目前,大量煤巷设计规程数据处于休眠状态,并未给设计人员提供参考,支护设计主要依靠专家经验。为解决这一问题,将基于深度学习的长短期记忆网络(Long Short Term Memory,LSTM)算法引入煤矿巷道领域进行支护设计参数预测。收集全国各地...目前,大量煤巷设计规程数据处于休眠状态,并未给设计人员提供参考,支护设计主要依靠专家经验。为解决这一问题,将基于深度学习的长短期记忆网络(Long Short Term Memory,LSTM)算法引入煤矿巷道领域进行支护设计参数预测。收集全国各地煤矿巷道支护规程文本资料,利用LSTM算法构建煤矿巷道支护设计参数预测模型。结果表明,LSTM模型能较好地达到煤矿巷道支护设计参数预测的效果;为了更加直观地看出模型测试集的整体预测效果,随机选取测试集中的9条数据,可视化展示模型效果。最后,将模型运用在M煤矿F6204工作面巷道工程,模型生成的新方案与实际方案基本吻合,验证了模型的实用性和智能性。展开更多
【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
文摘目前,大量煤巷设计规程数据处于休眠状态,并未给设计人员提供参考,支护设计主要依靠专家经验。为解决这一问题,将基于深度学习的长短期记忆网络(Long Short Term Memory,LSTM)算法引入煤矿巷道领域进行支护设计参数预测。收集全国各地煤矿巷道支护规程文本资料,利用LSTM算法构建煤矿巷道支护设计参数预测模型。结果表明,LSTM模型能较好地达到煤矿巷道支护设计参数预测的效果;为了更加直观地看出模型测试集的整体预测效果,随机选取测试集中的9条数据,可视化展示模型效果。最后,将模型运用在M煤矿F6204工作面巷道工程,模型生成的新方案与实际方案基本吻合,验证了模型的实用性和智能性。
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。