滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来...滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来提高模型对重要特征的关注程度,对于长时间序列容易丢失重要信息。另外,神经网络中隐藏层神经元个数、学习率以及正则化参数等超参数还需要依靠人工经验设置。为了解决上述问题,提出基于灰狼优化(grey wolf optimizer, GWO)算法、优化集合CNN、双向长短期记忆(bidirectional long short term memory, BiLSTM)网络和注意力机制(Attention)轴承剩余使用寿命预测方法。首先,从原始振动信号中提取时域、频域以及时频域特征指标构建可选特征集;然后,通过构建考虑特征相关性、鲁棒性和单调性的综合评价指标筛选出高于设定阈值的轴承退化敏感特征集,作为预测模型的输入;最后,将预测值和真实值的均方误差作为GWO算法的适应度函数,优化预测模型获得最优隐藏层神经元个数、学习率和正则化参数,利用优化后模型进行剩余使用寿命预测,并在公开数据集上进行验证。结果表明,所提方法可在非经验指导下获得最优的超参数组合,优化后的预测模型与未进行优化模型相比,平均绝对误差与均方根误差分别降低了28.8%和24.3%。展开更多
锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电...锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电池因存在电压平台问题,其电压波动和噪声会严重影响SOC估计的精度,本文针对这一问题,通过实验和数据驱动结合的方法,引入电池膨胀力作为新的输入维度,融合电池的电化学特性与机械特性,有效补偿了电压平台问题对SOC估计结果的影响。本研究在4种环境温度和2种动态电流测试工况下进行了实验,利用所得数据对神经网络模型进行训练和测试,以评估SOC估计精度并验证本方法的可行性和普适性。此外,本文还提出了一种基于卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirectional long short-term memory,Bi-LSTM)的混合模型,兼顾序列数据的局部模式与长期依赖关系,进一步提升SOC估计的可靠性。结果表明,本文提出的方法可以显著提高磷酸铁锂电池SOC估计精度,相比未引入膨胀力信号,均方根误差(root-mean-square error,RMSE)平均下降了43.82%。同时,CNNBiLSTM模型相比其他常规神经网络模型,RMSE最多降低了53.88%。本研究为高精度SOC估计提供了新的思路,对提升电池管理系统的性能具有重要意义。展开更多
文摘滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来提高模型对重要特征的关注程度,对于长时间序列容易丢失重要信息。另外,神经网络中隐藏层神经元个数、学习率以及正则化参数等超参数还需要依靠人工经验设置。为了解决上述问题,提出基于灰狼优化(grey wolf optimizer, GWO)算法、优化集合CNN、双向长短期记忆(bidirectional long short term memory, BiLSTM)网络和注意力机制(Attention)轴承剩余使用寿命预测方法。首先,从原始振动信号中提取时域、频域以及时频域特征指标构建可选特征集;然后,通过构建考虑特征相关性、鲁棒性和单调性的综合评价指标筛选出高于设定阈值的轴承退化敏感特征集,作为预测模型的输入;最后,将预测值和真实值的均方误差作为GWO算法的适应度函数,优化预测模型获得最优隐藏层神经元个数、学习率和正则化参数,利用优化后模型进行剩余使用寿命预测,并在公开数据集上进行验证。结果表明,所提方法可在非经验指导下获得最优的超参数组合,优化后的预测模型与未进行优化模型相比,平均绝对误差与均方根误差分别降低了28.8%和24.3%。
文摘锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电池因存在电压平台问题,其电压波动和噪声会严重影响SOC估计的精度,本文针对这一问题,通过实验和数据驱动结合的方法,引入电池膨胀力作为新的输入维度,融合电池的电化学特性与机械特性,有效补偿了电压平台问题对SOC估计结果的影响。本研究在4种环境温度和2种动态电流测试工况下进行了实验,利用所得数据对神经网络模型进行训练和测试,以评估SOC估计精度并验证本方法的可行性和普适性。此外,本文还提出了一种基于卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirectional long short-term memory,Bi-LSTM)的混合模型,兼顾序列数据的局部模式与长期依赖关系,进一步提升SOC估计的可靠性。结果表明,本文提出的方法可以显著提高磷酸铁锂电池SOC估计精度,相比未引入膨胀力信号,均方根误差(root-mean-square error,RMSE)平均下降了43.82%。同时,CNNBiLSTM模型相比其他常规神经网络模型,RMSE最多降低了53.88%。本研究为高精度SOC估计提供了新的思路,对提升电池管理系统的性能具有重要意义。
