【摘 要】
：
随着电动汽车（Electric Vehicle,EV）市场的快速发展,严重影响和制约电动汽车动力性能的汽车电池相关核心关键技术的研究已成为一个热点问题。其中,电池的充电状态（State of Charge,SOC）在电动汽车电池管理系统（Battery Manage System,BMS）中极为重要。它可用于表征汽车电池的剩余能量及其工作状态,从而合理安排充电时间及其他相关事项,以确保电动汽车的可
论文部分内容阅读
随着电动汽车（Electric Vehicle,EV）市场的快速发展,严重影响和制约电动汽车动力性能的汽车电池相关核心关键技术的研究已成为一个热点问题。其中,电池的充电状态（State of Charge,SOC）在电动汽车电池管理系统（Battery Manage System,BMS）中极为重要。它可用于表征汽车电池的剩余能量及其工作状态,从而合理安排充电时间及其他相关事项,以确保电动汽车的可靠和安全运行。在电动汽车的复杂工况下,电流电压会随着剧烈变化,电池温度亦会发生变化,因此电池SOC的估算具有很大挑战。而实时监控电池系统的状况,需获得精确的电池SOC值,从而有效防止电池过充或超载造成的伤害。本文首先分析了一些对电池SOC估算起到影响作用的因素与电池SOC之间的非线性关系;概述了电池SOC估算常用的各种预测方法;并对各种SOC预测方法的特点进行了讨论分析。为提高电池SOC的预测精度,本文提出了一种利用跨越-侧抑制宽度学习系统（S-LIBLS）进行电池荷电状态估计的新方法。首先通过分析影响SOC的关键因素,确定模型的输入信号;接下来在实验室中通过对锂离子电池施加不同环境温度下的驱动循环负载产生数据,以确保电池暴露在可变的动态环境之中。S-LIBLS能够及时将依赖项编码到网络权值中,并在此过程中实现SOC的准确估计。为了验证S-LIBLS的性能,选择来自于环境温度-20℃到25℃之间的样本训练网络,结果表明S-LIBLS能够得到各种环境温度条件下准确SOC估计。
其他文献
随着人工智能技术的飞速发展,智能机器人的使用领域愈来愈广泛。SLAM（Simultaneous Localization and Mapping,同时定位与地图构建）技术作为一项协助智能机器人实现自主定位、导航的重要方法,受到了许多研究人员的重视。“视觉SLAM”是指使用视觉传感器来获取外界环境信息的SLAM技术。目前,大多数的视觉SLAM算法在静态环境中使用效果较好,但是如果场景中存在动态的物体
基于视觉的同时定位与地图构建（Simultaneous Localization And Mapping,SLAM）是机器人自主移动的核心功能,主要解决的是机器人中“我在哪?”、“我的周围是什么?”的问题,是机器人实现自主智能化的关键。近些年,基于深度学习的目标检测和语义分割的广泛研究与应用,获取非常精准的语义信息已经成为可能。将环境中的物体的语义信息结合到SLAM系统中,是当前SLAM的热门研究
近年来随着人工智能技术的不断突破和普及,已逐渐应用到各种工业生产过程中。稀土元素作为一种战略资源,渐渐成为一些高新技术产业领域不可替代的角色,对国民经济和社会发展也是举足轻重。为了使稀土资源优势转化为产业优势,对稀土行业就提出了更高的要求。此外,稀土工业过程大时延、非线性、时变、强耦合、多变量等特点使得传统的控制理论和信息处理技术已无法满足稀土行业对先进自动化技术的迫切需求。稀土萃取分离过程中,组
胃肿瘤细胞作为典型的医学图像,是一种小样本数据集,并且胃肿瘤细胞图像复杂、信息冗余,若直接将原始小样本数据带入深度学习进行训练,会出现过拟合、梯度消失等问题。生成对抗网络的出现为解决小样本问题提供了重要的研究方向,即数据增强,通过扩充数据集来解决小样本问题;元学习本身也是用来解决小样本问题,所以研究这两种方法能更好地实现胃肿瘤细胞图像的分类识别。本文的研究内容主要有以下几点:首先,原始的生成对抗网
在这个信息技术不断进步的时代,人们对于图像的分辨率要求越来越高。超分辨率重建作为一种通过软件算法来提高图像分辨率的技术,具有成本低、效果好等优点,在医学成像、卫星遥感和安防监控等众多领域都有重要的作用。随着深度学习的发展,卷积神经网络被引入到超分辨率重建领域,因其复杂数据学习和表示能力强,极大地提高了图像的重建质量。为此,本文提出了两种基于卷积神经网络的超分辨率重建算法,主要研究内容如下:（1）针
高度智能化的机械臂抓取技术一直是机器人研发的重要目标之一。机械臂对于随机移动物体的抓取方法是实现工业生产线由自动化转向智能化所必要的重要功能。本文针对机械臂抓取移动物体的问题,研究了两方面问题。第一,传统基于预测机制的移动物体抓取方法预测精度较差,本文提出了一种结合长短时记忆网络模型（LSTM）和全连接网络结合的预测网络用于物体的移动轨迹预测,提高了轨迹预测准确性。第二,基于预测机制的移动物体抓取
目前我国各行各业快速发展,交通运输业也在以蒸蒸日上的态势发生着巨大变化。高速铁路的建设对于地区的经济发展也带来了越来越好的促进作用,得到了越来越广的支持。在保证列车安全运行的前提下,如何更加智能、方便的提高运行效率和性能成为关注的重点,因此列车的自动驾驶控制已成为高速列车领域的重要研究内容。在列车自动驾驶技术快速发展环境下,本文研究跟踪性能更好的速度跟踪控制方法。传统列车模型未考虑到非线性因素对列
移动机器人作为智能机器人的重要分支之一,关于其路径规划的研究,一直被国内外学者作为研究的热点。近年来,随着人工智能与智能制造技术的飞速发展,移动机器人与各种智能算法结合,应用领域不断扩展,但也同时面临着更多的挑战。目前,大多数学者都是针对已知环境下的路径规划算法进行研究,移动机器人缺乏自主学习性,当面临未知环境时很难找到一条抵达终点且无碰撞的路径,并且大部分都是输出离散动作,不符合场景应用。因此,
随着科学技术的发展,自动控制系统的规模越来越大,复杂程度越来越高,组成系统的电子元器件也越来越多。然而控制系统可能因为元器件老化、外界灾害、人为损害或误操作等问题发生故障,导致整个系统的安全性和可靠性降低,甚至造成不可挽回的损失或灾难。为了提高系统的安全性和可靠性,本文以多变量系统为研究对象,设计了多模型自适应执行器故障诊断和调节策略,并将其应用于高速列车牵引电机故障诊断与调节中,使其在存在未知牵
地理环境的异常震动通常预示着地质灾害等事件的发生,对异常震动事件的检测也成为降低人员伤亡和财产损失的有效手段。现有常见的地质震动监测设备通常为内含加速度传感器的传统测振仪,其识别准确率较高,但因为价格高、体积大等缺点无法进行大面积的部署。随着电子技术的飞速发展以及智能手机的全面普及,智能手机加速度传感器成为环境震动实践监测的新基础设施,利用普通用户的智能手机等电子设备实现异常事件的检测也成为新的研