-
公开(公告)号：CN118731703A
公开(公告)日：2024-10-01
申请号：CN202410721187.8
申请日：2024-06-05
申请人： 杭州电子科技大学
IPC分类号： G01R31/367 , G01R31/392 , G06N3/0442 , G06N3/0464 , G06N3/045
摘要： 本发明公开了基于可扩展长短期记忆网络的动力电池包RUL估计方法，该方法首先提取电动汽车或者储能电站动力电池包，从全新到失效期间全部循环内的电池包容量信息，进行数据预处理后获取数据样本。其次构建由特征提取模块、sLSTM模块、mLSTM模块串联而成的可扩展长短期记忆网络。最后在可扩展长短期记忆网络后搭建任务层，将样本数据作为可扩展长短期记忆网络的输入，任务层的输出为该时刻滑动窗口后面的RUL。本发明可以实现电动汽车及储能电站动力电池包剩余使用寿命的估计，提高RUL预测精度，以及电动汽车及储能电站应用安全性。
-
公开(公告)号：CN117741475A
公开(公告)日：2024-03-22
申请号：CN202311777348.7
申请日：2023-12-22
申请人： 杭州电子科技大学
IPC分类号： G01R31/389 , G01R27/02
摘要： 本发明公开了一种新能源汽车低噪声微内阻测量枪，由十一根导线组成：开尔文四线测量线路、设备地线、通信线路、连接确认线路、低压辅助电源线路，测量枪一端与阻抗测量设备连接，另一端与新能源汽车充电口连接，该测量枪有内外两圈导线：外圈导线总共有十根细导线，其中的两根细导线组成低压辅助电源线路，其中的四根细导线组成通信线路和连接确认线路，剩下的四根细导线组成设备地线；内圈总共有四根导线，内圈的每根线都为三同轴线，组成开尔文四线测量线路。本发明可以完成导引流程和内阻测量，大幅度简化了新能源汽车微内阻测量的流程。
-
公开(公告)号：CN117132495A
公开(公告)日：2023-11-28
申请号：CN202311091769.4
申请日：2023-08-28
申请人： 杭州电子科技大学
IPC分类号： G06T5/00 , G06T5/10 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种用于复杂天气交通标志检测的自适应图像增强方法。本方法设计了一个基于软注意力机制的Micro CNN模型，通过学习噪声图像的特征，得到图像处理滤波器的参数。将模型输出参数与提前设置的阈值对比，确定针对本张噪声图像所使用的图像处理滤波器，本按照参数从大到小的顺序对滤波器排序，依次对噪声图像进行滤波处理。该方法通过神经网络模型确定滤波器参数，并通过自适应联合滤波策略动态选择滤波器组合，利用多个计算量低图像滤波器之间的排列组合，提高了复杂环境下对图像优化的灵活性。应用处理后的图像进行交通标志检测，可以大幅度提升图像识别算法对于受复杂天气影响的交通标志的识别准确率。
-
公开(公告)号：CN113468088B
公开(公告)日：2023-11-17
申请号：CN202110687037.6
申请日：2021-06-21
申请人： 杭州电子科技大学
摘要： 本发明公开了一种在线FPGA实验设备USB端口批量匹配方法，解决在线实验平台下远程服务器端无法获取电脑设备管理器中FPGA的USB下载器与FPGA实验设备的具体对应关系，且可以无限制的添加带有编码的FPGA实验设备于实验平台，远程服务器端可以自动识别FPGA实验设备和端口的匹配关系，具有良好的扩展性。利用本地实验开发板FPGA芯片外挂了一片非配置用的Flash芯片,Flash芯片可以通过编码的比特流文件来存储设备编码和校验信息，不同编码的比特流文件保存在远程服务器端，可以从远程服务器端选择不同的编码的比特流文件下载到本地pc端，然后下载进FPGA实验设备上的FPGA芯片中，FPGA通过SPI接口往Flash芯片里写入32位的设备编码以及相应的校验字段。
-
公开(公告)号：CN115758259A
公开(公告)日：2023-03-07
申请号：CN202211467902.7
申请日：2022-11-22
申请人： 杭州电子科技大学
IPC分类号： G06F18/2415 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F17/18
摘要： 本发明公开了一种基于特征融合的多源域泛化设备故障诊断方法，本发明的特征融合策略利用领域判别器的输出得到数据的领域属性条件，将特征提取器提取的特征和领域判别器的输出进行多线性映射得到融合后的特征；利用LMMD衡量成对源域的特征差异，计算多个源域对的特征差异得到域适应损失；根据不同数据的所述领域为其分配相应的领域标签，计算领域判别器的领域判别损失；域适应损失、领域判别损失和分类损失相加得到总损失函数值，通过反向传播迭代更新优化模型参数。本发明将不同源域的领域属性条件和相应源域的特征进行融合，并调整成对源域融合后的特征分布偏差，增强了模型在未知工况的目标域上的泛化能力，提高了模型诊断准确率。
