基于数据驱动的卫星锂离子电池寿命预测方法

锂离子电池由于具有工作电压高、质量轻、比能量高、寿命长和自放电率小等优点,成为替代传统镍氢、镍镉电池的第3代航天器用储能电源;寿命预测是锂离子电池健康管理的重要方面,是掌握电源性能衰退趋势的重要手段,锂离子电池寿命预测问题已成为电子系统健康管理领域的研究热点;针对锂离子电池的寿命预测问题,采用了NASA埃姆斯中心的锂离子电池地面试验采集的数据,然后重点研究了3种基于数据驱动的方法,并对锂离子电池的寿命进行了估计,最后对各种预测方法的效果进行了评价;实验结果表明,文本提出的基于数据驱动的方法能够有效地用于锂离子电池寿命预测中,在工程应用方面具有较高的实际价值.     

相似性寿命预测中的数据预处理方法研究磁

数据预处理是基于相似性的寿命预测方法的首要步骤，重点研究了变工况下数据预处理的方法。首先研究了其必要性，随后从线性模型和非线性模型的角度研究了多工况健康评估方法。从数据标准化、基于经验信噪比的特征加权和基于主成分分析的特征降维研究了多工况数据标准化方法。研究证明，多工况数据标准化方法更适于相似性寿命预测中的数据预处理。     

基于非线性集成深度学习的软件模块风险预测

利用当前方法预测软件模块风险时没有对软件模块数据进行预处理,导致预测软件模块风险预测精度较低,效果不佳.为解决上述问题,提出基于非线性集成深度学习的软件模块风险预测方法.利用主成分分析法对软件模块数据进行预处理,在不损失有用信息的前提下可降低数据维度.将处理过的样本训练集进行初始化处理,并更新相应的权重向量,利用向量融合弱分类器构成非线性集成深度学习分类器,通过此分类器得出软件模块中是否包含风险,进而实现软件模块风险预测.实验结果表明,所提方法的预测软件模块风险预测精度较高,有效提升了风险预测效果.     

基于LSTM网络的卫星寿命预测研究

针对卫星寿命预测的需求和以往方法退化失效的不足,提出了基于长短时记忆网络(Long Short-Term Memory)进行卫星寿命预测的方法.针对卫星系统中锂电池充放电次数增加,导致电池性能衰退的特性.对电池进行衰退分析,选取等压降时间序列数据作为数据集,对电池每次充放电的使用时间进行特征提取,并对数据进行规范化处理,在不同细胞长度及层数的长短时记忆网络模型中进行训练和测试,选取最合适的网络结构,实验表明使用长短时记忆网络模型计算复杂度小,预测准确率高.     

基于深度卷积神经网络的刀具寿命动态预测研究

刀具寿命预测对提高工件加工精度和生产加工效率具有重要意义.同工况下同型号刀具监测信号数据分布不一致,导致历史寿命预测模型对刀具寿命预测效果有限.鉴于此,提出一种基于深度卷积神经网络(DCNN)的刀具寿命动态预测方法.首先,利用DCNN挖掘历史刀具监测信号的退化趋势特征,构建刀具寿命预测模型,并加入注意力机制对DCNN输出进行加权,加强对刀具寿命特征的学习,提高寿命预测准确度;然后,通过基于KL散度对刀具监测信号数据分布不一致进行检测,从而在已有刀具寿命预测模型的基础上进行更新迭代;最后,利用迭代后的模型再次进行刀具寿命预测.所提出方法很好地体现了刀具实际加工过程对刀具寿命的影响,以铣削数据集为例验证了所提出方法的有效性.     

基于深度学习的时空序列预测方法综述

随着数据采集技术的蓬勃发展,各个领域的时空数据不断累积,迫切需要探索高效的时空数据预测方法.深度学习是一种基于人工神经网络的机器学习方法,能有效地处理大规模的复杂数据,因而研究基于深度学习的时空序列预测方法具有十分重要的意义.在这一背景下,针对已有的预测方法进行归纳和总结,首先回顾了深度学习在时空序列预测中的应用背景和...     

