CN103577710A - 基于分数阶upf的航空功率变换器故障预测方法 - Google Patents
基于分数阶upf的航空功率变换器故障预测方法 Download PDFInfo
- Publication number
- CN103577710A CN103577710A CN201310581058.5A CN201310581058A CN103577710A CN 103577710 A CN103577710 A CN 103577710A CN 201310581058 A CN201310581058 A CN 201310581058A CN 103577710 A CN103577710 A CN 103577710A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- power converter
- msub
- aviation power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000002245 particle Substances 0.000 claims abstract description 58
- 238000006731 degradation reaction Methods 0.000 claims abstract description 41
- 230000015556 catabolic process Effects 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 241000764238 Isis Species 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000026676 system process Effects 0.000 claims 1
- 238000001914 filtration Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 238000012843 least square support vector machine Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000009965 odorless effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于分数阶UPF的航空功率变换器故障预测方法:首先,实时采集航空功率变换器各测点的状态信号,提取反映航空功率变换器性能退化状况的故障特征参数,并获取故障特征参数历史时间序列值;然后,基于LS-SVM模型训练航空功率变换器性能退化过程的状态方程,并建立航空功率变换器性能退化过程的分数阶状态空间模型;最后,结合分数阶状态空间模型,利用分数阶UPF算法对故障特征参数进行时间序列预测,实现航空功率变换器故障预测。本发明提出了基于改进PF算法的航空功率变换器故障预测方法,利用分数阶UKF算法产生粒子的建议分布,缓解了传统PF算法的粒子退化问题,并采用分数阶状态空间模型描述变换器性能退化过程,使其更符合实际情况,提高了航空功率变换器的故障预测精度。
Description
技术领域
本发明涉及一种基于分数阶UPF的航空功率变换器故障预测方法,属于电路测试评估及故障预测领域。
背景技术
随着现代飞机先进性的不断提高以及多电飞机的快速发展,航空电子设备日益增多,航空电子设备的用电量大幅增大,使得航空电源的重要性提高到了新的高度,对其可靠性的要求也越来越高。航空电源包括主电源、二次电源、辅助电源等。航空功率变换器包括二次电源以及各种航空电子设备的工作电源,是航空电源系统中必不可少的组成部分。因此,研究航空功率变换器故障预测技术对实现航空电源乃至飞机整体健康管理技术具有重要工程应用价值。
航空功率变换器常常工作于高空恶劣环境中,其性能退化过程存在许多不确定性因素(如工作条件和环境应力的变化),同时由于航空功率变换器监测信号中的噪声与干扰影响,使得难以获得准确的航空功率变换器性能退化规律,无法实现航空功率变换器的准确故障预测。粒子滤波(Particle Filter,PF)算法作为状态估计领域一种新兴算法,具有不受模型线性、高斯假设约束的特点,目前已成为解决非线性、非高斯系统参数估计和状态滤波问题的重要方法。近几年随着故障预测技术的发展,相关研究人员尝试将粒子滤波及其各种改进算法应用于故障预测领域中。基于航空功率变换器具有强非线性、噪声较大的特点,将粒子滤波算法用于航空功率变换器故障预测中具有明显优势。
