一区二区三区三上|欧美在线视频五区|国产午夜无码在线观看视频|亚洲国产裸体网站|无码成年人影视|亚洲AV亚洲AV|成人开心激情五月|欧美性爱内射视频|超碰人人干人人上|一区二区无码三区亚洲人区久久精品

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

本體自動化構建方法—面向制造領域人機物三元數據融合

li1234567890123 ? 來源:li1234567890123 ? 作者:li1234567890123 ? 2022-05-11 17:30 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

面向制造領域人機物三元數據融合的本體自動化構建方法

摘要

當前,智能制造面臨的許多問題都具有不確定性和復雜性,單純地利用專家經驗和機理模型難以有效解決.鑒于此,面向跨層跨域的復雜制造系統(tǒng)網絡化協(xié)同控制機制,提出一種基于本體的人機物三元數據融合方法,研究復雜制造環(huán)境下的人機物三元數據融合建模.在抽取三元組時,區(qū)別于傳統(tǒng)的流水線式抽取方式,提出一種基于實體-關系聯(lián)合抽取的模型ErBERT.該模型首先經過預訓練模型BERT進行詞序列化,經過最大池化、全連接和Softmax等操作后,完成實體識別和關系分類任務,得到抽取完畢的人機物三元組.將抽取好的三元組按照規(guī)則映射至OWL文件,最終存儲在圖數據庫中,實現(xiàn)本體模型的構建.經實驗驗證,經過ErBERT抽取出的三元組有較好的準確率,能夠達到通過本體融合人機物三元數據的目標,并為實現(xiàn)制造企業(yè)人機物三元協(xié)同決策與優(yōu)化提供技術支撐。

引言

隨著互聯(lián)網、大數據、人工智能等技術的迅猛發(fā)展,傳統(tǒng)制造業(yè)正加速向新一代智能制造邁進[1]. 快速變化的市場環(huán)境及多元化的用戶需求使制造業(yè)環(huán)境日趨復雜,提升企業(yè)應對復雜環(huán)境中不確定性因素的控制與決策水平,是企業(yè)向智能工廠轉型中亟待解決的重要科學命題.

伴隨著制造系統(tǒng)復雜度日益增加、用戶個性化需求不斷增長,以往的制造體系和制造水平已經難以滿足個性化、智能化產品和服務增值升級的需求,制造系統(tǒng)將由以往的機物二元系統(tǒng)發(fā)展為人機物三元系統(tǒng). 在復雜制造系統(tǒng)中,人(人力資源)具備不完全

第37卷

信息決策能力的優(yōu)點和獲取深度知識能力差的缺點,機(虛擬信息系統(tǒng))具備處理海量數據的優(yōu)點和處理不完全信息能力差的缺點,物(生產物理系統(tǒng))具備執(zhí)行能力強的優(yōu)點和缺乏數據強處理能力的缺點. 新一代人工智能將人的作用引入到系統(tǒng)中,可極大地提高制造系統(tǒng)處理復雜性、不確定性問題的能力,有效實現(xiàn)產品及其生產和服務過程的最優(yōu)化,人機物三元深度融合將會使人的智慧與機器的智能相互啟發(fā)性地增長[2].

語義網是由Tim Berners-Lee最先提出的一個概念,可以使異構的數據信息相關聯(lián),組成語義網絡,從而計算機可以理解和處理網絡中的語義信息[3]. 本體作為語義網的基礎,是一種能在語義及知識層次上描述數據的概念模型,用于確定領域內被共同認可的概念,并給出概念間的相互關系,從而實現(xiàn)海量多元異構數據的集成、共享與重用[4]. 傳統(tǒng)的本體構建方法主要依靠領域專家手工構建,一旦構建的領域本體較為龐大,則會耗費大量的時間和精力. 因此,如何使用自動化的方式從數據源中抽取信息并構建本體,減少領域專家的參與,是當前本體研究的熱點之一.異構數據會造成信息交互的問題,利用本體進行人機物三元數據的集成與融合,不僅可以解決操作障礙, 減少數據冗余, 還可以加強數據的推理和決策能力. 本文提出一種基于本體的人機物三元數據融合模型, 并在進行本體三元組的抽取時, 區(qū)別于傳統(tǒng)流水線式抽取方式, 基于預訓練模型 BERT(bidirectional encoder representation from transformers)提出一種實體-關系聯(lián)合抽取模型ErBERT (entity andrelationship extraction with BERT),從而更好地整合實體及其關系之間的信息. 最后以寶鋼熱軋生產環(huán)節(jié)為案例,使用ErBERT自動構建本體. 結果顯示,所提出的ErBERT模型是行之有效的.

