排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
通过对泵安装过程中基础处理、垫铁放置、安装找平、找正对中和无应力配管等关键步骤的论述,以非公用底座的设备为例,详细说明了汽轮机驱动高压离心泵的安装程序及注意事项. 相似文献
2.
3.
谷歌移动服务(GoogleMobileService,简称GMS)提供包括Gmail、地图、GooglePlay商店等多项免费服务。目前,Google已经停止对国内厂商发放GMS授权,导致国内所有行货Android平板及手机无法在出厂时预装GMS,而众多大型游戏、 相似文献
4.
锂电池的荷电状态(state-of-charge,SOC)涉及的物理特性或电化学特性高度复杂,其值一般难以直接测量,基于深度神经网络等新方法的SOC估计近期为相关研究者所关注.为进一步提升SOC估计性能,有效捕获锂电池SOC的动态物理特性,缓解深度神经网络模型容易发生的梯度消失与梯度爆炸等问题,本文引入双向学习策略,基于双向长短期记忆循环神经网络(bidirectional long short-term memory,Bi-LSTM)以及双向门控循环单元网络(bidirectional gated recurrent unit,Bi-GRU)估计锂电池的SOC取值.双向循环神经网络SOC估计模型由输入层、隐藏层和输出层组成.输入层输入电池电压、电流与温度序列;隐藏层在正向LSTM/GRU层的基础上增加反向LSTM/GRU层,引入逆序信息,基于输入序列上下文所含信息整体上学习、表征电池特性序列与SOC序列之间的内在关联;输出层输出模型的估计值.所拟模型使用Python语言结合TensorFlow后端在Keras框架中实现,并基于基准数据集在3种温度条件下结合多种工况进行性能分析.结果表明,双向学习策略能有效提升锂电池SOC的估计性能,较之单向学习模型具有更高的估计精度与鲁棒性.与构造电池等效模型等方法的思路不同,所拟方法基于数据驱动学习锂电池SOC的非线性特性,将易于观测的锂电池特性序列数据映射为待估计的SOC取值,为锂电池SOC估计提供了可能的新思路. 相似文献
1