在使用传统粒子滤波算法进行故障预测时,常存在粒子退化问题,即经过几步递归之后,除少数粒子外,其余大部分粒子的权值几乎为零,使得粒子集丧失多样性,严重影响粒子滤波的跟踪和预测能力。此外,粒子滤波算法的状态方程中设定系统下一时刻的状态向量只与当前时刻状态向量有关。而在实际航空功率变换器的性能退化过程中,下一时刻的状态向量不只与当前时刻状态向量有关。因此,为提高粒子滤波在航空功率变换器故障预测中的准确性,需解决粒子退化问题,并建立合适的状态空间模型以表示航空功率变换器性能退化规律。
发明内容
本发明针对航空功率变换器性能退化规律的非线性与时变性以及预测过程中的噪声干扰等问题,提出基于分数阶无味粒子滤波(Unscented Particle Filter,UPF)的航空功率变换器故障预测方法。本发明基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)模型获取航空功率变换器性能退化过程的状态方程,并建立航空功率变换器性能退化过程的分数阶状态空间模型,利用分数阶UPF算法对故障特征参数进行时间序列预测,从而实现航空功率变换器故障预测。
本发明为解决其技术问题,采用如下技术方案:
步骤1、通过对待测航空功率变换器进行故障模式、机理及影响分析(Failure modes,mechanisms,and effects analysis,FMMEA)和可测性分析,选择合适的电路监测点,实时采集各测点的电压信号和电流信号,并对采样信号进行数据处理与分析,提取出反映航空功率变换器性能退化程度的故障特征参数,获取故障特征参数的时间序列值st(t=0,1,…,n)。
步骤2、建立航空功率变换器性能退化过程的分数阶状态空间模型,具体实现步骤如下:
步骤2.1、以故障特征参数时间序列值{s0,s1,…,sn}作为训练样本,构造训练模型st=f′(st-1),构造训练样本集T={X(t),Z(t)},其中X(t)={st-1}为输入样本,Z(t)=st为输出样本。选择RBF核函数作为LSSVM核函数,进行模型训练,得到回归函数f′(·)。
步骤2.2、以k时刻故障特征参数的真实值作为状态向量xk,其计算值作为量测值yk,据步骤2.1中得到的回归函数,建立电路性能退化过程的状态方程和量测方程,获取电路性能退化过程的整数阶状态空间模型:
其中,wk和vk分别表示过程和测量噪声,一般可假定两个噪声为互相独立、均值为0的正态白色噪声,且协方差矩阵分别为Q和R。
步骤2.3、基于航空功率变换器性能退化过程的整数阶状态空间模型,建立电路性能退化过程的分数阶状态空间模型:
其中, 为分数阶次,e为分数阶数;L为回溯长度。
步骤3、在建立航空功率变换器性能退化过程的分数阶状态空间模型的基础上,采用分数阶无味粒子滤波对当前k时刻的电路故障特征参数xk进行时间序列预测,从而实现航空功率变换器的故障预测,具体预测方法实现步骤如下:
步骤3.2、对状态向量、系统噪声及观测噪声进行扩展,形成新的状态随机向量
其初始状态向量均值及方差为
步骤3.3、使用分数阶无味卡尔曼滤波(Unscented Kalman Filter,UKF)算法更新粒子,对每个粒子计算sigma点集:
进行时间更新和量测更新,最终得到状态向量的估计值:
步骤3.4、进行p步前向预测:
其中,过程噪声wk为已知量,wk+p-1=…=wk。
本发明提出了基于改进粒子滤波的航空功率变换器故障预测方法,具有以下有益效果:
(1)本发明将标准粒子滤波中的状态空间模型转换为分数阶状态空间模型,所建模型中下一时刻的估计值不仅与当前时刻的状态有关,还依赖于当前时刻之前的性能退化状态,从而更准确地描述了航空功率变换器性能退化过程,提高了预测的准确性。
(2)本发明在计算粒子的重要性权值之前,利用分数阶UKF及最新的量测数据产生更精确的后验概率的建议分布,并从中进行粒子重采样,从而克服了可能出现的粒子匮乏问题,提高了故障预测算法的跟踪能力。
附图说明
图1是航空功率变换器故障预测流程图;
图2是分数阶UPF故障预测算法流程图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
如图1所示,本发明提出了一种基于分数阶UPF的航空功率变换器故障预测方法,该方法基于LS-SVM获取航空功率变换器性能退化过程的状态方程,并建立航空功率变换器性能退化分数阶状态空间模型,利用分数阶UPF算法对故障特征参数进行时间序列预测,实现航空功率变换器故障预测,具体实施方式如下:
步骤1、通过对待测航空功率变换器进行FMMEA分析和可测性分析,选择合适的电路监测点,实时采集各测点的电压信号和电流信号,并对采样信号进行数据处理与分析,提取出反映航空功率变换器性能退化程度的故障特征参数,获取故障特征参数的时间序列值st(t=0,1,…,n)。
步骤2、基于故障特征参数历史时间序列,建立航空功率变换器性能退化过程的分数阶状态空间模型,主要包括如下步骤:
