基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一,为解决现有预测算法模型精度低、相对误差大的问题,本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入,通过聚类和过滤封装式特征筛选,提取最优特征集合,并基于行驶片段样本量选择预测方法,通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度,通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035,平均相对误差为1.71%,能够精确稳定地实现行驶里程预测.     

基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一,为解决现有预测算法模型精度低、相对误差大的问题,本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入,通过聚类和过滤封装式特征筛选,提取最优特征集合,并基于行驶片段样本量选择预测方法,通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度,通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035,平均相对误差为1.71%,能够精确稳定地实现行驶里程预测.     

电动汽车行驶里程与电池SOC 相关性分析与建模

为解决电动汽车驾驶员里程焦虑问题,并为车辆行驶里程预测提供重要依据,本文提出一种基于数据驱动的方法来探讨电动汽车行驶里程和电池SOC之间的关系.首先对采集的原始数据进行删除、插值和平均处理,再对电动汽车行驶里程和电池SOC进行相关性分析并建立模型,利用递推最小二乘法对模型参数进行辨识.利用北京市运营物流电动车的数据对建立的模型及参数辨识结果进行验证.实验结果表明,本文采用的基于数据驱动预测行驶里程的方法是可行的,所建立的行驶里程与电池SOC模型具有较高的准确度.     

LSTM Encoder-Decoder方法预测设备剩余使用寿命

应用LSTM Encoder-Decoder提出了机械设备剩余使用寿命预测方法;对获取的传感器数据进行预处理,利用LSTM Encoder对数据序列进行编码,得到设备状态信息的中间表示,其中蕴含了设备状态的特征信息,利用LSTM Decoder对中间表示信息进行解码,利用解码后的信息预测剩余使用寿命;研究了LSTM Encoder-Decoder方法在公开的C-MAPSS数据集上的剩余使用寿命预测试验,与LSTM、D-LSTM等方法进行了对比试验;研究了不同滑动窗口大小对于剩余寿命预测结果的影响。研究结果表明：LSTM Encoder-Decoder方法的剩余使用寿命预测结果的评分函数值和均方根误差均优于LSTM、D-LSTM方法;在FD001子集上,LSTM Encoder-Decoder方法、LSTM方法和D-LSTM方法对应的均方根误差分别为11、12、16;当滑动窗口大小为30时,LSTM Encoder-Decoder方法在FD001~FD004子集对应的评分函数值分别为164、3 012、372、4 800,对应的均方根误差分别为11、20、14、22;当滑动窗口大小为40时,LSTM Encoder-Decoder方法在FD001~FD004子集对应的评分函数值分别为305、1 220、408、4 828,对应的均方根误差分别为14、16、15、19。可见,提出的LSTM Encoder-Decoder方法是一种有效的预测机械设备剩余使用寿命方法,并且滑动窗口大小对于剩余使用寿命预测结果存在一定的影响。     

基于LSTM的电动汽车剩余续驶里程预测

基于LSTM神经网络和实车运行数据,开展了电动汽车剩余续驶里程预测的研究。采用滑动平均和赋值填充等方法进行原始数据处理,通过皮尔逊相关性分析选出总电压、当前剩余电量及其与放电结束电量的差值3个特征参数,增加功率、功率变化率、车速、加速度4个特征参数,分别输入到模型进行剩余续驶里程预测和对比分析,并在行驶片段上进行验证。结果表明,7个特征参数整体误差较小,效果较好。     

考虑可靠指标与评估准则统一的在役桥梁剩余使用寿命预测

应用结构可靠度基本理论和方法，对在役桥梁剩余使用寿命预测进行研究．在已有研究成果的基础上，考虑可靠指标与评估准则在时间区域上的统一，提出在役桥梁使用寿命评估准则和基于当量可靠指标的剩余使用寿命分析方法，分析在役桥梁剩余使用寿命取值原则，并针对主要承重构件，建立动态可靠度计算的抗力和荷载效应模型，给出了实桥分析算例．     

大数据背景下基于特征学习的机械设备剩余寿命预测

传统数据驱动剩余寿命的预测方法是通过信号处理从监测数据中手动提取特征并构建健康指标,而在大数据背景下,手动提取特征需要特定专家知识并耗费大量人力,为解决该问题,提出了一种基于特征学习的机械设备剩余寿命预测方法——自适应特征学习寿命预测方法（AFLRULP）. 该方法构建移动窗口数据矩阵解决单次采样中的数据波动问题,并建立了多层一维卷积神经网络将数据矩阵映射为机械设备的健康状态;根据失效阈值可以计算出机械设备的剩余寿命;采样轴承全寿命周期数据集合对提出的AFLRULP进行验证,并且与传统基于手动提取特征的方法进行寿命预测准确性的对比. 研究结果表明:AFLRULP不需要人工提取特征,可从原始监测数据映射为机械设备的性能状态与剩余寿命,相对于现有的基于手动提取特征的寿命预测方法,提出的方法在轴承寿命预测累积相对准确率上平均提高了0.20.      