一、相關工作

1.1 人機物三元數據融合

數據融合的目的是將多元異構數據進行融合,使得獲得的信息能有效地應用到決策中[5]. 傳統(tǒng)的數據融合技術,如模糊集理論、概率論理論以及可信度理論,對于各有其特點的人機物三元數據缺乏有效的融合方法. 目前國內外已有針對人機物三元系統(tǒng)數據融合的研究, Hussein等[6] 提出DSSoT智能服務,將人與物聯(lián)網的數據通過動態(tài)社會物聯(lián)網的模型進行融合; Misra等[7] 提出一種多變量數據融合學習模型,通過訓練樸素貝葉斯、k近鄰、決策樹和支持向量機4個分類器,可以改善數據異構,提高輔助決策預測精度; Bu[8] 提出了一種基于張量模型的高階K-means算法用于人機物三元數據的聚類,以獲得更準確的結果; Wang等[9] 提出一系列基于張量的數據融合方法,最后給出一個綜合的人機物數據融合框架; Chen等[10] 對基于強化學習算法的三元數據融合進行研究,但未涉及語義層面的自動化、智能化融合. 上述數據融合方法嘗試將人機物數據進行融合,但忽略了人機物數據之間存在的關聯(lián)與特征. 針對以上問題,本文采用語義融合的方法,將人機物三元數據抽象為語義信息,用本體形式表示語義,進行人機物三元數據的融合.

1.2 本體自動化構建

構建本體的方式可以分為3類:手動構建本體、半自動化構建本體和自動化構建本體,自動化構建本體方法由于其有效性,逐漸成為研究的熱點. Hazber等[11] 定義了基于關系型數據庫模式自動構造本體的映射規(guī)則; Zhao 等[12] 提出基于多標簽學習模型與關聯(lián)標簽傳播的原始結構單詞提取方法,以提高本體關系自動識別精度,優(yōu)化本體構建; Kethavarapu等[13]采用基于關鍵字、基于值的抽取方法對日志文件數據進行集成,再將其轉換為OWL (web ontologylanguage)文件,從而實現(xiàn)了自動本體的生成.實體-關系抽取是信息抽取、知識圖譜以及自然語言處理領域的核心任務和重要環(huán)節(jié),同時也是自動化構建本體中最重要的一步[14]. 在本體中,知識以?entity1, relationship, entity2? 的格式保存為結構化三元組,即實體entity1、entity2之間存在relationship關系. 有監(jiān)督的實體-關系抽取方法可分為流水線式和聯(lián) 合學習 式兩種. 前者將命 名實體 識別(named entity recognition, NER)和關系分類(relationclassifification, RC)作為兩個獨立的子任務在完成實體識別之后再進行關系的抽取[15-16]. 前,國內外研究學者在進行三元組抽取從而實現(xiàn)本體自動化構建時,大多使用流水線式方法,這種方法忽略了兩個子任務之間的相關性,且會造成誤差累積. 最近的研究表明,使用聯(lián)合學習的方法可以更加緊密地交互實體與關系之間的信息,很好地解決了流水線式方式存在的問題. Zheng等[17] 使用混合BiLSTM-EDCNN的神經網絡模型,在實體與關系抽取任務上表現(xiàn)優(yōu)異; Luo等[18] 提出了一種基于Att-BiLSTM-CRF的聯(lián)合學習方法,用于生物醫(yī)學實體和關系提取. 這些模型基于實體關系聯(lián)合訓練的方法進行三元組的抽取,但大多使用公開數據集進行訓練,不針對制造業(yè)領域.