基于深度时序特征迁移的轴承剩余寿命预测方法

不同工况下轴承退化数据分布不一致导致深度学习等方法对剩余寿命预测效果有限,而已有迁移学习预测方法未能充分挖掘不同工况退化序列的内在趋势性,为此,提出一种基于深度时序特征迁移的轴承剩余寿命预测方法.首先,提出一种深度时序特征融合的健康指标构建模型,利用时间卷积网络挖掘退化趋势的内在时序特征,得到源域多轴承的健康指标;然后...     

数据驱动的可靠性评估与寿命预测研究进展:基于协变量的方法

作为保障工业过程可靠性和经济性的重要技术,可靠性评估与寿命预测在过去几十年得到了越来越广泛的关注和长足的发展.在实际应用中,由于难以获取复杂、高可靠性设备失效机理的物理模型,数据驱动的可靠性评估与寿命预测方法成为近年来的主流.同时,自动监测技术和传感器技术的快速发展,使得在工程实践中不仅能够获取系统的退化数据,还能得到大量的系统运行环境监测数据,从而使得数据驱动寿命预测中基于协变量的方法得到了广泛应用.本文根据系统运行环境中协变量数据的不同变化规律,将基于协变量方法的可靠性评估模型分为：固定协变量模型、时变协变量模型和随机协变量模型,并分别讨论了各模型的发展现状.最后,讨论了协变量处理中存在的一些挑战及未来的研究方向.     

基于改进BP的电力通信蓄电池寿命预测研究

铅酸蓄电池作为电力通信设备重要的后备电源系统,其性能表现直接影响到电力通信网络的安全稳定运行。论文以蓄电池为研究对象,深入分析影响蓄电池寿命的因素,依据蓄电池在实际环境中的运行状态,提出蓄电池寿命因子作为容量估算的修正因子,构建了改进后的蓄电池寿命估算模型。通过利用BP神经网络和改进的BP神经网络进行仿真实验,结果表明新的蓄电池寿命估算模型在估算效果上优于传统的估算模型,具有较好的实用性。     

基于深度学习的主机负载在线预测模型研究

数据中心主机负载预测对于数据中心的资源调度和节能具有重要意义,但是目前缺乏一个通用模型以准确预测所有类型数据中心的主机负载情况。为了使主机负载预测模型具有一定的自适应性,提出一种基于深度循环神经网络编码器-解码器的多步在线预测模型。通过线上实时采集的能耗数据进行在线训练,同时设计一个在线监控模块,对模型的预测准确性进行实时监控和调整,使得该模型在不同数据中心中均能获得较准确的预测值。利用Google开源的时长为29天的数据中心主机负载数据集进行实验,结果表明,该模型的预测准确性接近离线训练,其预测性能优于ESN和LSTM模型。     

基于PDM的液压缸CAD系统的研究与开发

PDM是CAx信息集成的平台,本文在分析了PDM系统的功能模块以及PDM与CAD系统之间的信息集成关系的基础之上,应用VB6.0、ACCESS、AUTOCAD2004进行了系统的开发。系统主要由三部分组成液压缸辅助设计部分计算机辅助绘图部分和产品信息管理部分。实现了液压缸产品设计、计算、绘图以及产品数据管理的一体化,提高了产品设计水平和企业的信息化水平。     

面向深度学习的空气质量预测研究进展

空气污染是影响公共卫生的重要因素,空气质量预测是空气污染预警的关键,是近年来环境学、统计学、计算机科学等领域中的热点研究课题.本文综述了空气质量预测方法的研究现状与进展,尤其对近年来新发展起来的深度学习方法在空气质量预测方面的应用进行了系统分析与总结.首先,介绍了空气质量预测方法的演变历程和空气污染数据集.然后,阐述了传统空气质量预测方法.随后,从时间信息、时空信息、注意力机制等角度出发,重点分析和比较了现有面向深度学习的空气质量预测方法的进展.最后,对空气质量预测方法的未来发展趋势进行了总结与展望.     

