Caputo–Hadamard分数阶时变时滞系统的零收敛性与保成本控制同步

《Mathematics》:Convergence-to-Zero and Guaranteed-Cost Synchronization of Caputo–Hadamard Fractional-Order Systems with a Time-Varying Delay

【字体: 大 中 小 】 时间:2026年08月05日 来源:Mathematics 2.3

编辑推荐:

  电动汽车(EV)车队的预测性维护需要从异构物联网(IoT)遥测数据中准确估计剩余使用寿命(RUL)、失效时间(TTF)和健康状态(SOH)。然而,真实世界的退化模式是非线性、非平稳的,且在临近失效时高度不平衡。研究人员提出Q-TRACNet,一种时序注意力框架

  
电动汽车(EV)车队的预测性维护需要从异构物联网(IoT)遥测数据中准确估计剩余使用寿命(RUL)、失效时间(TTF)和健康状态(SOH)。然而,真实世界的退化模式是非线性、非平稳的,且在临近失效时高度不平衡。研究人员提出Q-TRACNet,一种时序注意力框架,结合因果维护感知预处理、自适应时序压缩、残差精化、可学习相位调制以及混合粒子群优化-量子引导下降参数调优。该框架在EV-HLM-RUL数据集及三个已有预测基准(NASA CMAPSS、PHM 2012、XJTU-SY)上评估,采用按时间顺序的训练、验证与测试划分以保留时序因果性。在EV-HLM-RUL上,Q-TRACNet取得MAE 9.8、RMSE 14.7、R2 0.979、临界退化感知指数(CDAI) 0.91,相对最强基线降低RMSE 20.11%,NRMSE 0.102,Kendall相关0.89。跨数据集实验显示其在RUL、TTF及短长时域SOH预测上性能稳定。消融与敏感性分析确认时序与注意力组件贡献及退化感知评估的稳定性。该框架训练成本与推理延迟低于对比架构,支持网联EV车队的维护规划、巡检优先级与资源分配。
研究背景方面,全球电动交通转型加速,电动汽车(EV)在公共交通、物流与公务车队中渗透率提升,但电池与动力总成随热应力、充电行为、负载与环境条件变化而复杂老化,传统基于规则或纯物理模型难以刻画非线性退化。预测性维护从被动与定期维护转向基于状态维护,依赖剩余使用寿命(RUL)、失效时间(TTF)与健康状态(SOH)估计支撑巡检优先级、备件分配与车队轮转。真实IoT遥测面临噪声、缺失、非平稳与近失效样本极度稀缺等挑战,现有深度学习预后方法在跨车型、跨工况、多时域联合估计及临界退化敏感性上仍存不足。为此,研究人员提出Q-TRACNet统一框架,在EV-HLM-RUL及CMAPSS、PHM 2012、XJTU-SY基准上验证,论文发表于《Mathematics》。
主要关键技术方法包括:采用EV-HLM-RUL数据集(2022年2月3日至2025年4月3日、15分钟间隔多维遥测,含电池、电机、热管理、充电、环境及维护历史),以严格因果滚动归一化与维护感知时序编码(MTE)处理非平稳与应力累积;构建自适应时序压缩、残差精化与可学习相位调制(quantum-inspired仅指类相位非线性基,非物理量子系统)的Q-TRACNet分类/回归主干;以混合粒子群优化-量子引导下降(PSO–QGD)调参;评价引入MAE、RMSE、R2、NRMSE、Kendall相关及临界退化感知指数(CDAI),并以按时间划分的训练-验证-测试避免未来泄漏。
研究结果各节要点如下。引言指出车队级预后需联合电池电气、牵引电机逆变器、热管理、充电应力等多通道,以车辆级RUL/TTF/SOH替代单子系统估计,支撑检修优先级与临时降额等决策。相关工作中对比Transformer集成、并行特征融合、双流ViT、条件GAN、物理引导拐点检测、卷积-Transformer混合等,指出现有方法未同时兼顾车队异质、健康态不平衡、多时域SOH与临界阶段可靠性。方法论3.1描述EV-HLM-RUL数据与驾驶激进度指数(DAI)构造;3.2给出因果滚动z-score与衰减加权MTE及复合应力调制;3.3以滑动窗时序压缩、近常量方差滤波(与互信息、SHAP滤波比对)、逆频健康态加权与地平线感知回归加权处理不平衡;3.4详述Q-TRACNet由可学习衰减系数、残差连接、特征级相位调制sin(·)、softmax注意力与类加权交叉熵组成,并对照标准注意力与固定正弦编码做受控消融;3.5以PSO全局探索加量子引导概率加权梯度下降(QGD)局部精化;3.6定义CDAI在真实RUL低于τc=ρ·RULmax子集上计算。模拟结果显示Q-TRACNet在EV-HLM-RUL达MAE 9.8、RMSE 14.7、R2 0.979、CDAI 0.91,较最强基线RMSE降20.11%;消融表明MTE、时序压缩、残差、可学习相位分别带来7.55%、5.77%、3.92%、6.67% MAE降幅;计算效率上每轮训练1.84 s、推理14.2 ms、模型402 MB,优于对比架构;鲁棒性测试在非IID、缺失、噪声与边缘掉线下降幅可控;多时域RUL/SOH跨CMAPSS、PHM 2012、XJTU-SY稳定。讨论部分指出各组件互补而非冗余,CDAI对临界阈值ρ∈[0.10,0.30]敏感波动仅0.008–0.010,行为阈值缩放引起MAE变动≤2.04%,说明框架不依赖单一阈值;统计检验Friedman与Diebold–Mariano p<0.05证实领先显著。结论部分翻译:本研究提出Q-TRACNet作为退化感知预测性维护框架,用于网联EV车队的RUL、TTF、SOH及健康态估计,集成因果维护感知预处理、应力敏感时序编码、自适应时序压缩、残差精化、可学习相位调制、注意力退化优先级与类加权学习,并以PSO–QGD结合全局探索与局部精化;引入CDAI专评寿命末端可靠性。在EV-HLM-RUL上MAE 9.8、RMSE 14.7、R2 0.979、CDAI 0.91,较最强基线RMSE降20.11%、CDAI升10.98%,NRMSE 0.102、Kendall 0.89(p<0.05);跨CMAPSS、PHM 2012、XJTU-SY泛化稳定;完整框架较仅骨干RMSE再降8.70%;推理14.2 ms、402 MB,训练1.84 s/轮,支持GPU网关、边缘与管理服务器部署。未来工作将探索联邦与隐私保护学习、在线不确定性校准、剪枝量化与蒸馏以适配嵌入式端。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号