会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

《储能科学与技术》推荐|段双明等：基于自适应多层RLS的锂离子电池参数辨识

摘 要？电池参数的准确辨识是电动汽车电池管理系统实现高精度状态估计的基础。针对遗忘因子递推最小二乘法（forgetting factor recursive least squares，FFRLS）辨识变化电池参数时精度不足的问题，本文提出以层数形式更新参数的自适应多层递推最小二乘（adaptive multi-layer recursive least squares，AMLRLS）电池在线参数辨识方法。AMLRLS算法以第L-1层辨识参数的电压误差作为第L层的目标值，递推分离出电压误差中的参数量，以所有层的参数量之和作为一个数据点的辨识结果，形成多层RLS结构更新参数。针对每一次辨识算法都计算至最大设置层的问题，设计层数选择器，将第一层FFRLS辨识结果的电压误差作为层数选择器的输入量，以电压误差大小自适应选择层数，减小计算量。搭建电池模型，仿真验证AMLRLS的参数跟踪能力。仿真结果表明，AMLRLS的参数误差比RLS最大降低了69%，比AFFRLS（adaptive forgetting factor recursive least squares）最大降低了46.5%。在实验验证中，AMLRLS在DST（dynamic stress test）工况下相较其他算法电压均方根误差和平均绝对误差最大降低了43.9%和32.1%，不同电流、不同温度和不同初始SOC条件下的实验结果验证了AMLRLS具有较强的适用性。最后，实验比较了各算法的计算时间，相较于未设置层数选择器的情况，AMLRLS在DST工况下计算时间缩短了37.4%，在FUDS下缩短了28.6%，减少了电池管理系统的计算负担。关键词？锂离子电池；参数辨识；最小二乘法；等效电路模型

  • 2024-11-12
  • 阅读33

【InformationSciences】基于深度网络的少样本非线性过程监测的域自适应

在当前的工业过程中，多种模式无处不在，不同模式中包含的历史数据量可能会有很大差异。在为特定模式构建故障检测模型时，数据不足很容易导致冷启动问题。为了解决这个问题，在考虑多种模式之间的相似性和差异性的同时，提出了一种基于特征分离的域自适应深度模型，用于少样本的非线性过程监测。该模型从模式中提取共同特征，并通过将领域知识从源转移到共同特征来弥补数据不足。另一方面，为了避免只关注共同特征而丢失有用信息，该模型还提取了目标域的特定特征。因此，在考虑目标域的特定特征的同时，借助域自适应提高了监测性能。此外，设计了三个检测指标，分别监测公共特征子空间、特定特征子空间和残差子空间。这样做的好处是，当故障发生时，可以获得更多的诊断信息。通过数值例子和实际工业加氢过程对提出的方法进行了测试，以验证检测的有效性。 关键词：故障检测、域自适应、通用功能、特定功能

  • 2024-11-09
  • 阅读87

数据库基础知识

DBMS(Database Management System)是负责数据库搭建、使用和维护的大型系统软件 DBMS对数据进行统一控制管理，以保证数据的完整性和安全性。 数据库、数据库管理系统以及关联应用，共同组成了数据库系统(DBS)

  • 2024-11-11
  • 阅读29

基于局部加权PSFA的非线性动态过程虚拟传感器建模

本文提出了一种扩展的PSFA，用于处理复杂的动态和非线性工业过程数据。传统的PSFA算法只考虑动态特性，而忽略了非线性信息。为了解决这个问题，将局部加权技术引入PSFA的动态LVM中，以获得LWPSFA。在LWPSFA中，计算了两种权重来设计非线性近似的WLLF。然后，使用EM算法计算参数。最后，将提出的LWPSFA方法用于两个真实工业过程的软测量建模。实验结果表明，LWPSFA的性能远优于PSFA和OPSFA，具有更高的R'和更低的RMSE。然而，在未来的工作中可以考虑一些改进的局限性。首先，这两个重要参数（和）应该通过优化方法获得。此外，在许多过程中，实际噪声可能不服从高斯分布。因此，如何在噪声非高斯分布的情况下更新LWPSFA将是未来研究的重点。最后，如何处理LWPSFA中缺失的输入数据的问题值得研究。