本文基于BERT預訓練模型,提出一種實體-關系聯(lián)合抽取模型ErBERT,針對特定下游任務對模型進行微調,并針對鋼鐵制造行業(yè)建立數據集HRDT對模型進行訓練,完成制造業(yè)領域的人機物三元組抽取.

二、面向人機物數據融合的本體自動化構建方法

2.1 總體架構

本文研究面向制造領域人機物三元數據融合的本體自動構建方法,故立足于制造業(yè),尋找人機物三元數據的各自特征和內在聯(lián)系是本文研究的必經之路. 在制造業(yè)領域,人的數據主要指專家經驗、供應商及用戶信息,同時人具有處理不確定性信息的能力;機可以處理海量數據,但無法處理不確定性知識,數據主要包括數據庫里的結構化表單以及企業(yè)信息系統(tǒng)內的信息;物的數據來源于客觀存在的實體對象,一般指檢測設備和生產設備的數據. 為了實現(xiàn)人機物三元本體的自動化構建,本文設計了如圖1所示的體系架構,包括數據采集、三元組抽取和本體存儲三部分. 其中,如何從文本數據中自動獲取三元組是本文研究的重點內容.

圖片

數據采集是指分別以人、機、物作為數據來源,尋找相關的領域特定概念. 人的數據包括專家經驗、班組日志以及供應商信息等;機的數據主要來自于企業(yè)信息系統(tǒng),包括工藝制度、生產調度計劃以及規(guī)則數據等;物的數據由客觀存在的數據構成,包括設備數據、鋼種數據等. 將采集到的文本數據進行切分,以單句的形式輸入至三元組抽取模塊.

將切分后的單句作為三元組抽取模塊的輸入,三元組抽取的主要任務是進行命名實體識別和關系抽取. 本文提出了基于預訓練模型BERT的改進算法ErBERT,實現(xiàn)實體、關系的聯(lián)合抽取,下文進行具體介紹. 三元組抽取以形如?加熱爐,包括,點火器?的三元組形式輸出至下一部分.

在完成人機物三元組的抽取后,將抽取好的人機物三元組按照規(guī)則映射至OWL文件,并將其存儲至圖數據庫中,實現(xiàn)人機物三元本體的自動構建.

2.2基于ErBERT的三元組抽取

三元組抽取是本體的自動化構建任務中極為關鍵的一步,本文提出的ErBERT模型可以實現(xiàn)實體與關系的聯(lián)合抽取,其基本流程如圖2所示. 在詞向量化模塊中,使用預訓練模型BERT進行詞序列化. 將可能的實體向量經最大池化處理,在進行全連接和softmax之后得到實體的類別. 關系分類模塊在實體抽取的基礎上進行,根據上一步實體抽取的結果,將頭尾實體向量與頭尾實體之間的詞向量經過全連接層與softmax后得到關系分類的結果.

對于輸入的單句集合, 首先使用 BERT 預訓練模型對其進行分詞并向量化. BERT 是 Google AI語言研究人員最近提出的一個預處理模型,在一些自然語言處理任務上表現(xiàn)出超越過往經典模型的優(yōu)異性能. 輸出的向量由詞向量 (token embedding)、句向量 (segment embedding) 和位置向量 (positionembedding)組成,相加之后送入雙向Transformer結構進行特征提取,最后得到含有豐富語義特征的序列向量. 深層雙向Tansformer的模型結構是BERT模型中的核心,使得模型在進行單詞的處理時,能夠表征單詞在上下文中的具體語義. Transformer編碼結構采用多頭注意力機制,放棄時間循環(huán)結構,可以同時處理整個輸入序列,多頭注意力機制的輸出為

圖片圖片圖片

(3)

其中: Q、K、V 矩陣為編碼器的輸入字向量矩陣;dk為Q、K、V 矩陣的列數,即向量維度.對于一個長度為n的輸入序列,t位置對應的向量和ωk定義如下:

