融合K-means聚类和序列分解的实车锂电池剩余使用寿命预测

电动汽车锂离子动力电池健康状态（SOH）衰退过程受使用工况影响存在较多波动,导致模型预测精度下降,在锂电池剩余使用寿命（RUL）短期预测时,SOH波动情况不可忽略,为了准确预测SOH短期内波动情况,须从实车上传的锂电池运行数据中提取有效的健康因子。本文建立一种联合分布特征输入和序列分解融合的锂电池RUL预测方法,使用K-means聚类方法构建车辆锂电池运行过程的联合分布特征,并通过S-G滤波器对SOH衰退曲线进行序列分解,分别使用长短时记忆神经网络（LSTM）和多层感知机（MLP）对趋势部分和波动部分进行预测,融合得到最终预测结果。理论分析和实车采集数据验证表明,融合模型可以在预测车辆锂电池RUL短期衰退趋势的同时预测SOH的波动情况,有较高的短期预测精度。     

基于可靠度的桥梁结构剩余使用寿命预测方法

按基于某一限值可靠度的方法对既有桥梁结构剩余使用寿命进行了研究，在介绍了相关文献的半经验半理论的预测方法和基于动态可靠度预测方法的基础上，对拟采用维修或加固措施以延长剩余寿命的桥梁，提出了基于体系可靠度并考虑最优维修方案组合的寿命预测方法，并建立了优化数学模型。研究表明：该方法以桥梁的完整使用周期为研究对象，从而确定与安全、经济的维修决策相对应的最优使用寿命，但仍有许多问题需做进一步研究。     

基于充电健康因子优化和数据驱动的锂电池剩余使用寿命预测

针对因选取的健康因子不理想导致锂电池剩余使用寿命（RUL）预测精度不高的问题,提出了一种基于充电健康因子优化和数据驱动的电池RUL预测方法,首先提取电池充电过程中的各种健康因子,再使用两步最大信息系数法优化特征子集得到优化的健康因子,最后使用带有注意力机制的时间卷积神经网络（ATCN）预测电池的剩余使用寿命,通过对美国国家航空航天局（NASA）锂电池老化数据的研究,验证了所提出的锂电池RUL预测框架,并与简单循环神经网络（SimpleRNN）、长短期记忆（LSTM）神经网络和门控循环单元（GRU）神经网络等建模方法进行比较,结果表明,所提出的方法在各数据集上均取得了最优的预测结果。     

混凝土梁桥剩余使用寿命研究

为揭示混凝土梁桥剩余使用寿命的演化规律,在分析混凝土碳化及钢筋腐蚀过程的基础上,研究钢筋腐蚀对梁桥承载能力的影响,考虑钢筋和混凝土协同工作能力的降低,以混凝土梁桥达到承载能力极限作为剩余使用寿命的终结标准,提出了梁桥剩余使用寿命的预测模型。借助随机过程方法,得到混凝土梁桥中钢筋开始腐蚀、锈胀开裂以及达到承载能力极限时的钢筋腐蚀深度与剩余使用寿命之间的关系,并针对不同的使用环境分别建立了剩余使用寿命的表达式。结果表明,混凝土梁桥在使用10.07~10.97年后钢筋开始腐蚀;当钢筋腐蚀深度为0.047mm时,混凝土开裂,导致钢筋腐蚀速度加快;当钢筋腐蚀深度为1.591~1.595mm时,混凝土梁桥达到承载能力极限。     

基于数据驱动的电动汽车动力电池SOC预测

为准确预测电动汽车动力电池的能耗,缓解驾驶者的里程焦虑,本文中提出一种基于数据驱动的电动汽车动力电池SOC预测模型.首先分析电动汽车能耗构成并提取能耗影响因素,接着基于某款电动出租车CAN总线采集的汽车运行数据,采用机器学习算法,提出基于温度分层的能耗模型,通过宏观数据与微观数据的融合减小误差,最后使用该模型对车载BM...     

