典型文献
多状态影响下基于Bi⁃LSTM网络的锂电池剩余寿命预测方法
文献摘要：
现有基于深度学习的锂电池剩余寿命(Remaining Useful Life,RUL)预测方法中,锂电池多个内部状态所蕴含的寿命信息未得到充分考虑.鉴于此,提出了一种融合电池容量、阻抗与温度三个内部状态的RUL预测模型.首先,引入双向长短时记忆(Bi?directional Long Short?Term Memory,Bi?LSTM)网络学习三种状态数据的时间相关性.其次,利用dropout技术与Bayesian变分推断技术间的等价性实现了RUL预测结果的不确定性量化,得到了预测结果的95％置信区间与概率密度分布(Probability Density Function,PDF),并分析了不同dropout率对预测不确定性的影响.最后,通过四种不同的深度学习模型框架与两种内部状态输入方案的对比实验,验证了本文方法的有效性.
文献关键词：
深度学习;剩余寿命预测;Bi-LSTM网络;Bayesian变分推断技术;dropout技术;不确定性量化
中图分类号：
作者姓名：
张浩;胡昌华;杜党波;裴洪;张建勋
作者机构：
火箭军工程大学导弹工程学院,陕西西安710025
文献出处：
引用格式：
[1]张浩;胡昌华;杜党波;裴洪;张建勋-.多状态影响下基于Bi⁃LSTM网络的锂电池剩余寿命预测方法)[J].电子学报,2022(03):619-624
A类：
B类：
多状态,Bi,锂电池,剩余寿命预测,寿命预测方法,Remaining,Useful,Life,RUL,内部状态,电池容量,双向长短时记忆,directional,Long,Short,Term,Memory,网络学习,状态数据,时间相关性,dropout,Bayesian,变分推断,等价性,不确定性量化,置信区间,概率密度分布,Probability,Density,Function,PDF,预测不确定性,确定性的,深度学习模型,模型框架,种内
AB值：
0.412936
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