圖片

通過BERT預訓練模型輸出的詞序列向量經過最大池化處理,進行平均和之后,與[CLS]向量進行拼接. [CLS]是一個能夠表示整個文本的語義特征向量, BERT在輸入文本前插入[CLS]符號,并將該符號對應的輸出向量作為整個文本的語義表示. 與輸入文本中已存在的其他字、詞相比較而言, [CLS]作為無明顯語義特征的符號,能夠更加公平地融合文本中各個字的含義. 經過拼接得到的實體表示xe為

圖片

其中: ei為經過最大池化處理過后的詞向量表示, c為整個文本的語義表征.最 后, 將 得 到 的 實 體 向 量 xe 送 入 全 連 接 加softmax層,全連接層將前面得到的特征做加權和得到每個類別的分數,再經過softmax映射為概率,計算最有可能的實體標記,公式如下:

圖片

完成實體的抽取后進入到關系分類任務. 給定一組預定義的關系類R= {r1, r2, . . . , rj},關系分類模塊對處理來自單句中的所有候選實體對,判斷其是否存在來自R的關系. 關系分類模塊輸入由兩部分組成,一是在實體識別部分得到的實體向量表示xe,包括詞序列向量以及能夠表示整個文本的語義特征向量[CLS];二是兩個實體之間文本的向量表示,即候選關系向量,在進行最大池化處理后與前后的實體向量進行拼接,送入關系分類器中.公式如下:

圖片

其中: cr 為經過最大池化處理后的詞序列向量, xe1、xe2為cr前后的實體向量表示.實體和關系分類問題均使用交叉熵作為損失函數計算loss,以衡量同一個隨機變量中兩個不同概率分布的差異程度,即真實概率分布與預測概率分布之間的差異. 交叉熵函數的值越小,模型預測效果越優(yōu)異. 關系分類任務的損失函數為

圖片

其中: m為樣本個數,ri 為類別標簽映射而成的onehot向量實體-關系聯(lián)合抽取的損失函數應表示為實體識別損失函數Le與關系分類損失函數Lr之和,即

圖片

2.3基于圖數據庫的本體存儲

經過 ErBERT 進行三元組抽取得到形如? 加熱爐,包括,點火器??車間操作工,相關,班組工作日志?等實體關系三元組后,根據規(guī)則建立起人機物三元本體的層級結構,并將其映射至OWL文件,完成本體的構建. 構建完的本體以Web本體語言的形式保存在OWL文件中,為了實現(xiàn)快速查詢,用于支撐知識推理、知識計算等上層應用,需要進行有效的本體存儲.圖數據庫是一種以圖論為理論基礎的非關系型數據庫,用于存儲實體及實體間的關聯(lián)信息,其基本組成要素是節(jié)點、關系和屬性. Neo4j是常用的圖數據庫之一,本文采用Neo4j進行本體的存儲. 將映射的OWL文件通過開源工具包RDF2RDF轉成RDF格式,再通過Neo4j的功能插件Neosemantics將RDF導入至Neo4j圖數據庫中,完成本體的存儲.

三、案例驗證

3.1問題描述

隨著國家產能政策的優(yōu)化調整,供給改革的持續(xù)深入,鋼鐵行業(yè)競爭愈加激烈,現(xiàn)代生產中多品種、多規(guī)格、個性化生產使得鋼鐵行業(yè)面臨日趨復雜的環(huán)境. 某鋼鐵企業(yè)連軋產線包括熱軋和冷軋兩種工藝,同時將多個軋機布置在一條生產線上,從而一次性完成制品的軋制過程,涉及到的流程復雜,設備種類與數量繁多,難以進行有效管理. 熱軋生產一般裝配步進式加熱爐,連鑄板坯先后經加熱爐加熱、除磷箱去除氧化鐵皮后,進入粗軋機組進行多道次往復軋制,再經過二次除磷后進行精軋,最后由卷取機卷成熱軋卷. 冷軋生產以熱軋鋼卷為原料,經軋制、退火、酸洗、鍍鋅及彩圖等工序,最終得到冷軋鋼板. 在熱軋和冷軋實際生產流程中,涉及到日生產計劃、車間操作人員、庫存以及設備信息等人機物數據,這些數據有的依靠紙張線下傳遞,有的通過信息系統(tǒng)存儲,數據之間缺乏關聯(lián)性,使得生產車間協(xié)同效率低下,信息同步困難,決策知識來源單一. 因此,本課題定位至該企業(yè)連軋產線,收集產線生產過程信息,研究基于本體的鋼鐵連軋產線人機物三元數據融合模型,以增強數據之間的關聯(lián)性,旨在促進企業(yè)內部信息集成,從而提高生產車間協(xié)同效率,實現(xiàn)有效的連軋生產管理,對實現(xiàn)連軋生產協(xié)同制造具有重要意義.

