摘要：首先提出了河流健康的子系统和健康因子,再应用耗散结构理论、系统论和信息论的有关概念和理论,提出了基于系统有序度熵的河流健康评价方法,导出了综合考虑河流系统多子系统(序参量组)的河流健康指数的数学表达。以黄河为例,分析提出了黄河健康因子,研究了各健康因子的阈值范围,评价了黄河健康状况,从计算结果来看,现状黄河处于非健康状态。河流健康生命理论是一个新理论,健康因子选择和综合评价方法本身就是一个复杂的科学问题,需要进一步研究和探索。

摘要：基于锂电池荷电状态(SOC)和健康状态(SOH)的耦合关系,设计了SOC-SOH联合估计系统。首先,构建锂电池等效电路模型和自适应扩展卡尔曼滤波(AEKF)算法,进行锂电池SOC估计;其次,建立锂电池分数阶模型,设计模糊控制器辨识分数阶模型参数,基于分数阶模型参数和电池充电工况确立健康因子,引入麻雀搜索算法(SSA)改进反向传播神经网络(BPNN),进行锂电池SOH估计;然后,集成SOC与SOH估计方法,设计联合估计系统;最后,设计锂电池老化实验、动态应力测试(DST)和US06动态实验方案,对比分析不同工况下不同算法的SOC-SOH联合估计效果。结果表明,基于提出的SOC-SOH联合估计方法,估计误差小于1%,具有良好的估计特性。

摘要：卫星控制系统是采样控制系统,对它来讲,不确定性离散系统容错控制方法非常重要.本文提出了一种离散积分滑模容错控制方案,用于调节动量轮有故障的卫星姿态,其主要部分是设计控制器和控制分配方法.本文对含有匹配和不匹配的不确定性的离散多输入多输出系统,设计了一种离散积分滑模控制器,分析了匹配的和不匹配的不确定性对闭环系统稳定性的影响,得出了系统状态的界.应用可达集方法确定控制分配方案时,本文改变可达集表面的搜索顺序,提高了求解速度.以五动量轮卫星模型为例,将本文方法应用于含多故障、健康因子不准确、匹配不确定性和不匹配不确定性的卫星控制系统中,理论和仿真的结果一致.

摘要：从电动汽车中退役的锂电池在功能元件有效的情况下可进行梯次利用,针对退役锂电池处于离线状态且单体电池之间存在性能差异等问题,以锂电池欧姆内阻为研究对象,设计适用于梯次利用锂电池性能测试工况。基于锂电池一阶RC等效电路模型,研究基于增量式自回归模型(IARX)的健康特征数据提取方法,以此构建均值内阻、最小内阻和内阻-荷电状态(SOC)三种健康因子,建立健康寿命模型,提出基于多模型数据融合技术的锂电池健康状态(SOH)预测方法。实验和仿真结果表明:所建健康寿命模型适用于预测同种类退役锂电池SOH,验证了模型的有效性;基于多模型数据融合技术有利于提高锂电池SOH预测精度,验证了此方法的可行性。

摘要：将车载式安全工器具柜应用于配网抢修车辆中,其供电电池性能直接影响了工器具柜的稳定运行,因此需要精确预估供能电池的健康状态(state of health, SOH).本文提出一种基于海鸥算法(SOA)和注意力机制优化改进长短时记忆神经网络(long short-term memory neural network, LSTM)的锂电池健康状态估计方法.首先提取出4种与电池老化特性强相关的健康因子,将其历史运行数据输入到结合SOA-LSTM思想设计的SOH估计方法;其次利用Attention机制对输入变量进行权重分配,以强调关键特征在SOH预测中的作用;最后利用已公开的电池充放电曲线数据集对所提算法进行测试验证,并与其他算法进行对比.结果表明,本文方法可实现高精度SOH预测,均方根误差为0.011,模型拟合度达到98%以上.

摘要：为实现大规模退役锂电池的梯次利用,需要快速测量锂电池的健康状态;基于EIS的低频阻抗测量不仅耗时长,而且针对电池等效电路的还需要做复杂的参数估计,因此,建立了锂电池扩散过程健康因子与低频阻抗的关系,结合扩散过程健康因子和锂电池直流内阻以快速评估锂电池健康状态;其次,设计和构建快速测量系统以测量低频阻抗和直流内阻;实验结果表明,可通过测量扩散过程健康因子和直流内阻判断锂电池健康状态,测量过程仅需花费三分钟的时间,而且准确性较高,快速测量系统可应用于各个实际的工业现场,实现了集快速性、准确性、经济性于一体的目标。

摘要：针对锂离子电池健康因子衰退指标预测不佳,影响电池有效更换的问题,设计基于贝叶斯理论的新能源锂离子电池剩余寿命预测方法。提取新能源锂离子电池的衰退特征,并分析电池衰退变化;通过贝叶斯理论确定电池剩余寿命先验分布,提高电池剩余寿命预测的置信度;根据先验分布结果,构建锂离子电池剩余寿命预测模型,对电池寿命期望函数进行分析,进而实现新能源锂离子电池的有效利用。采用对比实验的形式,验证了该预测方法新能源锂离子电池剩余寿命预测效果更佳,可以应用于实际生活中。

摘要：针对锂电池动态工况下健康状态估计困难的问题,设计了一种基于支持向量回归机的健康状态估计方法.提取电池运行时可监测的电压、电流、温度、荷电状态融合成一种新的健康因子,采用支持向量回归机的方法训练得到健康状态估计模型,并选用网格寻优算法对模型的参数进行优化,实现基于可监测参数的动态工况下的锂电池健康状态估计.仿真结果表明,本文选取的健康因子能准确地反映电池的健康状态,健康状态的平均估计精度在1%以内.

摘要：为了对达林顿管进行故障预测,提出了基于KPCA与马氏距离的达林顿管故障预测方法。通过对达林顿管进行失效机理分析,设计了加速退化试验,并获取了集电极导通电流与饱和压降性能退化数据,利用小波包分解与核主成分分析进行数据处理,滤除了原始数据中的干扰信号,得到了退化数据的主成分,结合马氏距离对处理后的数据进行特征融合,得到了可以表征达林顿管健康状态变化的健康因子。使用2种故障预测算法对健康因子进行预测,故障预测结果验证了文中方法的有效性,预测值与真实值的误差均在10%以内。