-
公开(公告)号：CN116299005B
公开(公告)日：2023-09-05
申请号：CN202310070487.X
申请日：2023-02-07
Applicant: 江南大学
IPC: G01R31/392 , G06N3/084 , G06N3/0464 , G01R31/367
Abstract: 本发明公开了一种基于AAF和深度学习的动力电池健康状态预测方法，属于动力电池SOH预测领域。所述方法首先利用集成经验模态分解技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，其次利用DBN对主趋势时间序列进行预测，针对波动时间序列，先进行数据预处理，然后采用抗混叠低通滤波器对预处理之后的序列进行重采样，之后利用长短期记忆神经网络LSTM对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到波动时间序列最终预测值，最后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，实现了动力电池SOH的高精度预测。
-
公开(公告)号：CN111881587B
公开(公告)日：2023-08-25
申请号：CN202010750174.5
申请日：2020-07-30
Applicant: 江南大学
IPC: G06F30/20 , G06F17/16 , G01R31/34 , G06F119/02
Abstract: 本发明公开了一种基于滤波的永磁直流电动机故障检测方法，属于永磁直流电动机故障检测领域。通过利用正多胞体卡尔曼滤波方法得到永磁直流电动机在正常工作状态下的输出矩阵对应的正多胞体通过判断实际工作状态下的输出矩阵是否在正常工作状态下的正多胞体的上下界内，确定永磁直流电动机是否发生故障，若发生故障，则根据比较结果确定故障状态和故障时间；相对于现有的基于全对称多胞形的故障检测方法，本申请采用空间形状更为简单的正多胞体，检测速度更快，更适用于在线故障检测，且本申请方法所估计出的永磁直流电动机的工作状态更贴近实际的工作状态，所以能够更准确的反映出实际工作状态与正常的工作状态不符，因此故障检测率更高。
-
公开(公告)号：CN116299005A
公开(公告)日：2023-06-23
申请号：CN202310070487.X
申请日：2023-02-07
Applicant: 江南大学
IPC: G01R31/392 , G06N3/084 , G06N3/0464 , G01R31/367
Abstract: 本发明公开了一种基于AAF和深度学习的动力电池健康状态预测方法，属于动力电池SOH预测领域。所述方法首先利用集成经验模态分解技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，其次利用DBN对主趋势时间序列进行预测，针对波动时间序列，先进行数据预处理，然后采用抗混叠低通滤波器对预处理之后的序列进行重采样，之后利用长短期记忆神经网络LSTM对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到波动时间序列最终预测值，最后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，实现了动力电池SOH的高精度预测。
-
公开(公告)号：CN116203448A
公开(公告)日：2023-06-02
申请号：CN202310070490.1
申请日：2023-02-07
Applicant: 江南大学
IPC: G01R31/392 , G06N7/01 , G06N3/048 , G06N3/084 , G06N3/088 , G06N3/0442 , G01R31/367 , G01R31/396
Abstract: 本发明公开了基于蒙特卡洛和深度学习的动力电池剩余寿命预测方法，属于动力电池技术领域。该方法利用EEMD技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，利用深度置信网络对主趋势时间序列进行预测，利用蒙特卡洛技术求得最优区间阈值集合后对波动时间序列进行数据预处理，然后采用分段三次埃尔米特插值进行重采样，之后利用长短期记忆神经网络对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到最终预测值，然后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，结合电池寿命结束时的SOH值得到剩余寿命的预测值，实现了动力电池剩余寿命的高精度预测。
-
公开(公告)号：CN116151451A
公开(公告)日：2023-05-23
申请号：CN202310153214.1
申请日：2023-02-22
Applicant: 江南大学
IPC: G06Q10/04 , G06Q50/04 , G06N3/0442 , G06N3/092