基于深度学习的流行度预测研究综述

在线社交网络中的消息流行度预测研究,对推荐、广告、检索等应用场景都具有非常重要的作用.近年来,深度学习的蓬勃发展和消息传播数据的积累,为基于深度学习的流行度预测研究提供了坚实的发展基础.现有的流行度预测研究综述,主要是围绕传统的流行度预测方法展开的,而基于深度学习的流行度预测方法目前仍未得到系统性地归纳和梳理,不利于流...     

基于深度学习的信息级联预测方法综述

在线社交媒体极大地促进了信息的产生和传递,加速了海量信息之间的传播与交互,使预测信息级联的重要性逐渐突显。近年来,深度学习已经被广泛用于信息级联预测(Information Cascade Prediction)领域。文中主要对基于深度学习的信息级联预测方法的研究现状与经典算法进行分类、梳理与总结。根据信息级联特征刻画的侧重点不同,将基于深度学习的信息级联预测方法分为时序信息级联预测方法与拓扑信息级联预测方法,并进一步将时序信息级联预测方法分为基于随机游走(Random Walk)的方法与基于扩散路径的方法,将拓扑信息级联预测方法分为基于全局拓扑结构的方法与基于邻域聚合的方法;并对每类方法进行详细的原理阐述与优缺点介绍,介绍了信息级联预测领域常用的数据集与评价指标,在宏观与微观两种信息级联预测场景下对基于深度学习的信息级联预测算法进行实验对比,并讨论了一些信息级联预测算法中常用的算法实现细节。最后,总结了该领域未来可能的研究方向与发展趋势。     

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。     

基于深度学习的服装图像检索方法

为实现面向大规模服装图像集的图像快速精准检索,突破当前常规检索方法的局限性,本文提出了一个新的深度学习模型：Fashion-16服装图像检索模型.采用先分类再类内检索的思想,基于VGG-16模型强大的图像特征提取能力,以卷积神经网络softmax分类器进行分类,对同一类别下采用局部敏感哈希的思想进行近似最近邻的查找,实现了针对服装类别属性的图像检索模型修正.实验结果表明,模型具有良好的稳定性、精确率及检索速度,有其实用价值与研究意义.     

基于深度学习的股票趋势预测算法

针对股票趋势预测难的问题,提出一种利用CNN和LSTM进行特征提取,并结合注意力机制和对抗训练的股票趋势预测算法——AACL（Adversarial Attentive CNN-LSTM）算法。该算法利用CNN提取股票的整体趋势信息,LSTM提取股票的短期波动信息,并通过注意力机制将多个股票联系起来,捕捉股票之间的涨跌关系。算法还引入了对抗训练,通过对数据进行干扰,提高算法的鲁棒性。为了验证算法的有效性,在KDD17、ACL18和China50这3个数据集上进行实验,并与现有的算法进行比较,实验结果表明本文提出的算法可以获得最优的预测效果。     

基于深度学习的目标人物情绪预测

针对目标人物的情绪变化,本文提出了一种情绪预测方式对情绪进行识别、预测和分析.在情绪预测前,通过一种情绪定量算法对情绪数据集数据进行归一化处理,以得到每种情绪对应的程度系数,为下一步的情绪预测奠定基础.然后汇总目标人物一天的情绪变化得到一种主要情绪,再通过情绪预测算法得到最终的预测结果.本文应用BERT (Bidirectional Encoder Representations from Transformers)神经网络对短对话进行情绪建模,以做到对目标人物的实时情绪预测.结果表明应用本文的训练模型,可以有效判断目标人物的未来情绪波动状况.