کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6954878 | 1451848 | 2017 | 22 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Particle-filtering-based failure prognosis via sigma-points: Application to Lithium-Ion battery State-of-Charge monitoring
ترجمه فارسی عنوان
پیش بینی بیماری نارسایی مبتنی بر ذرات از طریق نقاط سیگما: استفاده از باتری لیتیوم یون مانیتورینگ دولت
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
پیشگیری و مدیریت سلامت، مشخصه عدم قطعیت، فیلترهای ذرات حالت شارژ باتری،
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
پردازش سیگنال
چکیده انگلیسی
This paper presents a novel prognostic method that allows a proper characterization of the uncertainty associated with the evolution in time of nonlinear dynamical systems. The method assumes a state-space representation of the system, as well as the availability of particle-filtering-based estimates of the state posterior density at the moment in which the prognostic algorithm is executed. Our proposal significantly improves all particle-filtering-based prognosis frameworks currently available in two main aspects. First, it provides a correction for the expression that is used for the computation of the Time-of-Failure (ToF) probability mass function in the context of online monitoring schemes. Secondly, it presents a method for improved characterization of the tails of the ToF probability mass function via sequential propagation of sigma-points and the computation of Gaussian Mixture Models (GMMs). The proposed algorithm is tested and validated using experimental data related to the problem of Lithium-Ion battery State-of-Charge prognosis.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Mechanical Systems and Signal Processing - Volume 85, 15 February 2017, Pages 827-848
Journal: Mechanical Systems and Signal Processing - Volume 85, 15 February 2017, Pages 827-848
نویسندگان
David E. Acuña, Marcos E. Orchard,