Abstract: 本发明公开了基于三重强化学习的电池制造能力可变权组合预测方法，属于动力电池制造预测领域。该方法针对锂电池制造能力周期性、突变性以及季节性等特征，选择相应模型分别挖掘时间序列中的线性和非线性特征构成新的组合预测模型；针对现有方法难以得到最优组合预测权重的问题，设计了双层强化学习算法求解该时间下最优权重矩阵，降低预测误差；此外，由于在不同时间点各单一预测模型的预测效果也不同，本申请融合强化学习和熵值思想，探索最优滑动窗口长度，运用滑动窗口对预测序列进行划分，并在各窗口内使用双层强化学习算法确定最优组合权重，最终构造三重强化学习电池制造能力组合预测模型，进一步提高了电池制造能力的预测精度和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN115130293A
公开(公告)日：2022-09-30
申请号：CN202210706888.5
申请日：2022-06-21
Applicant: 江南大学
IPC: G06F30/20 , G06F30/3323 , G06F17/16 , G06F17/11 , G01R31/367 , G01R31/378 , G01R31/382 , G01R31/396 , G06F119/08 , G06F119/10
Abstract: 本发明公开了一种双重扰动下基于多胞滤波的动力电池温度估计方法，属于动力电池状态估计技术领域。所述方法包括建立未知但有界噪声与高斯噪声混合的动力电池电热模型，基于多胞空间模型和已知噪声的概率分布情况，设计多胞更新策略，构造状态估计器，基于均方误差最小和多胞空间最小得到满足一定概率分布的噪声和未知但有界噪声的最优权重，而非取相同权重，从而提高了包含状态真值的估计区间的准确性。相比于现有的结合随机和集员的混合噪声双重滤波的状态估计方法，本申请方法状态估计精度更高，由于结果区间更小，因此可进一步确定估计具体值。
-
公开(公告)号：CN112965461B
公开(公告)日：2022-02-11
申请号：CN202110174617.5
申请日：2021-02-05
Applicant: 江南大学
Abstract: 本发明公开了一种基于最小保守性区间滤波的电机系统故障估计方法，属于故障估计技术领域。通过采用全对称多胞体表示未知但有界的噪声，增加了该方法的实用性和准确率；根据重构电机模型设计动态区间观测器，通过最小化系统的状态保守性设计区间观测器的动态增益，实现具有最小保守性的观测器故障区间的估计；设计故障的集逆收缩滤波问题，利用向量布尔运算和分维度依次运算进一步收缩观测器故障估计区间，更接近真实故障值的滤波故障估计区间；同时集逆收缩滤波问题求解方法的计算复杂度明显小于目前最广泛使用的求解方法；相对于现有的故障估计方法，本申请方法能够更高效地实时估计到更紧致的故障区间，对电机系统的性能监督提供了保障。
-
公开(公告)号：CN113839442A
公开(公告)日：2021-12-24
申请号：CN202111039856.6
申请日：2021-09-06
Applicant: 江南大学
Abstract: 本发明公开了一种基于双向电力变换器的化成工艺滤波状态估计方法，属于参数估计技术领域。通过对Bi‑DC/DC建立切换模型，使用一种改进的全对称多胞体集员辨识方法估计电感电流和电容电压的状态值，解决了未知分布噪声对电池化成参数SOC、SOH等干扰的问题；全对称多胞体集员估计方法表示状态可行集，不需要知道模型噪声的先验分布或要求噪声满足高斯分布，增加了状态估计的实用性和可靠性；并通过重复利用下一时刻观测条带，基于观测条带位移全对称多胞体的对称面，从而对其进行二次紧缩，避免了椭球、传统全对称多胞体等几何体集员辨识保守性大的问题，更高效、准确地对状态进行估计。
-
公开(公告)号：CN113591020A
公开(公告)日：2021-11-02
申请号：CN202110848659.2
申请日：2021-07-23
Applicant: 江南大学
Abstract: 本发明公开了一种基于轴对称盒空间滤波的非线性系统状态估计方法，属于状态估计技术领域。所述方法包括获取工业控制系统中的非线性弹簧‑质量‑阻尼器系统模型，获取初始区间盒子的顶点坐标，将非线性模型线性化，利用区间盒子包裹线性化过程误差，根据闵可夫斯基和运算得到k+1时刻预测区间盒子状态集，通过测量得到区间盒子测量集，并利用区间盒子测量集对k+1时刻的状态预测集进行更新，将区间盒子拆分成超平面进行约束得到两个区间盒子的交集，完成对k+1时刻系统状态的估计；解决了在未知噪声干扰下的写线性系统状态估计问题；利用区间盒子包裹误差使得估计状态集更加紧致、准确；区间盒子的拆分在保持准确性的同时减少了运算复杂度。
-
公开(公告)号：CN113589179A
公开(公告)日：2021-11-02
申请号：CN202110878186.0
申请日：2021-07-30
Applicant: 江南大学
IPC: G01R31/382
Abstract: 本发明公开了一种基于凸空间滤波的动力电池化成过程状态估计方法，属于动力电池制造技术领域。所述方法通过采用凸空间滤波对时滞系统进行状态估计，避免了现有对于时滞系统进行状态估计时采用状态扩维的方法所带来的系统维数增加、计算量大的问题，而且在对凸空间体的约束条件构成的线性不等式组进行求解之前，创新性的提出一种迭代替换法将k时刻的状态量转化至第k‑h时刻以及后续项状态量，从而将时滞项进行了合并，避免了后续将状态矩阵A和时滞状态量的状态矩阵Ah合并为新的状态矩阵时维度会增加的问题，减少了后续计算时的计算复杂度和计算时间，同时因为迭代替换中相同项的抵消，一定程度上也提高了估计准确性。
-
-
-
-
-
-
-
-
-
Search Results
266
records
(took 0.105 seconds)