  • 2024-11-06
  • 阅读44

轴承损伤形式及应对策略（一）|剥落、表皮剥落、刮伤、轻微擦伤、断裂

在大数据驱动和深度学习赋能的今天，针对旋转机械故障诊断的研究层出不穷。但目前绝大部分研究聚焦的是故障特征提取、深度学习算法开发与改进。作为机械行业学习/从业者，我们似乎在计算机技术快速发展的今天逐渐遗忘了基础知识的研究：轴承到底有哪些损伤形式（试验台人为缺口、激光点蚀与真实损伤形式差距有多大）、各类损伤产生的原因是什么、工程实际的损伤具体表现形式是什么，在研究轴承故障诊断今生的同时，轴承故障的前世不应被我们逐渐忘记，该系列将和大家分享和交流轴承损伤形式及应对策略，由于作者水平有限，文章的介绍难免有误，欢迎交流讨论！ 分享的轴承损伤基础知识将按以下内容进行展开，损伤特征信号及诊断方法将在后续进行介绍： 第一期：轴承滚动痕迹/磨损路径、轴承的剥落、表皮剥落、刮伤、轻微擦伤、断裂 第二期：轴承的裂纹、保持架的损伤、压痕、点蚀、磨损、微动磨损 第三期：轴承的伪布氏压痕、蠕变、咬粘、电蚀、锈蚀、安装伤痕、变色

  • 2024-11-06
  • 阅读38

基于单侧对齐策略下的类别缺失鲁棒域自适应故障诊断

在本文中，我们证明了当目标训练数据集中存在缺失类别时，直接应用对抗域自适应技术会导致性能下降。为了克服这个问题，我们利用源域的类间关系提出了单侧对齐，这是一种简单而有效的训练策略。我们在故障诊断任务上的实验展示了所提出的领域自适应方法在工业应用中的潜力，其中缺失类别的问题对所应用的方法施加了显着的限制。发展所提出的模型在样本缺失情况下的性能是未来的发展方向之一。

  • 2024-11-06
  • 阅读69

用于跨机器工况下故障诊断的深度判别迁移学习网络

目前，研究者已经提出了很多用于解决目标域和源域之间的分布对齐和知识迁移问题的领域自适应方法。然而，大多数研究方法只关注到边缘分布对齐，忽略了目标域和源域之间判别性特征的学习。因此，在某些案例中，这些方法仍然不能很好地满足故障诊断要求。为了提高分布一致性，并且对齐两个域的边缘分布和条件分布，我们提出了一种改进联合分布自适应(Improved Joint Distribution Adaptation, IJDA)机制。在该方法中，我们将最大均值差异和相关对齐(Correlation Alignment, CORAL)方法相结合，作为一个新的分布差异度量方法用于提高分布的一致性。在此基础上，提出了一种改进的条件分布对齐机制。另外，我们提出了一种新的I-SoftMax损失，该损失相比原始SoftMax损失具有更强的分类能力，可以帮助网络学习到更多可分离的特征。我们利用IJDA机制和I-SoftMax损失，构建了深度判别迁移学习网络(Deep Discriminative Transfer Learning Network, DDTLN)来实现迁移故障诊断。基于没有标签的目标域样本，我们对六个跨机器诊断任务进行实验，证明该方法与其他典型的域自适应相比，具有更高的迁移故障诊断性能。 关键词：判别特征学习，联合域自适应分布对齐，分类损失，故障迁移诊断

  • 2024-11-06
  • 阅读65

设备状态监测中处理工业数据分部不平衡的重采样技术(上）

本期给大家推荐魏建安教授的设备状态监测中处理工业数据分部不平衡的重采样技术综述。在工业生产中，机器设备大部分时间处于正常运行状态，故障发生的时间极为短暂，导致故障数据稀缺，数据集普遍存在不平衡问题。随着制造业的快速发展，复杂设备的故障数据往往伴随噪声和多重不平衡现象，给故障诊断带来巨大挑战。本文将从数据预处理、特征提取和分类器改进三个方面，系统分析当前不平衡数据分类的主要方法，并探讨这些方法在工业场景中的应用及未来研究方向。

  • 2024-11-06
  • 阅读43