典型文献
基于卷积神经网络与双向长短时融合的锂离子电池剩余使用寿命预测
文献摘要：
针对锂离子电池剩余使用寿命(remaining useful life,RUL)传统预测方法的精确度与稳定性较低等问题,融合卷积神经网络(convolutional neural network,CNN)和双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络的特点,设计一种锂离子电池剩余使用寿命预测方法.为了充分使用电池数据的时间序列特性,使用一维卷积神经网络(one-dimensional convolutional neural network,1D CNN)提取锂离子电池容量数据深层特征,利用BiLSTM神经网络的记忆功能保留数据中的重要信息,预测电池RUL变化趋势.通过采用NASA(National Aero-nautics and Space Administration)的锂离子电池数据,与1D CNN模型、LSTM模型、BiLSTM模型、1D CNN-LSTM模型进行预测对比.经实验结果表明,1D CNN-BiLSTM具有更高的预测稳定性和精度.
文献关键词：
锂离子电池;剩余使用寿命预测;融合神经网络;一维卷积神经网络;双向长短期记忆
中图分类号：
作者姓名：
高德欣;刘欣;杨清
作者机构：
青岛科技大学自动化与电子工程学院,山东青岛 266061;青岛科技大学信息科学技术学院,山东青岛 266061
文献出处：
引用格式：
[1]高德欣;刘欣;杨清-.基于卷积神经网络与双向长短时融合的锂离子电池剩余使用寿命预测)[J].信息与控制,2022(03):318-329,360
A类：
nautics
B类：
锂离子电池,剩余使用寿命预测,remaining,useful,life,RUL,传统预测,融合卷积神经网络,convolutional,neural,network,双向长短期记忆,bidirectional,long,short,term,memory,BiLSTM,寿命预测方法,序列特性,一维卷积神经网络,one,dimensional,1D,电池容量,深层特征,记忆功能,功能保留,重要信息,NASA,National,Aero,Space,Administration,融合神经网络
AB值：
0.280731
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。