3.2HRDT數據集

目前, 在三元組的抽取訓練中, 最常使用的是ACE 和 CoNLL-04 數據集, 但這些數據集沒有針對特定工業(yè)領域的子集,且不包含構建本體所需要的層次實體關系. 為了實現(xiàn)人機物三元數據融合的自動化本體構建,針對鋼鐵制造行業(yè)建立了數據集HRDT. HRDT數據集共有778個單句,其中58句來自專家經驗,其他從網絡上爬取或根據企業(yè)提供資料整理而成. 此數據集定義了3種類型的實體, 11種類型的關系,具體如表1和表2所示.

圖片

HRDT數據集按照實體來源將實體類別劃分為人、機、物三類;關系包括層級關系和其他關系. 層級關系有2種,為Include和Belong_2,意為包括、屬于,有明顯的層次語義. 在進行本體構建時,需要定義規(guī)則,將層級關系和其他關系加以區(qū)分,以完成本體的層次結構建立。

3.3實驗結果

本文將HRDT數據集隨機分為訓練集(80 %),驗證集 (10 %) 和測試集 (10 %) 輸入至 ErBERT 模型中進行實驗,采用精確率、召回率和F1值評價算法的性能,評價指標定義如下:

圖片

其中: Ncorrect 為預測正確的實體或關系個數, Nall 為預測的實體或關系總個數, Nmarked 為標注的實體或關系總個數.實驗結果如表3和表4所示. 由表中數據可知,本文提出的ErBERT模型在實體識別和關系分類任務上有較好的準確率.

圖片圖片

經ErBERT模型后得到的人機物實體關系三元組通過定義的規(guī)則建立起層級結構,映射至OWL文件后,再將其通過RDF2RDF和Neosemantics存儲至Neo4j中. 融合后人機物三元數據具體如圖3所示,節(jié)點的不同顏色代表不同的數據來源. 黃色節(jié)點為物的數據,包括設備數據、鋼種數據等; 藍色節(jié)點為機的數據,包括工藝制度、生產調度計劃以及規(guī)則數據等; 綠色節(jié)點為人數據,包括專家經驗、供應商數據和人員部門信息等. 人、機、物的節(jié)點相互關聯(lián)、相互交融,增強了人機物數據之間的關聯(lián)性,實現(xiàn)了人、機、物三元數據在語義層次上的深度融合.

圖片

融合后的本體模型可以解決傳統(tǒng)人機物獨立運作模式不能充分利用人機物優(yōu)點、無法發(fā)揮協(xié)同機制優(yōu)勢的問題. 經領域專家的評定,通過ErBERT構建的人機物三元本體起到了融合制造領域人機物三元數據的作用. 研究提出的基于本體的人機物三元數據融合模型能夠充分利用本體對多源異構大規(guī)模知識的組織和管理優(yōu)勢,有效地進行企業(yè)信息集成,提升企業(yè)在人機物等更大范疇處理海量數據的綜合決策能力,為研究數據驅動的人機物三元協(xié)同決策與優(yōu)化提供了堅實的技術支撐.

結 論

本文提出了基于本體的人機物三元數據融合模型,并在抽取三元組時區(qū)別于傳統(tǒng)的流水線式抽取方式,采用實體-關系聯(lián)合抽取的模型ErBERT. 該模型首先經過預訓練模型BERT進行詞序列化,經過最大池化、全連接和softmax等操作后得到實體與關系的類別,完成三元組的抽取;然后將抽取好的三元組按照規(guī)則映射至OWL文件中,完成本體的構建;最后將三元本體存儲在Neo4j中,實現(xiàn)有效的本體存儲.

