基于机器学习的电动汽车电池系统的风险预警

为提高动力电池在实车工况下安全预警的及时性和准确性，将电池系统安全预警问题提炼为关键状态预测及基于预测状态的预警分类2大科学问题，根据实车运行中的电池状态数据，选择电池的单体电压最高值、单体电压极差等作为关键预测对象；利用费舍尔计分和最大信息系数(MIC)进行特征选择，采用样本卷积和交互网络模型(SCINet)实现关键状态预测；基于预测的状态，建立多分类随机森林(RF)模型，对动力电池的安全风险进行分级预警。研究结果表明：该模型对电池多个参数具有很强的预测能力，如预测1 min后单体电压最高值的均方根误差(RMSE)为0.027 1,温度最高值为0.054 0;对电池系统1 min后安全风险等级预测的查准率为84%,宏平均f₁分数为74%。     

基于人工神经网络算法的垃圾组分识别模型研究

为增强环卫智能化程度，利用TensorFlow深度学习框架实现人工神经网络(Artificial Neural Network, ANN)算法，建立以生活垃圾图像RGB均值和垃圾重量为输入的生活垃圾组分识别模型。对比不同超参数设置下模型A1至A4的识别效果。结果表明，使用三层ANN网络结构和Adam优化算法可以建立性能优秀的垃圾组分识别模型。A1至A4模型经过参数训练后识别误差均在±5%内。对A1至A4模型的学习率和迭代次数进行调试可得，A4模型即隐藏层第一层、隐藏层第二层和输出层的激活函数分别为ReLU函数、Tanh函数和Sigmoid函数的ANN模型，在学习率为0.01的情况下，识别误差在±1%以内，稳定性最佳。