含水量是影响柠檬片干制品品质的重要指标,传统的含水量检测方法存在耗时长、无法批量检测,对物品会造成损伤等问题。为快速检测柠檬片含水量,实现批量快速检测,文章基于光谱成像技术研究一种快速、准确的含水量检测方法。将240份柠檬片置于80℃热风干燥箱中测定其含水率,同时采集干燥后柠檬片光谱数据,利用算法筛选出柠檬片水分的特征波段,分别利用bp(Back propagation)神经网络算法、多元回归分析(Multiple regression,MLR)算法和偏最小二乘法(Partial least squares,PLS)算法,建立柠檬水分预测模型,以相关系数R2和均方根误差(Root mean squared error,RMSE)对比分析试验中样本预测集与真实值的数据,得到结论。结果表明:3种模型的剩余预测残差(Residual prediction residuals,RPD)均大于6,证明建模效果很好。具体而言,PLS模型的相关系数(R^(2)=0.9953)与RMSE(0.0245)具有极强的相关性,预测精度高。MLR模型的相关系数R2为0.9922,RMSE为0.0084,在3种模型中最低;而bp神经网络模型的相关系数R2为0.9877,RMSE为0.0404。因此,相较于bp神经网络模型,PLS模型和MLR模型更适用于柠檬片的水分预测。
锂离子电池自问世以来就得到了广泛应用,包括在消费电子产品和新能源汽车中。国家大力发展的5G对数据中心能源提出了更高的要求,“双碳”政策的提出将新能源摆在了国家发展的重要位置。锂离子电池作为新能源系统中重要的一部分,其重要性不言而喻,同时也对其提出了更高的要求,一方面需要从电化学材料的角度提升电池单体、模组和电池系统等电池在不同尺度的性能,另一方面需要提升电池系统中电池管理系统(Battery-management-system,BMS)的管理能力。锂离子电池健康状态(State-of-health,SOH)的评估和预测是BMS的一大重要功能,目前关于电池健康状态预测的研究主要包括两种,一种是基于智能算法并借助电池等效电路模型的数据驱动的方法,另一种是基于电化学机理模型并利用有限元分析的方法。前者预测速度高但是精度不够,而后者预测精度高但是计算速度过慢。本论文提出了一种基于模型驱动和数据驱动的锂离子电池健康状态预测的方法,结合了二者的优点,通过对锂离子电池SOH(当前最大可用容量与电池额定容量的比值)、放电能量和平均放电功率进行预测,验证了该方法能实现对电池健康状态进行精准预测。利用灰色预测(GM)算法、粒子滤波(PF)算法和bp神经网络算法进行了基于数据驱动的锂离子电池健康状态预测。结果表明,GM预测算法是对预测起点前历史数据趋势的延续,无法针对容量跳水现象进行预测;PF预测算法由于有容量衰减经验公式作为观测器,预测效果较GM算法更好,但是仍无法解决容量跳水的问题;bp神经网络算法通过将采集到的电压电流信息作为输入进行预测有着很好的预测效果,但是在实际应用中BMS所监测的电池数据往往精度有限,因此该方法由于对设备要求过高而难以实行,所以需要借助电池模型并结合数据驱动的算法来进行电池健康状态预测。首先对锂离子电池的伪二维(Pseudo-Two-Dimensional,P2D)模型进行降阶简化处理建立了简化电化学机理模型,通过考虑电池的基本工作过程,固相扩散过程、液相扩散过程、反应极化过程和欧姆极化过程来描述电池内部的开路电势、浓差极化过电势、反应极化过电势和欧姆极化过电势等电化学特性,利用参数辨识工况获得正负极初始嵌锂量、正负极容量、正负极固相扩散系数、正负极液相扩散比例系数和反应极化系数等参数。利用不同健康状态时的参数辨识电压响应曲线和不同倍率下的恒流放电曲线对该简化的电化学机理模型进行了验证,结果表明参数辨识工况端电压仿真误差在40 m V左右,不同倍率的恒流放电仿真电压误差在30 m V左右,验证了该简化电化学机理模型的准确性。然后将全生命周期内的电池模型参数作为bp神经网络的输入,选择预测起点为0.75、0.5和0.25(预测起点0.75、0.5和0.25分别表示训练集循环次数占全生命周期的75%、50%和25%)进行验证,预测起点前的数据作为训练集进行训练,预测时将预测起点后的电池模型参数作为输入,对作为输出的SOH、放电能量和平均放电功率进行验证,结果表明,预测平均误差均在5%以内,证明了该基于模型驱动和数据驱动的电池健康状态老化预测方法的准确性。利用粒子群优化算法(Particle-swarm-optimization,PSO)对bp神经网络的权阈值进行优化,PSO-bp神经网络耦合算法结合电池模型参数输入的方法预测精度有了进一步的提升。
暂无评论