步骤2.1、以故障特征参数时间序列值{s0,s1,…,sn}作为训练样本,构造训练模型st=f′(st-1),构造训练样本集T={X(t),Z(t)},(t=1,2,…,n-1),其中X(t)={st-1},Z(t)=st。选择RBF核函数作为LSSVM核函数,进行模型训练,得到回归函数f′(·)。
步骤2.2、以k时刻故障特征参数的真实值作为状态向量xk,其计算值yk作为量测值,根据步骤2.1中得到的回归函数,建立电路性能退化状态方程和量测方程,获取电路性能退化整数阶状态空间模型:
其中,wk和vk分别表示过程和测量噪声,一般可假定两个噪声为互相独立、均值为0的正态白色噪声,且协方差矩阵分别为Q和R。
步骤2.3、基于航空功率变换器性能退化整数阶状态空间模型,建立电路性能退化分数阶状态空间模型:
其中, 为分数阶次,e为分数阶数;L为回溯长度,L越大,计算量越大,因此,在保证精度的情况下,应对回溯长度加以限定。
本发明通过试探法确定回溯长度L和分数阶数e,分别设置L=10、20、30、50,e=0.2、0.4、0.6、0.8,将L和e代入分数阶状态方程,以X(t)为输入样本,对量测值进行估计,并计算估计样本Z′(t)与真实样本Z(t)中各故障特征参数值的误差平方和,获取最小误差平方和对应的L和e。
步骤3、在已知航空功率变换器性能退化分数阶状态空间模型的基础上,利用粒子滤波算法对电路故障特征参数进行时间序列预测,为了克服传统粒子滤波中可能出现的粒子匮乏现象,在计算粒子的重要性权值之前,利用分数阶UKF对最新的量测数据产生更精确的后验概率的建议分布,并从中进行粒子重采样,预测算法实现流程如图2所示,具体步骤如下:
步骤3.2、对状态向量、过程噪声及量测噪声进行扩展,形成新的状态向量 其初始状态向量均值及方差为
步骤3.3、循环迭代:k=1,2,…
(1)重要性采样:i=1,2,…,N,使用分数阶UKF算法更新粒子。
a)选取sigma点集:
b)分数阶UKF时间更新:
计算k时刻的sigma采样点值:
c)分数阶UKF量测更新:
计算卡尔曼滤波增益Kk:
(2)重采样:对权值进行归一化:
(3)状态估计:
步骤3.4、进行p步前向预测:
其中,过程噪声wk为已知量,wk+p-1=…=wk。
Claims (3)
1.基于分数阶UPF的航空功率变换器故障预测方法,其特征在于该方法包括如下步骤:
步骤1、数据采集:通过对待测航空功率变换器进行故障模式、机理及影响分析(Failure modes,mechanisms,and effects analysis,FMMEA)和可测性分析,选择合适的电路监测点,实时采集各测点的电压信号和电流信号,并对采样信号进行数据处理与分析,提取出反映航空功率变换器性能退化状况的故障特征参数,并获取故障特征参数的时间序列值st(t=0,1,…,n);
步骤2、建立航空功率变换器性能退化过程的分数阶状态空间模型:基于LS-SVM模型建立电路性能退化过程的状态方程,即建立故障特征参数下一时刻与当前时刻的关系模型sk+1=f′(sk),考虑系统过程噪声和量测噪声,以故障特征参数的真实值作为状态向量xk,故障特征参数的计算值作为量测值yk,建立电路性能退化过程的整数阶状态空间模型,并将整数阶状态空间模型改写为分数阶状态空间模型;
步骤3、航空功率变换器故障预测:在已知状态方程和量测方程的基础上,采用分数阶UPF对当前k时刻的电路故障特征参数xk进行时间序列预测,获取未来k+p时刻的故障特征参数预测值;若预测值达到失效阈值Fr,则预测过程结束,实现航空功率变换器的故障预测;反之,进行下一时刻的航空功率变换器故障预测。
2.如权利要求1所述的基于分数阶UPF的航空功率变换器故障预测方法,其特征在于,所述步骤2中,基于故障特征参数历史时间序列,建立航空功率变换器性能退化过程的分数阶状态空间模型,主要包括如下步骤:
步骤2.1、以故障特征参数时间序列值{s0,s1,…sn}作为训练样本,构造训练模型st=f′(st-1),构造训练样本集T={X(t),Z(t)},X(t)={st-1}为输入样本,Z(t)=st为输出样本,选择RBF核函数作为LS-SVM模型的核函数,进行模型训练,得到回归函数f′(·);
步骤2.2、以k时刻故障特征参数的真实值作为状态向量xk,故障特征参数的计算值作为量测值yk,据步骤2.1中得到的回归函数,建立电路性能退化过程的状态方程和量测方程,获取电路性能退化过程的整数阶状态空间模型:
其中,wk和vk分别表示过程和测量噪声,一般可假定两个噪声为互相独立、均值为0的正态 白色噪声,且协方差矩阵分别为Q和R;
步骤2.3、基于航空功率变换器性能退化过程的整数阶状态空间模型,建立电路性能退化过程的分数阶状态空间模型:
3.如权利要求1所述的基于分数阶UPF的航空功率变换器故障预测方法,其特征在于,所述步骤3中,利用粒子滤波对电路故障特征参数进行时间序列预测,在计算粒子的重要性权值之前,利用分数阶无味卡尔曼滤波(Unscented Kalman Filter,UKF)对最新的量测数据产生更精确的后验概率的建议分布,并从中进行粒子重采样,具体预测方法实现步骤如下:
