排序方式: 共有13条查询结果,搜索用时 922 毫秒
1.
2.
小湾水电站工程建立健全了质量管理体系,采取了一整套具有工程特色的质量管理措施,以日常检查整改、实物质量俭查为基础,实行月检查、季考核、年评比的施工质量考核达标制度,以达到工程的质量目标。 相似文献
3.
Fibrograph630是思彬莱公司推出的新一代纤维照影机(以下简称 F630),由于使用了微处理控制系统,使照影测试性能提高。该机菜单驱动指示软件系统进行下列程序的工作:状态测试(Test Status)校准(Calibrating)试样测试(Testing Samples)使用状态测试菜单,操作者可灵活地选择各种有关参数,以决定试验的配置和测试结果的表现方式。 相似文献
4.
基于改进最小二乘支持向量机与Box-Cox变换的锂离子电池容量预测 总被引:2,自引:1,他引:1
精确、可靠的电池容量预测可以避免电池滥用,提升电池使用安全;同时在此基础上开展的剩余寿命估测能够为电池系统维护及更换提供参考.基于改进双最小二乘支持向量机方法和Box-Cox变换,提出一种锂离子电池容量及剩余循环寿命的协同估算方法.首先提取老化电池部分容量增量曲线包络面积作为特征量,通过Box-Cox变换进一步提高特征量与目标估计量之间的相关性.然后基于瑞利熵理论改进传统最小二乘支持向量机算法的稀疏性,建立电池容量和剩余使用寿命协同估算模型,结合层次分析法和熵权法对估算结果进行充分地评估.最后,采用粒子群优化算法搜索改进最小二乘支持向量机算法中的最优超参数组合.估算结果显示所研究的方法能够显著提高特征参数与估计量之间的线性相关性,容量估计误差小于1.44%,剩余使用寿命预测误差小于47次循环,验证了算法的有效性. 相似文献
5.
考虑混杂充电数据的锂离子电池容量估计 总被引:1,自引:1,他引:0
准确有效的电池容量估计对于电动汽车的安全性等有着十分重要的意义.目前结合健康因子提取的电池容量估计方法受到了广泛的关注,然而大多数研究没有考虑到电池实际应用中每个循环的充电数据会根据充放电情况的不同而具有不同的充电数据结构,这会导致健康因子的提取不能连续有效地进行,无效或缺失的健康因子序列会导致无法有效地估计电池容量,由此开展考虑混杂充电数据的锂离子电池容量估计方法研究.考虑三种最常见的充电数据结构组成混杂充电数据,根据不同的数据结构提取有效健康因子,再由粒子群算法寻优获得最佳健康因子;以相关向量回归为工具,通过健康因子估计健康因子的方法获取其中一种完整健康因子序列;以完整的健康因子序列训练长短时记忆网络以达到估计未来电池容量的目的 .仿真试验结果表明,RVM估计健康因子的相对误差均保持在1%以内,未来电池容量的估计相对误差基本在2%以内,达到较高的估计精度,可满足一定的实际应用需求. 相似文献
6.
7.
针对激波管校准装置中反射阶跃压力幅值溯源精度低的问题,提出一种基于模型修正的激波管反射阶跃压力幅值高精度溯源方法。根据理想气体理论,建立激波管反射阶跃压力幅值溯源的理论模型;分析入射激波速度的衰减规律,构建基于多传感器的入射激波速度多点测量方案;根据多点测量结果拟合入射激波速度的分布模型,实现入射激波速度衰减补偿,进而实现激波管反射阶跃压力溯源模型修正,提高阶跃压力幅值溯源精度。采用不同压力下的激波管实验验证反射阶跃压力幅值溯源的准确性,结果表明,文章方法的反射阶跃压力幅值溯源结果与实测结果的平均相对误差小于1%,其值大约为基于未修正模型的溯源结果平均相对误差的1/4倍。 相似文献
8.
9.
针对临江岸坡监测项目多、监测点分布广、可视化程度低、需要实时对监测数据进行分析处理等特点,利用Visual Studio平台开发了具有二维、三维地理信息可视化和监测数据管理及预测的临江岸坡安全监测信息系统。在GIS平台下分别利用TIN表面和栅格表面两种建模方法建立了临江岸坡的三维地理信息模型。根据监测数据的特点,利用VB语言构建了神经网络预测模型对监测数据进行分析预测。通过建立Access数据库,将大量的监测数据如位移、渗压、雨量等进行汇总,方便管理。工程实例证明,该信息系统较好地实现了岸坡安全监测中的二维、三维可视化显示,对监测数据进行系统管理,数学建模分析模块可对监测数据进行有效分析预测。 相似文献
10.
锂离子电池容量的精确预测有利于提升电池的使用安全和避免电池滥用,受其复杂的内部电化学反应和外部使用条件影响,对其老化后的容量精确预测一直是电池管理系统的难点之一。为实现锂电池全服役周期内容量的高效准确预测,本文提出了一种基于遗传算法优化的Elman神经网络(GA-Elman)电池容量预测模型。首先选择电池不同循环下的放电容量增量、内阻以及温度数据作为有效表征电池老化和容量衰减规律的特征量,其次运用主成分分析算法对特征量进行降维以降低训练量数据维度,然后基于Elman神经网络构建电池容量预测模型,并引入遗传算法优化Elman神经网络的权值和阈值,实现对电池容量的高效精确预测,最后在不同电池上对该模型进行了验证。验证结果表明:与传统Elman神经网络和长短期记忆神经网络(long and short term memory neural network,LSTM NN)预测模型相比,GA-Elman神经网络预测模型有更好的预测精度和更高的运算效率。在不同电池上该模型预测结果的最大平均绝对误差为0.92%,最大均方根误差为1.02%,最小拟合系数为0.9679,表明该模型可以精确预测锂电池衰退过程中的容量并且对不同电池有较强的适应性。 相似文献