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
准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法...准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法。将锂离子电池负极固体电解质界面(SEI)膜增厚机理融入Arrhenius定律中构建经验模型,然后采用最小二乘法进行参数辨识,并分别计算每个参数与容量的Spearman相关系数。结果表明,它们与容量衰退都具有强相关性,可以作为估算SOH的健康特征。此外,为了克服双向长短期记忆(bidirectional long and short term memory,BiLSTM)网络参数较多且容易陷入过拟合的问题,本文使用减平均优化(subtraction average based optimizer,SABO)算法对BiLSTM的超参数进行寻优,建立SOH估算模型。最后,采用实验测试数据与美国航空航天局(National Aeronautics and Space Administration,NASA)数据验证了所提方法的适应性,并与长短期记忆(long and short-term memory,LSTM)网络、双向长短期记忆网络以及粒子群优化(particle swarm optimization,PSO)的双向长短期记忆网络3种算法的估算结果进行对比。结果表明,采用SABO-BiLSTM算法估算4节电池SOH的平均绝对百分比误差分别为0.043%、0.053%、0.259%、0.230%,相较于LSTM降低了94.58%、 92.85%、 88.65%、 90.13%,相较于BiLSTM降低了89.11%、91.60%、77.90%、76.41%,相较于PSO-BiLSTM降低了58.65%、58.91%、65.37%、69.29%。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。
文摘准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法。将锂离子电池负极固体电解质界面(SEI)膜增厚机理融入Arrhenius定律中构建经验模型,然后采用最小二乘法进行参数辨识,并分别计算每个参数与容量的Spearman相关系数。结果表明,它们与容量衰退都具有强相关性,可以作为估算SOH的健康特征。此外,为了克服双向长短期记忆(bidirectional long and short term memory,BiLSTM)网络参数较多且容易陷入过拟合的问题,本文使用减平均优化(subtraction average based optimizer,SABO)算法对BiLSTM的超参数进行寻优,建立SOH估算模型。最后,采用实验测试数据与美国航空航天局(National Aeronautics and Space Administration,NASA)数据验证了所提方法的适应性,并与长短期记忆(long and short-term memory,LSTM)网络、双向长短期记忆网络以及粒子群优化(particle swarm optimization,PSO)的双向长短期记忆网络3种算法的估算结果进行对比。结果表明,采用SABO-BiLSTM算法估算4节电池SOH的平均绝对百分比误差分别为0.043%、0.053%、0.259%、0.230%,相较于LSTM降低了94.58%、 92.85%、 88.65%、 90.13%,相较于BiLSTM降低了89.11%、91.60%、77.90%、76.41%,相较于PSO-BiLSTM降低了58.65%、58.91%、65.37%、69.29%。
