为了提高氢燃料电池混合动力汽车的燃料经济性,延长蓄电池寿命,选取中国重型商用车行驶工况-货车工况中3种典型工况代表“市区”“市郊”和“高速公路”,分别制定相应的最优能量管理策略;运用遗传算法优化支持向量机(gentic algorithm-s...为了提高氢燃料电池混合动力汽车的燃料经济性,延长蓄电池寿命,选取中国重型商用车行驶工况-货车工况中3种典型工况代表“市区”“市郊”和“高速公路”,分别制定相应的最优能量管理策略;运用遗传算法优化支持向量机(gentic algorithm-support vector machine,GA-SVM)算法识别车辆运行工况,动态选择相应的能量管理策略,使其对选定的几种代表性工况具有自适应性,从而降低氢耗量,延长蓄电池寿命。仿真结果表明,与无工况识别的能量管理策略和采用传统算法优化的支持向量机(support vector machine,SVM)工况识别能量管理策略相比,使用GA-SVM工况识别的能量管理策略的等效氢耗量分别降低了7.78%和1.31%,蓄电池电池荷电状态(battery state of charge,SOC)变化量减小,变化相对平稳,有利于延长电池寿命。展开更多
锌精选作为锌浮选的最后一道流程,其工况直接决定锌浮选最终产品质量。现有基于卷积网络的浮选工况识别方法具备挖掘隐藏特征的能力,取得了良好效果,但仍存在表征能力有限、模型参数大等问题。为此,提出了基于长程时空特征与外观特征的...锌精选作为锌浮选的最后一道流程,其工况直接决定锌浮选最终产品质量。现有基于卷积网络的浮选工况识别方法具备挖掘隐藏特征的能力,取得了良好效果,但仍存在表征能力有限、模型参数大等问题。为此,提出了基于长程时空特征与外观特征的锌精选工况识别模型。首先,提出基于分离三维卷积网络(Separable 3D Convolutional Neural Network,S3D CNN)与注意力机制的泡沫视频相邻帧间短程时空特征提取方法,获得特征聚焦的泡沫视频相邻帧间短程时序信息。然后,在短程时空特征的基础上采用双向卷积长短时记忆网络(Bi-directional Convolutional Long Short-Term Memory,BiConvLSTM)提取泡沫视频帧间的长程时空特征,获取泡沫视频帧间的长程动态时序信息。最后,采用基于残差网络和迁移学习的二维卷积网络提取泡沫图像的多尺度外观特征,并融合长程时空特征,对锌精选工况进行识别。实验结果表明,与现有卷积网络方法相比,所提模型在工况识别精度和模型参数上性能更佳。展开更多
文摘为了提高氢燃料电池混合动力汽车的燃料经济性,延长蓄电池寿命,选取中国重型商用车行驶工况-货车工况中3种典型工况代表“市区”“市郊”和“高速公路”,分别制定相应的最优能量管理策略;运用遗传算法优化支持向量机(gentic algorithm-support vector machine,GA-SVM)算法识别车辆运行工况,动态选择相应的能量管理策略,使其对选定的几种代表性工况具有自适应性,从而降低氢耗量,延长蓄电池寿命。仿真结果表明,与无工况识别的能量管理策略和采用传统算法优化的支持向量机(support vector machine,SVM)工况识别能量管理策略相比,使用GA-SVM工况识别的能量管理策略的等效氢耗量分别降低了7.78%和1.31%,蓄电池电池荷电状态(battery state of charge,SOC)变化量减小,变化相对平稳,有利于延长电池寿命。
文摘锌精选作为锌浮选的最后一道流程,其工况直接决定锌浮选最终产品质量。现有基于卷积网络的浮选工况识别方法具备挖掘隐藏特征的能力,取得了良好效果,但仍存在表征能力有限、模型参数大等问题。为此,提出了基于长程时空特征与外观特征的锌精选工况识别模型。首先,提出基于分离三维卷积网络(Separable 3D Convolutional Neural Network,S3D CNN)与注意力机制的泡沫视频相邻帧间短程时空特征提取方法,获得特征聚焦的泡沫视频相邻帧间短程时序信息。然后,在短程时空特征的基础上采用双向卷积长短时记忆网络(Bi-directional Convolutional Long Short-Term Memory,BiConvLSTM)提取泡沫视频帧间的长程时空特征,获取泡沫视频帧间的长程动态时序信息。最后,采用基于残差网络和迁移学习的二维卷积网络提取泡沫图像的多尺度外观特征,并融合长程时空特征,对锌精选工况进行识别。实验结果表明,与现有卷积网络方法相比,所提模型在工况识别精度和模型参数上性能更佳。