预应力混凝土连续箱梁桥LCPA法剩余使用寿命预测

目前大量在役桥梁均面临评估全寿命周期内安全性和耐久性预测问题。在当前研究成果基础上,文中综合考虑服役全寿命期运营荷载(活载)效应概率分布和构件耐久性退化模型,预测桥梁结构安全可靠度,以综合实现桥梁剩余使用寿命预测。依据动态称重系统数据得出桥梁的荷载(活载)效应概率模型,同时建立随时间退化的构件抗力衰减概率模型,成功预测了京沪高速(G2)新沂河大桥的剩余使用寿命,实测表明,从LCPA(全寿命周期性能评估)角度预测剩余使用寿命结果和传统实桥试验结果一致。     

基于多源数据的车流量时空预测方法

为提高车流量的预测精度,本文中从外部特征、时间特征和空间特征的角度综合考虑了多因素对车流量的影响,提出了一种基于多源数据和时空预测的车流量预测方法.在外部特征方面,深入探索了日期、天气和兴趣点特征对车流量影响;在时间特征方面,提出了基于时间卷积网络(TCN)的时间序列预测框架,并以近邻周期和日周期为基线分别建立时间预测...     

根据疲劳消耗计算民用机场刚性道面剩余使用寿命的方法

根据Miner定律提出了基于疲劳消耗计算民用机场刚性道面剩余使用寿命的方法。本方法计算结果直观、明确，各种机型对剩余寿命的影响一目了然；当饥型的运行架次变化时．剩余寿命可以很方便地进行调整计算。     

基于BP神经网络的锂电池剩余寿命预测

准确的电池状态估算与剩余使用寿命预测能让用户及时获取电池信息并更新失效电池,保障整个电池组的安全高效运行.文章为精确地预测锂离子电池剩余寿命,引入了BP神经网络算法,并利用NASA电池循环寿命实验数据进行验证.     

基于实车数据的电动汽车电池健康状态预测

鉴于现有电动汽车电池健康状态(SOH)预测方案多基于条件有限实验室的实验数据,且存在单指标预测精度低等问题,基于实车运行数据分析并提取电池健康状态因子,以电池容量、内阻和单体一致性为特征,构建机器学习模型,实现电池SOH多指标的准确预测;针对实车数据区间不完整、片段间隔大等问题,提出自适应状态估计法;利用非支配排序遗传算法(NSGA-II)进行精度与效率的多目标优化,获得最佳电压区间,提高电池容量的变区间估计精度。结果表明,该方法可有效实现基于实车数据的电池SOH准确预测,采用5-fold交叉验证计算测试集最大平均绝对误差小于2%。     

车用锂离子电池剩余使用寿命的混沌时序非线性组合预测模型研究

针对用单一方法难以准确预测锂离子电池剩余使用寿命(RUL)的问题,提出了非线性组合预测模型。对电池系统进行混沌判断,得到与实际容量相关性高的间接参数,利用重构后的数据对Elman网络及非线性自回归(NARX)网络进行训练和预测,得到表征电池性能退化的特征量;然后,用最小二乘支持向量机进行非线性组合,获得RUL的预测值。试验结果表明:非线性组合预测模型的预测精度优于Elman和NARX,具有更强的非线性预测能力。     

回归预测法在桥梁剩余寿命预测中的应用研究

随着公路交通事业的发展,在役桥梁的使用状态越来越引起了人们的广泛重视。准确地预测在役桥梁的剩余使用寿命可为公路管理部门的养护维修方案提供可靠的决策依据,节省了建设资金,保障了桥梁的安全。但到目前为止,该方面的研究进展比较缓慢。提出了引入回归预测这一数学原理对该问题进行研究分析,方法简单适用,文章最后运用实例加以说明,最终实现了桥梁结构剩余使用寿命的预测。     

数据驱动的共享电动汽车流量预测与定价方案

为了提升共享电动汽车系统的经济性与运营效率,需要充分挖掘用户对共享使用价格的响应机制以及用户的充电等待行为。同时,用户流量需求的精准预测是提供合理共享定价方案的重要基础。基于此,首先建立以数据驱动的用户流量预测模型,通过结合图卷积神经网络与长短时记忆模型,捕捉用户需求的时空特征和动态相关性,并结合时间与天气特征因素实现多时间步长的准确流量预测。其次,考虑用户在共享系统下的等待自适应行为,建立基于用户等待成本的共享系统服务质量模型。而后以实现最大化共享系统利润收益与服务质量为目标,建立多目标的共享定价模型以制定不同时刻与路径上的共享电动汽车使用价格。最后,以上海市虹口区EVCARD交通测试系统的算例分析,论证所提流量预测模型的准确性以及多目标定价模型的有效性与经济性。研究结果表明：所提的SEV多因素融合需求预测模型较其现有的常用预测方法能获得更加准确的多时间步长流量预测;通过合理设置共享驾驶的空间和时间变化价格信号,可以提升共享电动汽车系统的运营盈利能力,并且实现了更好的系统利润收益与用户服务质量平衡的运行需求。     