步骤3.2、对状态向量、系统噪声及观测噪声进行扩展,形成新的状态随机向量
其初始状态向量均值及方差为
步骤3.3、使用分数阶UKF算法更新粒子,对每个粒子计算sigma点集:
进行时间更新和量测更新,最终得到状态向量的估计值:
其中,为重要性采样后的粒子,为相应粒子的权值;
步骤3.4、进行p步前向预测:
其中,过程噪声wk为已知量,wk+p-1=…=wk;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310581058.5A CN103577710B (zh) | 2013-11-14 | 2013-11-14 | 基于分数阶upf的航空功率变换器故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310581058.5A CN103577710B (zh) | 2013-11-14 | 2013-11-14 | 基于分数阶upf的航空功率变换器故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103577710A true CN103577710A (zh) | 2014-02-12 |
CN103577710B CN103577710B (zh) | 2016-09-14 |
Family
ID=50049474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310581058.5A Expired - Fee Related CN103577710B (zh) | 2013-11-14 | 2013-11-14 | 基于分数阶upf的航空功率变换器故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103577710B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941196A (zh) * | 2014-05-07 | 2014-07-23 | 吉林大学 | 锂离子电池荷电状态估计方法 |
CN104156612A (zh) * | 2014-08-25 | 2014-11-19 | 福建师范大学 | 基于粒子滤波的正向与逆向预测误差的故障预报方法 |
CN104506162A (zh) * | 2014-12-15 | 2015-04-08 | 西北工业大学 | 基于ls-svr建模的高阶粒子滤波器的故障预示方法 |
CN105974798A (zh) * | 2016-07-05 | 2016-09-28 | 杭州电子科技大学 | 电加热炉的多模型分数阶加权预测函数控制方法 |
CN104267261B (zh) * | 2014-10-29 | 2017-02-15 | 哈尔滨工业大学 | 基于分数阶联合卡尔曼滤波的二次电池简化阻抗谱模型参数在线估计方法 |
CN106878076A (zh) * | 2017-02-20 | 2017-06-20 | 河海大学 | 计及数据丢包和增益扰动的分数阶网络系统状态估计方法 |
CN107924182A (zh) * | 2016-02-09 | 2018-04-17 | 欧姆龙株式会社 | 监视装置及监视装置的控制方法 |
CN109214609A (zh) * | 2018-11-15 | 2019-01-15 | 辽宁大学 | 一种基于分数阶离散灰色模型的年用电量预测方法 |
CN109215165A (zh) * | 2018-08-08 | 2019-01-15 | 南京航空航天大学 | 一种民用飞机apu性能评估及故障预警方法 |
CN110081923A (zh) * | 2019-05-16 | 2019-08-02 | 中国人民解放军战略支援部队信息工程大学 | 野外基线环境参数自动采集系统故障检测方法与装置 |
WO2020119092A1 (zh) * | 2018-12-12 | 2020-06-18 | 江南大学 | 基于逆向卡尔曼滤波器的Buck变换器故障检测方法 |
CN112327166A (zh) * | 2020-10-21 | 2021-02-05 | 合肥工业大学 | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 |
US11002802B2 (en) | 2018-12-12 | 2021-05-11 | Jiangnan University | Fault detection method for buck converter based on inverse kalman filter |