所提出的實體-關系聯(lián)合抽取模型ErBERT的優(yōu)勢在于使命名實體識別和關系分類任務共享底層神經網絡;且在兩個任務之間,信息擁有更加緊密的聯(lián)系. 實驗表明,經過ErBERT抽取出的三元組有較好的準確率,本文最終構建的本體得到了領域專家的一致認可,達到了通過本體融合人機物三元數據的目標,為實現(xiàn)企業(yè)人機物三元協(xié)同決策與優(yōu)化提供了技術支撐.

面對復雜多變的制造環(huán)境,基于數據驅動,發(fā)揮人機物協(xié)同運行的優(yōu)勢已成為探索自主智能工廠控制與決策科學命題的主導方向. 基于本體的人機物多維工業(yè)大數據融合將驅動后續(xù)知識發(fā)現(xiàn)、智能工廠自學習知識圖譜建模及其進化機制、基于自學習知識圖譜智能推理的決策與優(yōu)化理論的建立,使得企業(yè)決策與優(yōu)化轉變?yōu)槿藱C物緊密協(xié)同合作模式. 在接下來的研究中,將探索智能工廠自學習知識圖譜建模及其進化機制,同時將進行數據驅動的人機物三元協(xié)同決策與優(yōu)化理論方法研究,以解決復雜制造環(huán)境下企業(yè)決策與優(yōu)化所面臨的巨大挑戰(zhàn),有力地推動企業(yè)綜合決策與優(yōu)化科學研究從以專家經驗為主向數據驅動的模式轉變.

審核編輯:符乾江

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 數據
    +關注

    關注

    8

    文章

    7256

    瀏覽量

    91892
  • 物聯(lián)網

    關注

    2931

    文章

    46251

    瀏覽量

    392677
  • 人工智能
    +關注

    關注

    1807

    文章

    49029

    瀏覽量

    249585
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關推薦
    熱點推薦

    羅克韋爾自動化亮相2025制造業(yè)數字博覽會

    作為工業(yè)自動化、信息和數字轉型領域的全球領先企業(yè)之一,羅克韋爾自動化于 6 月 17 日至 19 日亮相 2025
    的頭像 發(fā)表于 07-02 11:51 ?365次閱讀

    HMI在智能制造與工業(yè)自動化中的作用

    在工業(yè)4.0時代,先進技術的融入正在徹底改變工業(yè)運作的方式。在實現(xiàn)無縫操作的過程中,人機界面(HMI)是不可或缺的關鍵組成部分。HMI在智能制造與工業(yè)自動化中扮演了至關重要的角色,使操作員和工程師
    的頭像 發(fā)表于 01-17 11:34 ?725次閱讀
    HMI在智能<b class='flag-5'>制造</b>與工業(yè)<b class='flag-5'>自動化</b>中的作用

    自動化設備數據采集系統(tǒng)介紹

    在當今數字浪潮席卷全球的時代,制造業(yè)正經歷著深刻的變革。自動化設備數據采集系統(tǒng)作為這一變革浪潮中的關鍵技術,猶如制造業(yè)智能
    的頭像 發(fā)表于 01-15 14:29 ?616次閱讀

    串口屏自動化測試

    在當今智能、高效的工業(yè)4.0時代,串口屏作為人機交互的關鍵組件,在自動化設備、聯(lián)網應用、智能制造
    的頭像 發(fā)表于 12-27 17:17 ?1475次閱讀

    菱PLC自動化控制應用領域

    在現(xiàn)代工業(yè)生產中,自動化控制技術扮演著至關重要的角色。菱電機作為自動化技術的先驅之一,其PLC產品以其高可靠性、高性能和易用性在全球范圍內被廣泛采用。 1. 制造業(yè)
    的頭像 發(fā)表于 12-26 17:34 ?2504次閱讀

    三元鋰電池行業(yè)發(fā)展趨勢

    三元鋰電池,即三元正極材料鋰電池,因其正極材料由鎳、鈷、錳(或鋁)種元素組成而得名。這種電池因其高能量密度、長循環(huán)壽命和良好的安全性能而受到市場的廣泛關注。 三元鋰電池行業(yè)發(fā)展趨勢
    的頭像 發(fā)表于 10-31 10:28 ?1467次閱讀