大数据下的动力电池全生命周期设计与应用

发展新能源汽车是我国迈向汽车强国的重要发展战略,动力电池作为新能源汽车的重要储能系统,其生产、制造、管理、应用等全生命周期设计与管控难。 随着动力电池全生命周期数据库的构建与先进大数据算法的应用拓展,大数据技术在动力电池全产业链下获得了更多应用。 系统地总结了数据驱动算法与技术在动力电池全产业链下应用情况,分析在电池材料设计优化、生产及出厂后选型配组、装机后应用管理、梯次利用等场景下大数据算法应用效果及落地可能性,为大数据分析技术在新能源汽车领域深入推广提供参考。     

试论数据驱动语言学习对教学模式的影响

对基于语料库的语言教学模式研究的缺乏是目前国内在教学中使用语料库所面临的困难之一.本文介绍并分析了数据驱动语言学习这一基于语料库的语言教学模式,认为这一模式在教学理念,学习内容,以及学习材料等方面与传统的教学模式存在很大的区别,应用在语法学习、词汇搭配、比较同义词和近义词、纠正语言失误、检查翻译译法等方面具有积极的意义.     

公共交通智能化调度基础数据预测方法研究

智能公共交通系统是将信息、数据通信、电子控制、卫星定位、计算机网络等科学技术应用于整个公共交通系统中。站点、客流集散量预测及公交站点间运行时间预测是城市公共交通智能化调度最重要工作。本文研究的主要目的是为公共交通智能化调度基础数据提供预测方法。首先提出基于逐步回归分析的方法预测公交站点客流集散量，其次提出广义回归神经网络方法预测站点间运行时间，并在长春市实际应用中得到了验证。     

基于相似性优化模型样本的实车锂电池健康状态分析

为更好地解决电动汽车动力电池健康状态（SOH）在线估计问题,减少实车采集数据中的冗余样本,改善运行工况不稳定导致的特征丢失,提升实车电池SOH估计的精度,提出一种基于增量容量分析方法（ICA）提取特征和动态时间规整（DTW）优化特征样本的SOH估计方法。首先对实车电池充电循环数据应用增量容量分析提取电池IC曲线,以曲线峰高度等形状特征作为健康因子。采用动态时间规整作相似性判据,基于IC曲线形状计算电池充电循环样本的相似度,保留与基准充电循环相似的充电循环数据,优化训练样本,最后采用全连接神经网络（MLP）模型进行SOH估计。以实车运行电池数据进行对比实验,结果表明该方法可明显改善训练样本质量,提升电池SOH估计精度。     

融合多相关收费站数据的高速公路交通流预测

经济间的紧密联系使城市群区域间多相关收费站交通数据间存在空间关联,准确描述该联系对提升高速公路交通流预测的精度具有积极作用。然而,由于受诸多不确定性的影响,该关联性难以捕捉和量化。针对这一缺陷,该文提出一种ATGCN-Res GRU深度学习高速公路交通流预测方法。通过结合注意力机制构建高、中、低注意度的3个GCN拓扑网络,并根据各个网络的注意度加权获得空间学习数据,将多相关收费站的联系进行量化和分级;同时,为了避免过平滑问题,将两个GRU(Gated Recurrent Unit)模块通过残差连接,进一步提升算法捕捉时间规律的能力;最后,使用特征融合层和全连接层输出预测值。利用该算法预测广东省某高速收费站的交通流量,试验结果表明：该文提出的方法能够有效提升预测精度,与经典模型多元集成CNN-LSTM、CNN-Bi LSTM和DL-SVR相比,平均绝对误差(E_MAE)分别减小了7.95、4.52、12.88,均方根误差(E_RMSE)分别减小了12.03、6.12、19.05。