工业锂电池退化过程研究与剩余使用寿命预测

随着锂离子电池在航空航天、军工建设、工业制造、电动汽车以及储能设备等领域的广泛研究与应用,其剩余使用寿命预测具有重要意义.本文通过对锂离子电池退化原理与退化过程数据分析,剔除锂离子电池松弛效应,建立含随机效应的Wiener退化过程模型.在获知其退化阈值的情况下,推导出锂离子电池的寿命分布,并在此基础上,对单个锂离子电池剩余使用寿命进行预测.最后在NASA的PCoE数据库提供的电池数据集进行实例验证,结果表明相对于参考文献所述传统的设备贮存-工作联合退化模型,Wiener过程退化模型具有更高的预测精度.     

基于ARMA模型的校园网网络流量预测模型的分析与研究

该文利用短相关流量模型自回归滑动平均模型（ARMA模型）．通过对校园网网络流量数据的采集及分析处理,建立网络流量预测模型,并对流量预测模型进行分析、验证与研究。     

基于新容量退化模型的锂电池RUL预测研究

为准确预测锂离子电池剩余使用寿命(remaining useful life,RUL),建立能有效描述锂离子电池非线性退化特征的模型非常必要。采用新颖的回归方程构建容量退化模型,与双指数退化模型的对比表明:该模型具有更强的描述能力。依赖于此模型,提出了基于新容量退化模型和粒子滤波(particle filtering,PF)算法的锂离子电池剩余寿命预测方法,并与非线性退化自回归模型(nonlinear degradation auto regression,ND-AR)和正则化粒子滤波算法的混合方法(regularized particle filter,RPF)的预测结果做比较。结果表明:该方法对不同锂离子电池具有较好的适应性,能给出比ND-AR和RPF的混合方法更高精度的预测结果,且收敛性较好。     

锂离子电池剩余寿命预测方法研究综述

电池故障预测和健康管理(Prediction and Health Management, PHM)评价的主要方法是确定电池的健康状态和剩余使用寿命(Remaining Useful Life, RUL),以此保证锂离子电池安全可靠地工作和实现寿命优化。锂电池RUL预测不仅是PHM中的热点问题和挑战问题,其预测方法的准确性也会直接影响电池管理系统(Battery Management System, BMS)的整体性能。介绍了单体电芯测评标准,对影响锂电池循环寿命的主要因素进行详细分析。简述电池日历寿命和循环寿命。概括和总结了近几年锂离子电池剩余寿命预测方法,比较不同方法的优缺点。提出了当前实际应用中预测锂电池RUL仍存在的关键问题并进行探讨。     

基于ARMA模型的电力变压器故障预报方法

为了保证在安全运行的前提下提高变压器的运行效率,分析了变压器在异常时的油色谱数据,提出了基于ARMA模型的多维混合回归系统模型,对故障的发展趋势进行预报。通过最小二乘法,结合AIC准则估计出预报模型的最终参数和阶次。仿真结果证明,该方法适用于大型油浸式电力变压器的故障预报。     

基于ARIMA模型的工业锂电池剩余使用寿命预测

研究了随机建模技术在锂电池剩余使用寿命预测中应用.基于此,使用Box-Jenkins ARIMA模型模拟锂电池退化过程.在NASA PCoE获取锂电池测量数据集,采用ADF单根检验与差分法对锂电池容量原始数据平稳化处理.结合自相关函数与偏自相关函数进行参数估计,构建多个ARIMA模型,并通过评估各种估计参数验证各个模型的有效性,根据AIC、SC准则与正态化BIC选择最佳预测模型.在对所选模型进行严格评估之后,ARIMA （2,1,2）被识别为最佳拟合模型.使用ARIMA模型获得了比较精确的预测结果,结果表明ARIMA模型预测锂电池剩余使用寿命短期内具有较高的精确度和较强的可行性.     