-
公开(公告)号：CN112269134B
公开(公告)日：2022-12-02
申请号：CN202010946770.0
申请日：2020-09-10
申请人： 杭州电子科技大学
IPC分类号： G01R31/388 , G01R31/389 , G01R31/392 , G01R31/36
摘要： 本发明公开了一种基于深度学习的电池SOC和SOH联合估计方法。具体步骤包括电池数据的采集、对数据的预处理、搭建SE‑CNN神经网络和BRNN神经网络、构建并训练估算模型，最后利用训练过的SE‑CNN网络估算电池的SOH值、利用BRNN网络估算电池的SOC值。本发明利用深度学习的参量自学习能力，减少了在估算电池的剩余容量与最大可用容量之比与电池容量和内阻的变化关系过程中的计算量，并考虑SOH和SOC之间的关联，进行联合估计，增强预测模型的稳定性，提高计算的准确性，弥补了现有技术中各种估算方法测量时间长、测量条件要求高、计算量过高以及估算精度低的不足，为各类电池管理系统提供一种快速、准确的SOH和SOC估算方法。
-
公开(公告)号：CN115079996A
公开(公告)日：2022-09-20
申请号：CN202210678233.1
申请日：2022-06-16
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于全并行硬件逻辑的超高速流水线式五点中值滤波方法，包括如下步骤：S1、对输入一维有符号数序列x(n)进行五点数据缓存，并将数据的补码形式以特定时序并行输出；S2、对S1中输出的并行数据进行预处理；S3、对S2中预处理后的数据进行并行化两两比较，获取数据之间的大小关系，并将比较结果寄存至对应的大小关系寄存器中；S4、根据S2中预处理后的并行数据和S3中大小关系寄存器的值，计算冗余度输出中值索引号；S5、根据S4中计算所得中值索引号，利用MUX选择原始并行数据中相应索引号的索引值进行输出。该方法通过更少的比较次数、更少的时钟延迟输出中值滤波结果，消耗的硬件逻辑资源更少，计算延迟更低。
-
公开(公告)号：CN114970702A
公开(公告)日：2022-08-30
申请号：CN202210540631.7
申请日：2022-05-17
申请人： 杭州电子科技大学
摘要： 本发明提出一种基于DMSTFA的多分类器设备故障诊断方法，本发明先按不同工况将数据分为源域与目标域数据；接着构建设备故障诊断神经网络模型，初始化其参数；将源域和目标域数据输入神经网络中，根据DMSTFA计算各个特征子空间的域适配损失；计算每个子空间的特征相似性权重；根据相似性权重，组合多个分类器的输出，并计算分类损失；将各个特征空间上的域适配损失和分类损失相加，得到总损失函数值，然后进行迭代训练更新模型参数，得到最终模型；设备故障诊断时将目标域数据输入最终模型，得到设备故障诊断结果。本发明增强了模型在具有较大分布差异的目标域上的泛化能力，显著提高了设备故障诊断模型诊断准确率。
-
公开(公告)号：CN114841076A
公开(公告)日：2022-08-02
申请号：CN202210547979.9
申请日：2022-05-18
申请人： 杭州电子科技大学
摘要： 本发明提出了一种基于时空图模型的动力电池生产工艺波动异常检测方法。该方法包括：将电池生产工艺的关键参数用于模型的训练，使用不同卷积核尺寸的时间卷积网络获取序列的时间模型；构建领接矩阵，使用图卷积神经网络获取时间序列的空间信息；构建带有门控机制的时空图卷积块对所得信息进行过滤，得到有效的时间和空间的依赖性；聚合所有门控时空图卷积网络的输出信息对输入滑动时间窗进行单步预测；应用数据的观测值和预测值计算预测误差，再应用预测误差计算异常分数的阈值；如果测试数据中预测误差大于阈值，则将其判断为异常，发出警报。
-
公开(公告)号：CN114839539A
公开(公告)日：2022-08-02
申请号：CN202210463421.2
申请日：2022-04-28
申请人： 杭州电子科技大学
IPC分类号： G01R31/367 , G01R31/378 , G01R31/392
摘要： 本发明提出一种基于多层次序列信息自适应融合的锂电池SOH估计方法。本发明搭建了一种全新的基于深度学习的序列化模型，该模型由两个级联的多层次融合模块和一个双向LSTM层搭建而成。基于所提模型能够自适应提取并融合多层次的序列化信息的优点，该模型能够在一定程度上解决了由电池数据量过少且提取不充分的问题，从而实现了较为精确的锂电池SOH的在线估计。除此之外，所提模型还具有长期记忆的优点，这进一步提高了在线估计精度。实验采用NASA锂离子数据集中的电池退化数据对所提网络模型进行仿真验证，结果表明该模型在完成锂电池SOH在线估计任务的同时，又能保证较高的鲁棒性与精确度。
-
-
-
-
-
-
-
-
-
搜索结果
321 条记录 (耗时 0.044 秒)