CN113094912A (zh) * | 2021-04-17 | 2021-07-09 | 郑州航空工业管理学院 | 一种基于静电特征参数的发动机性能退化预警方法 |
-
2013
- 2013-11-14 CN CN201310581058.5A patent/CN103577710B/zh not_active Expired - Fee Related
Non-Patent Citations (5)
Title |
---|
DOMINIK SIEROCIUK, ET AL.: "FRACTIONAL KALMAN FILTER ALGORITHM FOR THE STATES, PARAMETERS AND ORDER OF FRACTIONAL SYSTEM ESTIMATION", 《INTERNATIONAL JOURNAL OF APPLIED MATHEMATICS AND COMPUTER SCIENCE》 * |
刘彦 等: "分数阶Unscented卡尔曼滤波器研究", 《电子与信息学报》 * |
姜媛媛 等: "基于LS-SVM的电力电子电路故障预测方法", 《电机与控制学报》 * |
朱林富 等: "基于改进粒子滤波和平均代价的故障诊断方法研究"", 《电子测量与仪器学报》 * |
杨媛媛 等: "基于HS-PF的电力电子电路故障预测方法", 《电子测量与仪器学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941196A (zh) * | 2014-05-07 | 2014-07-23 | 吉林大学 | 锂离子电池荷电状态估计方法 |
CN104156612A (zh) * | 2014-08-25 | 2014-11-19 | 福建师范大学 | 基于粒子滤波的正向与逆向预测误差的故障预报方法 |
CN104156612B (zh) * | 2014-08-25 | 2017-02-08 | 福建师范大学 | 基于粒子滤波的正向与逆向预测误差的故障预报方法 |
CN104267261B (zh) * | 2014-10-29 | 2017-02-15 | 哈尔滨工业大学 | 基于分数阶联合卡尔曼滤波的二次电池简化阻抗谱模型参数在线估计方法 |
CN104506162A (zh) * | 2014-12-15 | 2015-04-08 | 西北工业大学 | 基于ls-svr建模的高阶粒子滤波器的故障预示方法 |
CN107924182A (zh) * | 2016-02-09 | 2018-04-17 | 欧姆龙株式会社 | 监视装置及监视装置的控制方法 |
US10839043B2 (en) | 2016-02-09 | 2020-11-17 | Omron Corporation | Monitoring device, method and computer-readable recording medium for controlling monitoring device |
CN105974798A (zh) * | 2016-07-05 | 2016-09-28 | 杭州电子科技大学 | 电加热炉的多模型分数阶加权预测函数控制方法 |
CN105974798B (zh) * | 2016-07-05 | 2019-01-08 | 杭州电子科技大学 | 电加热炉的多模型分数阶加权预测函数控制方法 |
CN106878076A (zh) * | 2017-02-20 | 2017-06-20 | 河海大学 | 计及数据丢包和增益扰动的分数阶网络系统状态估计方法 |
CN109215165A (zh) * | 2018-08-08 | 2019-01-15 | 南京航空航天大学 | 一种民用飞机apu性能评估及故障预警方法 |
CN109214609A (zh) * | 2018-11-15 | 2019-01-15 | 辽宁大学 | 一种基于分数阶离散灰色模型的年用电量预测方法 |
WO2020119092A1 (zh) * | 2018-12-12 | 2020-06-18 | 江南大学 | 基于逆向卡尔曼滤波器的Buck变换器故障检测方法 |
US11002802B2 (en) | 2018-12-12 | 2021-05-11 | Jiangnan University | Fault detection method for buck converter based on inverse kalman filter |
CN110081923A (zh) * | 2019-05-16 | 2019-08-02 | 中国人民解放军战略支援部队信息工程大学 | 野外基线环境参数自动采集系统故障检测方法与装置 |
CN110081923B (zh) * | 2019-05-16 | 2021-03-02 | 中国人民解放军战略支援部队信息工程大学 | 野外基线环境参数自动采集系统故障检测方法与装置 |
