【目的】锂电池健康状态(state of health, SOH)的精确预测评估可以提高电池设备的安全性,降低故障的发生率。针对数据驱动方法在模型训练过程中需要大量标签样本数据的问题,提出了一种新的基于扩散模型和双向长短期记忆网络的锂电池SO...【目的】锂电池健康状态(state of health, SOH)的精确预测评估可以提高电池设备的安全性,降低故障的发生率。针对数据驱动方法在模型训练过程中需要大量标签样本数据的问题,提出了一种新的基于扩散模型和双向长短期记忆网络的锂电池SOH估计方法。【方法】首先,建立电池充电时间、电压和温度三者间的长期依赖关系云图;其次,设计一个时空信息捕捉模块,将该模块捕获的长期依赖信息作为扩散模型的生成条件,赋予扩散模型电池SOH数据生成能力;最后,利用双向长短期记忆网络(Bi-LSTM)对部分由原始数据和生成数据混合而成的电池数据集进行训练,并利用剩余的原始数据作为测试集对所提方法进行验证。【结果】验证结果表明,该方法不仅可以减少收集电池数据类型的周期和成本,而且能够有效预测电池SOH。【结论】该方法在电池SOH估计上具备良好的精度,可进一步探索其他电池数据集组合,优化模型结构,提高电池管理系统。展开更多
轴承作为旋转机械中最易损耗的核心基础部件之一,是机械装备的重点监测对象。针对现有轴承智能故障诊断模型存在的对数据信息挖掘片面性及利用率低等问题,构建了一种基于双向长短期记忆(Bidirectional Long Short-term Memory,BLSTM)结...轴承作为旋转机械中最易损耗的核心基础部件之一,是机械装备的重点监测对象。针对现有轴承智能故障诊断模型存在的对数据信息挖掘片面性及利用率低等问题,构建了一种基于双向长短期记忆(Bidirectional Long Short-term Memory,BLSTM)结构与多尺度卷积结构融合的深度学习网络模型。为了增强模型的分类性能以及提高模型对实际工程环境的贴合度,数据集中各类故障数据的数据量为非等量;然后将数据集通过BLSTM结构来获取具有对称性的数据特征,从而减少模型对前后故障信息记忆的紊乱、增强信息利用率,接着通过多尺度卷积结构对数据特征进行多角度理解与交流,防止特征提取片面化,同时还能增强模型的抗噪性能;最后通过全连接网络实现智能分类。将所提模型分别对深沟球轴承与圆柱滚子轴承故障数据进行处理分析,结果表明该智能模型具有较高的准确度与实用性。展开更多
现有的多数入侵检测模型通过长短期记忆(long short-term memory,LSTM)网络评估数据之间的时间依赖性。然而,LSTM网络处理序列数据增加了训练模型的计算复杂度和存储成本。为此,提出了基于多头注意力机制和时间卷积网络的无监督入侵检...现有的多数入侵检测模型通过长短期记忆(long short-term memory,LSTM)网络评估数据之间的时间依赖性。然而,LSTM网络处理序列数据增加了训练模型的计算复杂度和存储成本。为此,提出了基于多头注意力机制和时间卷积网络的无监督入侵检测模型(unsupervised intrusion detection model based on multihead attention mechanism or temporal convolutional network,UDMT)。UDMT不依赖于LSTM网络,它利用时间卷积网络和多头注意力机制构建生成对抗网络的生成器和决策器,实现计算的并行化,进而降低复杂度。同时,UDMT不依赖于标签的攻击数据,它具有检测已知攻击和未知攻击的能力。此外,UDMT采用不同的隐藏层模式,配置灵活,以满足不同的检测率和检测时延的要求。相比于两个同类的检测模型,提出的UDMT能获取更高的检测率和更低的检测时延。展开更多
文摘【目的】锂电池健康状态(state of health, SOH)的精确预测评估可以提高电池设备的安全性,降低故障的发生率。针对数据驱动方法在模型训练过程中需要大量标签样本数据的问题,提出了一种新的基于扩散模型和双向长短期记忆网络的锂电池SOH估计方法。【方法】首先,建立电池充电时间、电压和温度三者间的长期依赖关系云图;其次,设计一个时空信息捕捉模块,将该模块捕获的长期依赖信息作为扩散模型的生成条件,赋予扩散模型电池SOH数据生成能力;最后,利用双向长短期记忆网络(Bi-LSTM)对部分由原始数据和生成数据混合而成的电池数据集进行训练,并利用剩余的原始数据作为测试集对所提方法进行验证。【结果】验证结果表明,该方法不仅可以减少收集电池数据类型的周期和成本,而且能够有效预测电池SOH。【结论】该方法在电池SOH估计上具备良好的精度,可进一步探索其他电池数据集组合,优化模型结构,提高电池管理系统。
文摘轴承作为旋转机械中最易损耗的核心基础部件之一,是机械装备的重点监测对象。针对现有轴承智能故障诊断模型存在的对数据信息挖掘片面性及利用率低等问题,构建了一种基于双向长短期记忆(Bidirectional Long Short-term Memory,BLSTM)结构与多尺度卷积结构融合的深度学习网络模型。为了增强模型的分类性能以及提高模型对实际工程环境的贴合度,数据集中各类故障数据的数据量为非等量;然后将数据集通过BLSTM结构来获取具有对称性的数据特征,从而减少模型对前后故障信息记忆的紊乱、增强信息利用率,接着通过多尺度卷积结构对数据特征进行多角度理解与交流,防止特征提取片面化,同时还能增强模型的抗噪性能;最后通过全连接网络实现智能分类。将所提模型分别对深沟球轴承与圆柱滚子轴承故障数据进行处理分析,结果表明该智能模型具有较高的准确度与实用性。
文摘现有的多数入侵检测模型通过长短期记忆(long short-term memory,LSTM)网络评估数据之间的时间依赖性。然而,LSTM网络处理序列数据增加了训练模型的计算复杂度和存储成本。为此,提出了基于多头注意力机制和时间卷积网络的无监督入侵检测模型(unsupervised intrusion detection model based on multihead attention mechanism or temporal convolutional network,UDMT)。UDMT不依赖于LSTM网络,它利用时间卷积网络和多头注意力机制构建生成对抗网络的生成器和决策器,实现计算的并行化,进而降低复杂度。同时,UDMT不依赖于标签的攻击数据,它具有检测已知攻击和未知攻击的能力。此外,UDMT采用不同的隐藏层模式,配置灵活,以满足不同的检测率和检测时延的要求。相比于两个同类的检测模型,提出的UDMT能获取更高的检测率和更低的检测时延。