    三元鋰電池的優(yōu)勢和劣勢

    三元鋰電池,指的是以鎳(Ni)、鈷(Co)和錳(Mn)種元素作為正極材料的鋰電池。這種電池因其高能量密度、長循環(huán)壽命和較好的安全性能而被廣泛應用于電動汽車、移動設備和儲能系統(tǒng)等領域。 三元
    的頭像 發(fā)表于 10-31 09:49 ?4226次閱讀

    三元鋰電池放電特性及應用

    隨著科技的進步和環(huán)保意識的增強,鋰電池因其高能量密度、長壽命和環(huán)保特性而成為新能源領域的明星。三元鋰電池作為鋰電池的一種,因其獨特的優(yōu)勢在眾多領域得到廣泛應用。 三元鋰電池放電特性 1
    的頭像 發(fā)表于 10-31 09:46 ?1960次閱讀

    三元鋰電池使用壽命分析

    隨著全球能源結構的轉型和新能源汽車的快速發(fā)展,電池技術成為推動這一變革的關鍵因素。三元鋰電池因其高能量密度、良好的循環(huán)穩(wěn)定性和較低的成本而受到青睞。 一、三元鋰電池的基本特性 三元鋰電池由鎳、鈷、錳
    的頭像 發(fā)表于 10-31 09:39 ?2351次閱讀

    聚合電池和三元鋰電池的區(qū)別

    聚合電池和三元鋰電池作為兩種主流的鋰電池技術,它們在多個方面存在顯著差異。以下是從不同維度對這兩種電池進行的詳細比較: 一、材料構成與電解質 聚合電池 :也稱鋰聚合電池(Li-p
    的頭像 發(fā)表于 09-29 09:59 ?7789次閱讀

    三元鋰電池實際應用中的缺點

    三元鋰電池其性能優(yōu)勢被廣泛認可。然而,盡管其具有高能量密度和優(yōu)良的低溫性能,三元鋰電池在實際應用中仍面臨一系列挑戰(zhàn)。這些挑戰(zhàn)主要包括高制造成本、安全性問題、高溫下的不穩(wěn)定性和相對較短的使用壽命。 高
    的頭像 發(fā)表于 09-17 16:17 ?2571次閱讀

    三元鋰電池的優(yōu)點是什么

    三元鋰電池,作為現(xiàn)代能源存儲技術的前沿產品,其在多個領域的廣泛應用不僅得益于其卓越的性能特點,還源于其對復雜環(huán)境條件極強的適應性。在眾多優(yōu)勢中,高能量密度及優(yōu)異的低溫性能尤為突出,這些特性使得三元
    的頭像 發(fā)表于 09-17 16:14 ?1934次閱讀

    基于CSS融合存儲系統(tǒng)的自動化制造服務平臺存儲解決方案

    基于CSS融合存儲系統(tǒng)的自動化制造服務平臺存儲解決方案
    的頭像 發(fā)表于 09-10 10:15 ?612次閱讀
    基于CSS<b class='flag-5'>融合</b>存儲系統(tǒng)的<b class='flag-5'>自動化</b><b class='flag-5'>制造</b>服務平臺存儲解決方案

    18650三元鋰電池的優(yōu)點

    18650三元鋰電池的優(yōu)點
    的頭像 發(fā)表于 08-30 20:07 ?1834次閱讀
    18650<b class='flag-5'>三元</b>鋰電池的優(yōu)點

    PLC網關:工業(yè)自動化聯(lián)網的融合

    PLC 網關已經越來越多的應用在IIOT工業(yè)聯(lián)網中,那么,PLC網關到底是什么呢? PLC 網關是一種工業(yè)聯(lián)網的網絡設備,設計用于實現(xiàn)不同自動化系統(tǒng)、設備或網絡之間的通信和數據交換
    的頭像 發(fā)表于 07-29 14:45 ?742次閱讀
    PLC網關:工業(yè)<b class='flag-5'>自動化</b>與<b class='flag-5'>物</b>聯(lián)網的<b class='flag-5'>融合</b>點