首页
学习
活动
专区
工具
TVP
发布
您找到你想要的搜索结果了吗?
是的
没有找到

一种改进的深度极限学习机预测锂离子电池的剩余使用寿命

目前,锂离子电池剩余使用寿命(RUL)的预测方法主要有三种:基于机理的模型、半经验模型和数据驱动模型。...它通过分析实时检测到的锂离子电池的运行数据,包括人工神经网络、支持向量机和其他预测方法,构建了预测锂离子电池RUL的退化模型。 锂离子电池广泛应用于许多领域。...锂离子电池的RUL预测已成为研究热点,锂离子电池RUL预测也成为研究热点。为了降低电容数据的噪声,使用小波分析来降低噪声,通过差分进化改进了相关向量机(RVM),并提出了一种新的预测方法。...为了改进健康状态(SOH)和RUL预测,使用了一种变体长短记忆神经网络。通过进一步提取电池老化的健康指数,使用改进的极端学习机(ELM)完成特征提取,比其他算法更具竞争力。...因此,可以直接观察到且不受环境影响的间接数据通常用于锂离子电池RUL预测。本文使用了NASA 18650电池老化数据集的数据。NASA总共对锂离子电池进行了九次老化循环。

99750

基于深度学习的航空发动机剩余寿命预测

基于数据驱动的RUL预测方法是大数据时代的产物,吸引了众多学者们的目光。...该方法不必过度依赖于物理失效模型和领域专业知识,而是直接立足于传感器监测数据本身,运用信号处理等技术对其进行分析和挖掘,提取反映系统退化失效的特征,最终实现对设备的RUL预测,具体框架如下图所示:图片系统框架...本项目利用CMAPSS开源数据集进行训练,通过LSTM模型对传感器采集的数据进行识别,预测出涡轮喷气发动机风扇的剩余寿命(RUL),后续和同学一起成功部署到边缘网关~数据集介绍...因此,本文通过构建LSTM网络,实现了基于数据驱动的健康状况评估建模方法和RUL预测方法。...,knee_point_np): # unit_number_RUL_scaled_list表示传感器采集的发动机所有数据;列表的维度为100,表示100组实验;每个组实验采集的数据为(n

1.3K91
领券