An in-situ optically transparent thin-layer microscopic FTIR spectroelectro- chemical cell was constructed.Using this cell,we characterize a concentration-distance profile in the electrochemical diffusion thin-layer b...An in-situ optically transparent thin-layer microscopic FTIR spectroelectro- chemical cell was constructed.Using this cell,we characterize a concentration-distance profile in the electrochemical diffusion thin-layer by in-situ adjusting the focal point at different distances to the electrode surface.展开更多
针对在现场可编程门阵列(Field Programmable Gate Array,FPGA)上实现基于极化敏感阵列的多重信号分类(Multiple Signal Classification,MUSIC)算法进行二维波达方向(Direction of Arrival,DOA)和二维极化参数联合估计时,硬件资源占用...针对在现场可编程门阵列(Field Programmable Gate Array,FPGA)上实现基于极化敏感阵列的多重信号分类(Multiple Signal Classification,MUSIC)算法进行二维波达方向(Direction of Arrival,DOA)和二维极化参数联合估计时,硬件资源占用大、运行时间长的问题,提出了一种基于极化MUSIC算法的四维参数联合估计FPGA实现架构。该架构包括信号协方差矩阵计算模块、Jacobi旋转模块、噪声子空间提取模块、两级空间谱搜索模块和极化参数计算模块。Jacobi旋转模块被拆分为多个可复用模块,并采用查找表模块生成旋转矩阵。一级空间谱搜索模块通过二维DOA搜索初步确定信源的角度信息。二级空间谱搜索模块根据一级搜索的角度结果确定二级搜索区域各点的极化信息,并计算该区域的四维空间谱,区域内最小值对应的四维参数信息即为最终估计的信源方向角、俯仰角、极化辅助角和极化相位角。仿真结果表明,与传统极化MUSIC算法的四维搜索算法相比,该架构避免了大量四维空间谱计算,同时保证了四维参数估计的精度,显著减少了运行时间和硬件资源消耗。展开更多
准确估计锂离子电池的健康状态(state of health,SOH)是新能源汽车安全高效运行的重要保障,对电池荷电状态及剩余使用寿命估计具有重要意义。针对锂离子电池SOH估计精度低,本文提出一种基于充电电压特征的锂电池SOH混合深度学习估计模...准确估计锂离子电池的健康状态(state of health,SOH)是新能源汽车安全高效运行的重要保障,对电池荷电状态及剩余使用寿命估计具有重要意义。针对锂离子电池SOH估计精度低,本文提出一种基于充电电压特征的锂电池SOH混合深度学习估计模型。首先基于充电电压片段提取若干与传感器测量参数及其间接计算相关的特征,筛选出4个与健康状态密切相关的关键特征参数作为模型的输入。其次,构建卷积神经网络-长短期记忆神经网络(CNN-LSTM)混合模型,进一步基于长鼻浣熊优化算法(COA)对模型中的超参数进行优化,以提升估计模型的准确性和鲁棒性。从单体、整车多层面进行了SOH估计模型验证,并与灰狼优化算法(GWO)-CNN-LSTM、粒子群优化算法(PSO)-CNN-LSTM、CNN-LSTM 3种估计模型进行对比,COA-CNN-LSTM估计模型的精度与准确性最优,其均方根误差、平均绝对误差、平均绝对百分比误差3个误差指标均在0.80%、0.73%、0.84%以内,验证了所构建的估计模型在不同容量、不同老化路径、不同化学体系下电池的适用性与准确性。本文构建的COA-CNN-LSTM混合深度学习模型,基于间接健康特征参数与直接特征参数相结合,可以更好地表征电池性能衰退,利用部分充电电压片段获得的健康特征参数进行SOH估计时,该模型仍能具备较高的估计精度。展开更多
文摘An in-situ optically transparent thin-layer microscopic FTIR spectroelectro- chemical cell was constructed.Using this cell,we characterize a concentration-distance profile in the electrochemical diffusion thin-layer by in-situ adjusting the focal point at different distances to the electrode surface.
文摘针对在现场可编程门阵列(Field Programmable Gate Array,FPGA)上实现基于极化敏感阵列的多重信号分类(Multiple Signal Classification,MUSIC)算法进行二维波达方向(Direction of Arrival,DOA)和二维极化参数联合估计时,硬件资源占用大、运行时间长的问题,提出了一种基于极化MUSIC算法的四维参数联合估计FPGA实现架构。该架构包括信号协方差矩阵计算模块、Jacobi旋转模块、噪声子空间提取模块、两级空间谱搜索模块和极化参数计算模块。Jacobi旋转模块被拆分为多个可复用模块,并采用查找表模块生成旋转矩阵。一级空间谱搜索模块通过二维DOA搜索初步确定信源的角度信息。二级空间谱搜索模块根据一级搜索的角度结果确定二级搜索区域各点的极化信息,并计算该区域的四维空间谱,区域内最小值对应的四维参数信息即为最终估计的信源方向角、俯仰角、极化辅助角和极化相位角。仿真结果表明,与传统极化MUSIC算法的四维搜索算法相比,该架构避免了大量四维空间谱计算,同时保证了四维参数估计的精度,显著减少了运行时间和硬件资源消耗。
文摘准确估计锂离子电池的健康状态(state of health,SOH)是新能源汽车安全高效运行的重要保障,对电池荷电状态及剩余使用寿命估计具有重要意义。针对锂离子电池SOH估计精度低,本文提出一种基于充电电压特征的锂电池SOH混合深度学习估计模型。首先基于充电电压片段提取若干与传感器测量参数及其间接计算相关的特征,筛选出4个与健康状态密切相关的关键特征参数作为模型的输入。其次,构建卷积神经网络-长短期记忆神经网络(CNN-LSTM)混合模型,进一步基于长鼻浣熊优化算法(COA)对模型中的超参数进行优化,以提升估计模型的准确性和鲁棒性。从单体、整车多层面进行了SOH估计模型验证,并与灰狼优化算法(GWO)-CNN-LSTM、粒子群优化算法(PSO)-CNN-LSTM、CNN-LSTM 3种估计模型进行对比,COA-CNN-LSTM估计模型的精度与准确性最优,其均方根误差、平均绝对误差、平均绝对百分比误差3个误差指标均在0.80%、0.73%、0.84%以内,验证了所构建的估计模型在不同容量、不同老化路径、不同化学体系下电池的适用性与准确性。本文构建的COA-CNN-LSTM混合深度学习模型,基于间接健康特征参数与直接特征参数相结合,可以更好地表征电池性能衰退,利用部分充电电压片段获得的健康特征参数进行SOH估计时,该模型仍能具备较高的估计精度。