CN112327166A (zh) * | 2020-10-21 | 2021-02-05 | 合肥工业大学 | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 |
CN112327166B (zh) * | 2020-10-21 | 2023-07-28 | 合肥工业大学 | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 |
CN113094912A (zh) * | 2021-04-17 | 2021-07-09 | 郑州航空工业管理学院 | 一种基于静电特征参数的发动机性能退化预警方法 |
CN113094912B (zh) * | 2021-04-17 | 2023-11-03 | 郑州航空工业管理学院 | 一种基于静电特征参数的发动机性能退化预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103577710B (zh) | 2016-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103577710B (zh) | 基于分数阶upf的航空功率变换器故障预测方法 | |
CN107092744B (zh) | 基于emd-svr的地表沉降量预测方法 | |
WO2019127944A1 (zh) | 一种考虑时变效应的大跨桥梁主梁性能预警方法 | |
EP3279819B1 (en) | Method, system and computer device for capacity prediction based on kalman filter | |
CN101859146A (zh) | 一种基于预测滤波和经验模态分解的卫星故障预测方法 | |
CN105334462B (zh) | 电池容量损失在线估算方法 | |
CN104615866B (zh) | 一种基于物理统计模型的寿命预测方法 | |
CN111680870B (zh) | 目标运动轨迹质量综合评估方法 | |
CN103389472A (zh) | 一种基于nd-ar模型的锂离子电池循环寿命的预测方法 | |
CN105825289A (zh) | 风功率时间序列的预测方法 | |
KR20170134193A (ko) | 배터리의 충전 상태를 추정하는 방법 및 그 방법을 실행하는 배터리 관리 시스템 | |
CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及系统 | |
CN105929340A (zh) | 一种基于arima估算电池soc的方法 | |
CN109633470A (zh) | 基于ekf-gpr和日常片段数据的电池实时全充时间的估算方法 | |
CN114564487B (zh) | 预报预测相结合的气象栅格数据更新方法 | |
CN117594164A (zh) | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 | |
Zhang et al. | Remaining useful life prediction for rolling bearings with a novel entropy-based health indicator and improved particle filter algorithm | |
CN110750848A (zh) | 一种考虑软件运行的软-硬件退化系统剩余寿命估计的方法 | |
CN105956565A (zh) | 一种考虑量测信号丢失的动态振荡信号参数辨识方法 | |
CN111756353B (zh) | 一种基于非线性融合滤波的液位仪噪声优化方法 | |
CN112329272A (zh) | 综合光伏组件退化和寿命数据的剩余寿命拟合预测方法 | |
KR20210129453A (ko) | 전력계통 측정 데이터의 불량 데이터 검출 장치 및 방법 | |
CN112988527A (zh) | Gpu管理平台异常检测方法、装置以及存储介质 | |
CN107732940B (zh) | 一种基于adpss的电力系统稳定器参数优化试验方法 | |
CN115409245A (zh) | 电力系统的预测辅助状态估计方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160914 Termination date: 20191114 |
|
CF01 | Termination of patent right due to non-payment of annual fee |