基于ARMA模型的液体火箭发动机实时故障诊断方法研究

针对重复使用的液体火箭发动机设计了实时故障诊断系统并通过硬件在回路仿真平台对此进行了仿真分析,为建立重复使用液体火箭发动机健康管理系统奠定了坚实基础。首先,建立了液氧甲烷发动机故障模型,通过此模型可以获得发动机的几种典型故障数据;其次,设计并构建了ARMA模型,针对该模型的一些参数设置进行了分析;最后,基于ARMA模型构建了实时故障诊断系统并进行了仿真分析,由仿真结果可见该算法成功的诊断出发动机的常见故障,并进行了报警,满足了发动机故障诊断系统的需要。     

基于小波去噪及ARMA模型的故障率预测方法研究

在现有的故障诊断与预测方法的基础上,提出了一种基于小波及ARMA模型的预测方法。首先给出了小波去噪的原理,以及ARMA模型预测的思想,结合民机故障率的特点,对实际的故障率数据进行小波去噪,保留故障发展的主要趋势,对主要趋势进行ARMA建模预测,并将预测结果与实际值进行比较。结果说明,进行小波去噪后的ARMA建模预测的结果有较高的准确率。     

基于ARMA模型的电视台收视率预测方法设计和实现

收视率是电视行业中最重要的指标之一,目前行业内预测收视率的方法均没有考虑收视率自身的长期发展趋势,忽略了预测过程中重要的记录信息,导致预测结果精度不够,充分考虑收视率数据自身长期稳定性的特点,使用ARMA模型来进行预测,使预测精度达到用户期望。ARMA模型是一类常用的随机时序模型,它是一种精度较高的时序预测方法,预测过程中充分考虑序列内在的发展趋势,对于具有长期稳定性的时间序列的预测非常有效,并已经在各个行业得到了应用,预测精度较高。收视率属于长期稳定,起伏波动不大的时间序列,引入ARMA模型进行预测必将改善传统预测方法得到结果的精度,仿真结果表明使用ARMA模型可以提高收视率预测精度。     

基于粒子群优化粒子滤波的电容剩余寿命预测

在电路系统中,电解质电容的故障与否对电路的健康状态有着很大的影响。提出应用一种粒子群优化粒子滤波算法对电解质电容进行状态估计以及剩余寿命的预测。该算法使用NASA已公布的电容数据集,建立一种指数结合多项式的经验退化模型,用粒子群优化算法优化粒子滤波算法中的序贯重采样环节,改善粒子滤波中的粒子贫化问题,实现更准确的电解质电容剩余寿命预测。     

基于ARMA和BP_AdaBoost的组合销售预测模型研究

为了提高销售预测的准确性,建立了组合销售预测模型。历史销售数据是非线性、时变的时间序列,可看成由线性和非线性2部分组成。用ARMA模型预测线性部分,用BP_Ada Boost模型预测非线性部分,然后将2部分预测结果叠加得到销售预测结果。该组合模型克服了单纯采用ARMA模型预测结果精度低的问题,也克服了单纯使用BP神经网络模型容易陷入局部极小值的问题。经实验对比表明,采用组合预测模型能够更加准确、全面地反应销售规律,提高了销售预测的准确性。     

基于ARMA模型的船舶海水冷却系统参数预测

船舶海水冷却系统与船外海水直接接触,工作环境较为恶劣,而基于小波理论、灰色理论等参数预测方法受环境影响较大,为了实现对船舶海水冷却系统状态参数的准确预测,提出了根据平稳时间序列建立自回归移动平均模型(ARMA)的方法;介绍了ARMA模型原理及建模过程;选取“育鲲轮”海水冷却系统6天的状态参数作为训练样本,输入到ARMA预测模型中进行训练;在MATLAB环境下,获得预测数据;运用平均绝对百分比误差对预测模型的准确性进行验证并对误差进行分析,结果表明所建立的船舶海水冷却系统状态参数预测模型具有良好的预测能力,能有效地反应未来一段时间海水冷却系统的工作状态的变化,提示系统是否存在异常,为早期故障诊断提供有效手段,进而为船舶的稳定运营提供了条件。     

基于ARMA和卡尔曼相结合的实际流量预测模型的研究

为了在高度复杂网络环境下,针对无线传感器网络流量预测精度偏低的问题,结合ARMA模型和卡尔曼提出了一种新的预测算法(State Prediction Algorithm based on ARMA and Kalman,SPAK)。该算法首先定义了ARMA模型分布特征,并给出该模型的理论依据。同时,通过融合ARMA与卡尔曼的预测结果提高其预测实际流量的预测精度,实现SPAK具体实现的步骤。最后,结合OPNET仿真采集流量数据,并使用Matlab对算法结果进行仿真,并对比FARIMA模型MF-FIR模型性能,结果发现该算法可以提前预测拥塞情况,提前进行路由选择,实现路由自适应控制。同样对网络的点比和能耗等做好自适应控制,通过对预测误差的比较,从而提高其预测精度。