基于 GRU-UKF 的锂离子电池 SOC 估计方法研究

精确估计锂离子电池荷电状态(SOC)是电池管理系统的关键技术之一,直接影响着动力锂电池组的使用效率和安全 性。 锂离子电池特性复杂,其 SOC 无法直接测量,且受电流、温度等因素的影响较大。 为此,提出了一种基于门控循环单元 (GRU)神经网络与无迹卡尔曼滤波(UKF)相结合的组合算法。 该方法利用 GRU 网络获得可测量的电流、电压、温度与锂电池 SOC 之间的非线性关系,并以此作为 UKF 的观测方程。 然后,通过 UKF 估计 SOC 值以提高算法的估计精度。 实验结果表明, 在不同温度以及不同的工况下,本文所提方法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于 0. 51%和 0. 46%,均能提 高 SOC 的估计精度。     

融合 EMD 和 LSTM 的受热面积灰预测研究

针对锅炉受热面积灰将会降低传热效率和安全性,采用清洁因子作为健康指标来监测锅炉受热面健康状况,并且提出 融合经验模态分解(EMD)和长短期记忆网络(LSTM)的模型来预测未来锅炉积灰。 经验模态分解可以将时间序列分解为一系 列频域稳定的本征模态函数,长短期记忆网络拥有记忆功能,它能够通过学习来挖掘时间序列之间隐藏的长期依赖关系,二者 结合,增加了对于时间序列预测的准确度。 通过仿真软件验证,该模型对锅炉受热面积灰状况的预测有较为满意的精度,并与 两种常用模型进行对比发现,预测精度分别提升了 67. 7%与 59. 2%,验证了该模型的可行性与有效性。     

融合 CEEMD 和 TCN 的受热面积灰预测研究

对锅炉受热面积灰程度的有效预测,可为锅炉提升生产效率和故障预警提供重要依据。 采用清洁因子来评估受热面的 灰污沉积状况,针对其序列非线性、非平稳性的特点,提出一种基于互补集合经验模态分解与时间卷积网络的受热面积灰预测 方法。 首先,通过互补集合经验模态分解将经过小波阈值去噪处理后的原始序列分解为一组子序列分量;然后,针对不同子序 列分别构建基于时间卷积网络的时序预测模型,并优化网络超参数提升预测准确性;最后,将各 IMF 分量的预测结果叠加得出 清洁因子的预测数值。 由实验结果可得,相较于其他两种模型,预测精度分别提高 62. 1%和 57. 1%,CEEMD-TCN 模型对受热 面积灰状况预测精度最高,验证了该模型的准确性和可靠性。     

基于碘量法的自动滴定分析仪开发与应用

基于碘量法的检测分析原理设计在线自动滴定分析仪,选用高精度且稳定性好的进料泵,采用间接接触式视觉传感器检测技术实现滴定终点即时判断,避免传感器与物料直接接触。在溴素氧化工艺现场进行的大量对比实验表明：仪器分析结果的精度比人工化验结果平均高出30%以上。分析误差来源,发现了溴素生产的操作漏洞,即人工取样实验室化验过程中会导致过量氯气挥发,致使样品失真,解决了该行业传统操作的痛点,在提升检测频率和检测精度的同时,实现了机器代人,自动完成在线取样、添加前置试剂、滴定分析、计算结果及清洗排废等流程,整个分析过程用时7 min,相比人工化验时间大幅缩短。仪器安装在溴素生产装置氧化工艺段,可实现氧化卤水溴氯总值的在线检测,为氯气加料阀门的自动联锁控制提供基础数据。     

水质监测设备的研究现状与发展趋势

结合水质监测仪的原理,对国内外水质监测仪的发展现状以及应用情况加以分析,并指出未来水质监测设备的发展趋势.     

融合小波分解和 LSTM 的目标轨迹预测

随着目前空战武器装备的迅猛发展,对于高空高速大机动目标的轨迹预测越来越占据重要的战略地位。为了解决目前存在的目标轨迹预测不足的问题,本文提出了融合小波分解(wavelet decomposition, WD)和长短期记忆(long short term memory, LSTM)网络的模型来对机动目标的轨迹进行预测。首先,通过小波分解将输入的轨迹时间序列分解为1个低频分量(CD1)和3个高频分量(CA1,CA2,CA3)。然后,利用长短期记忆网络对时间序列处理的优势进行分量预测。最后,将分量预测结果进行重构并与原始轨迹进行对比验证,结果表明所提模型对于轨迹预测具有较高的精确度。为了排除实验结果的偶然性,本文用两组数据进行验证。通过对比实验显示,所提模型与其他两种模型相比预测误差更小。     

商用车空气悬架轻量化的发展

介绍商用车空气悬架的发展历史、结构和优势,以及国内外空气悬架轻量化的发展现状。对空气悬架中的前支架、导向臂和空气弹簧结构的轻量化进行详细论述：在材料方面,利用复合材料和高强度合金材料所生产的部件替代现有的部件,有效减轻了部件质量;在结构方面,运用拓扑优化方法,对现有的结构进行优化设计,取得了较好的轻量化效果。