测其剩余使用寿命(remaining useful life,RUL),对保障设备安全运行和减少经济损失具有重要意义。针对滚动轴承RUL的预测,构建了一种基于多维时序融合特征的预测流程。在该流程中,首先,采用一维卷积神经网络((one... 在滚动轴承退化失效前预测其剩余使用寿命(remaining useful life,RUL),对保障设备安全运行和减少经济损失具有重要意义。针对滚动轴承RUL的预测,构建了一种基于多维时序融合特征的预测流程。在该流程中,首先,采用一维卷积神经网络((one-dimensional convolutional neural network,1DCNN))和时序卷积网络(temporal convolutional network,TCN)自动提取振动信号的相关特征;其次,在时域和特征域中交替使用多层感知器,构建多维时序特征融合模型,并将历史时刻和当前时刻的特征一起作为模型输入,用于RUL的预测。试验结果表明,文章方法RUL预测曲线均方根误差和平均绝对误差的平均值分别降低至0.263和0.227,失效点预测绝对误差的平均值提高至10.67%。与深度卷积神经网络和长短时记忆网络相比,文章方法在RUL预测曲线的拟合程度和滚动轴承失效点的预测方面均具有明显的优越性。可见,构建的滚动轴承RUL预测流程能较为准确地预测其RUL,具有一定的实用性。 展开更多
关键词 滚动轴承 剩余使用寿命预测 特征提取 多维时序特征 深度学习
在线阅读 下载PDF
变模态分解下SSA-LSTM组合的锂离子电池剩余使用寿命预测方法 被引量：1
18
作者 李嘉波 王志璇 +1 位作者 田迪 孙中麟 《储能科学与技术》 北大核心 2025年第2期659-670,共12页
锂离子电池在电动汽车、可再生能源等领域广泛应用,对其剩余使用寿命(remaining useful life,RUL)进行精确预测,能够实时把握电池的内在性能退化状态,降低电池使用风险。本工作提出了一种基于变模态分解(variational mode decomposition... 锂离子电池在电动汽车、可再生能源等领域广泛应用,对其剩余使用寿命(remaining useful life,RUL)进行精确预测,能够实时把握电池的内在性能退化状态,降低电池使用风险。本工作提出了一种基于变模态分解(variational mode decomposition,VMD)、麻雀优化算法(sparrow search algorithm,SSA)和长短期记忆网络(long short-term memory,LSTM)的组合预测算法对锂离子电池剩余寿命进行预测。首先,基于锂离子电池电流、电压以及温度曲线,提取等压差充电时间、等压差充电能量、放电温度峰值和恒流充电时间作为预测RUL的间接健康因子。其次,采用变模态分解法分解容量以避免容量回升的局部波动和测试噪声对RUL预测结果造成干扰。针对传统LSTM模型超参数设置易受到经验和随机性的影响,提出了麻雀优化算法对LSTM模型参数进行优化,以提升模型的预测能力。最后,应用NASA和CALCE数据集,将所提模型与其他模型进行对比。实验结果表明,锂离子电池RUL预测均方根误差控制在2%以内,所提方法具有较高的预测性能。 展开更多
关键词 锂离子电池 剩余使用寿命 变模态分解 麻雀优化算法 长短期记忆网络
在线阅读 下载PDF
基于CNN-Transformer网络融合时频域的滚动轴承剩余使用寿命预测
19
作者 张发振 张清华 +3 位作者 秦宾宾 朱冠华 黄权斯 刘学斌 《机床与液压》 北大核心 2025年第14期7-14,共8页
针对现有深度学习滚动轴承预测方法存在的预测准确度不足、学习长期依赖关系困难以及特征信息表达单一等问题,提出一种基于CNN-Transformer并行网络结合交叉注意力机制融合时域和频域信息的轴承剩余使用寿命预测方法。利用快速傅里叶变... 针对现有深度学习滚动轴承预测方法存在的预测准确度不足、学习长期依赖关系困难以及特征信息表达单一等问题,提出一种基于CNN-Transformer并行网络结合交叉注意力机制融合时域和频域信息的轴承剩余使用寿命预测方法。利用快速傅里叶变换(FFT)提取输入信号的频域特征,使用因果卷积运算提取时频域局部特征,并通过Transformer编码层增强模型对特征的表达能力,最终通过交叉注意力机制融合两种特征。此方法有效利用了时域和频域信息的互补性,显著提升了滚动轴承RUL预测的性能,并在IEEE PHM 2012数据集上进行了验证。结果表明:相比CT、CLSTM、CNN和LSTM预测方法,所提方法的预测结果最优,相邻预测结果的波动性更小。其中,平均绝对误差(MAE)和均方根误差(RMSE)均为最低。在工况1的3号轴承验证中,所提方法的RUL预测MAE值分别比其他4种模型降低了15.0%、20.6%、44.1%和56.4%;在工况2的4号轴承验证中,RUL预测RMSE值分别降低了41.1%、50.9%、72.4%和73.1%,表明所提滚动轴承剩余使用寿命预测方法具有更高的精度。 展开更多
关键词 剩余使用寿命 轴承 因果卷积神经网络 CNN-Transformer 交叉注意力
在线阅读 下载PDF
基于Pyraformer的滚动轴承剩余使用寿命预测方法
20
作者 马凤敏 居文军 王浩磊 《计算机应用》 北大核心 2025年第S1期354-359,共6页
针对传统滚动轴承剩余使用寿命(RUL)预测方法在处理高维状态监测数据时难以提取有效退化信息和捕获不同范围时间相关性的问题,提出一种基于Pyraformer的滚动轴承RUL预测方法。首先,采用时频特征提取技术对轴承原始振动信号进行处理,以... 针对传统滚动轴承剩余使用寿命(RUL)预测方法在处理高维状态监测数据时难以提取有效退化信息和捕获不同范围时间相关性的问题,提出一种基于Pyraformer的滚动轴承RUL预测方法。首先,采用时频特征提取技术对轴承原始振动信号进行处理,以构建多重特征集;然后,基于Pyraformer建立轴承RUL预测模型,以捕获多重特征集与滚动轴承RUL预测之间的复杂关系;同时,提出一种基于金字塔特征的RUL预测模块,引入威布尔(Weibull)分布损失函数加快模型的收敛,并采用卡尔曼滤波对RUL预测曲线进行平滑和降噪处理;最后,在2012年故障预测与健康管理挑战赛(PHM2012)数据集上把所提方法与其他RUL预测模型进行对比实验,结果表明所提方法的预测精度相较于传统Transformer寿命预测方法在平均绝对误差(MAE)和均方根误差(RMSE)上分别降低了23%和30%,验证了该方法能有效提高RUL预测准确度,具有一定的实用性。 展开更多
关键词 剩余使用寿命 时频特征提取 Pyraformer 威布尔分布 卡尔曼滤波
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 18 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部