四轮独立驱动电动汽车驱动防滑实车试验

针对四轮独立驱动电动汽车的特点,根据汽车驱动防滑(ASR)系统开发的需要,结合试验实例提供了一套用于四轮独立驱动电动汽车驱动防滑实车道路试验的具体方案,主要包括试验路面选择、附着系数测量等关键环节和低附着系数路面加速、由高附着系数路面驶向低附着系数路面、对开路面加速3种典型工况的试验,并说明了按照该方案进行试验时如何分析试验结果,如何评价防滑控制效果。     

基于数据驱动的质子交换膜燃料电池寿命预测

质子交换膜燃料电池发电技术是极具应用潜力和工业前景的技术,对质子交换膜燃料电池进行寿命预测是其走向商业推广应用的重要一环.从质子交换膜燃料电池的退化特性及输出特性出发,分析系统及环境因素是如何影响其退化的;阐述了基于数据驱动的寿命预测方法的研究现状,着重对基于神经网络算法的寿命预测进行了综述;分析了寿命预测算法存在的不确定性来源;最后,对质子交换膜燃料电池的寿命预测研究进行了展望,阐明当前存在的经验数据有限、缺乏对瞬态过程的建模、难以实现在线预测等问题,尤其机车用大功率质子交换膜燃料电池的寿命预测仍存在诸多难点.     

基于多源数据融合的干线公交车辆 行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度,在拟合公交车辆行程时间分布特征的基础上,提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合,其中混合高斯分布函数适用于单路段拟合,对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析,其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测,其中改进的SVM模型的平均绝对百分比误差为6.26%,优于ARIMA模型的11.69%,更适用于短距离交叉口间的公交车辆行程时间预测.     

�綯������ʻ�������SOC ����Է����뽨ģ

为解决电动汽车驾驶员里程焦虑问题,并为车辆行驶里程预测提供重要依据,本文提出一种基于数据驱动的方法来探讨电动汽车行驶里程和电池SOC之间的关系。首先对采集的原始数据进行删除、插值和平均处理,再对电动汽车行驶里程和电池SOC进行相关性分析并建立模型,利用递推最小二乘法对模型参数进行辨识。利用北京市运营物流电动车的数据对建立的模型及参数辨识结果进行验证。实验结果表明,本文采用的基于数据驱动预测行驶里程的方法是可行的,所建立的行驶里程与电池SOC模型具有较高的准确度。     

监测数据驱动的城轨列车轴箱轴承剩余寿命预测

城轨列车轴箱轴承的运行工况复杂多变、外部随机干扰频繁,导致其监测数据中包含大量测量噪声乃至“脏”数据,进而制约了剩余寿命预测模型的精度. 为解决上述问题,提出了一种监测数据驱动的动态多重聚合剩余寿命预测方法. 首先,通过度量短时数据的幅值分布相似性自动识别并清洗“脏”数据;然后,将健康指标按不同时间尺度进行动态聚合,预测出各类潜在的未来退化轨迹,进而获得轴箱轴承的剩余寿命预测均值与方差;并使用现场实测数据与加速寿命实验数据对提出方法进行验证. 结果表明：所提方法能有效剔除监测数据中的空采数据和强干扰数据;剩余寿命预测均值随累计行驶里程的增加逐渐收敛到真实值,且95%置信区间越来越窄;相比于单指数预测模型和混合预测模型,提出方法的累计相对精度平均值分别提高了29.78%和27.63%,预测收敛速度平均值分别增加了10.56%和10.20%.

     

���������ںϼ������߿�Э�������о�

通过数据融合技术确定车辆实际运行轨迹,本文首先基于三角形相似原理和图形透视原理建立了通过视频图像提取车辆轨迹的模型．在分析视频数据与GPS数据优缺点的基础上,提出利用视频数据标定GPS数据状态的数据融合方法．为了能够标定视频检测器未覆盖的路段的GPS数据状态,提出了标志速度方法．利用融合的车辆实际轨迹,能够实现在线评价线控协调方案的效果,解决了已有需要假设条件评价线控协调方案性能方法的不足．     

数据驱动的电动汽车充电站选址方法

电动汽车在缓解能源压力和环境污染中起着重要的作用,充电不方便成为制约电动汽车发展的一个重要原因.为了合理布局电动汽车充电站位置,本文提出一种数据驱动的电动汽车充电站选址方法.利用海量的移动位置数据提取潜在的交通需求位置,包括出发点和目的地;将地图划分为等间隔的网格,将潜在的交通需求位置与网格关联,统计每个网格内的交通需求量,需求量大的网格作为电动汽车充电站选址的候选位置.实证研究表明,该方法能够精准定位潜在用户需求量大的位置,为电动汽车充电站选址提供数据支持和决策依据.     

基于多源数据融合的干线公交车辆行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度,在拟合公交车辆行程时间分布特征的基础上,提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合,其中混合高斯分布函数适用于单路段拟合,对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析,其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测,其中改进的SVM模型的平均绝对百分比误差为6.26%,优于ARIMA模型的11.69%,更适用于短距离交叉口间的公交车辆行程时间预测.