-
公开(公告)号：CN114019371B
公开(公告)日：2023-06-16
申请号：CN202111201496.5
申请日：2021-10-15
Applicant: 上海交通大学
IPC: G01R31/34 , G06N3/047 , G06N3/048 , G06Q10/04 , G06N3/0464
Abstract: 本发明涉及一种基于高斯过程回归的电机极端工况的温度预测系统，该系统包括：常规工况数据采集单元：用以通过传感设备动态获取电机在实验环境下的系统输入、系统输出及环境数据，即常规工况数据；终端处理单元：用以接收常规工况数据并通过数据传输单元发送到服务器单元；数据传输单元：用以实现终端处理单元和服务器单元之间的数据传输；服务器单元：接收常规工况数据进行预处理形成常规工况数据集，构建高斯过程回归模型并进行标准工况和极端工况的训练得到训练好的高斯过程回归模型并反馈给终端处理单元；人机交互单元：用以接收电机输入数据，进行电机极端工况性能预测并显示预测结果。与现有技术相比，本发明具有全工况预测、成本低等优点。
-
公开(公告)号：CN114004391A
公开(公告)日：2022-02-01
申请号：CN202111201676.3
申请日：2021-10-15
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于高斯过程回归的动力设备极端工况性能预测系统，该系统包括：常规工况数据采集单元：用以通过传感设备动态获取动力设备在实验环境下的系统输入、系统输出及环境数据，即常规工况数据；终端处理单元：用以接收常规工况数据并通过数据传输单元发送到服务器单元；服务器单元：构建高斯过程回归模型并进行标准工况和极端工况的训练得到训练好的高斯过程回归模型，将训练好的高斯过程回归模型通过数据传输单元反馈给终端处理单元，并通过人机交互单元人工输入数据，进行动力设备极端工况性能预测并通过人机交互单元将预测结果进行展示。与现有技术相比，本发明具有全工况下性能预测、降低实验成本等优点。
-
公开(公告)号：CN111460379B
公开(公告)日：2022-05-17
申请号：CN202010233737.3
申请日：2020-03-30
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于高斯过程回归的多工况动力系统性能预测方法，包括以下步骤：1)采集常规工况数据进行预处理得到训练数据集，并选取高斯过程回归核函数；2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数；3)采用序贯采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果。与现有技术相比，本发明具有成本低、多工况和极端工况预测等优点。
-
公开(公告)号：CN111460381B
公开(公告)日：2022-03-18
申请号：CN202010234278.0
申请日：2020-03-30
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于高斯过程回归的多工况燃油车油耗预测方法及系统，该方法包括以下步骤：1)采集常规工况数据进行预处理得到训练数据集，并选取高斯过程回归核函数，所述的常规工况数据包括燃油汽车动力系统的输入、输出及环境数据；2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数；3)采用序贯采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果。与现有技术相比，本发明具有成本低、多工况和极端工况预测等优点。
-
公开(公告)号：CN111460381A
公开(公告)日：2020-07-28
申请号：CN202010234278.0
申请日：2020-03-30
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于高斯过程回归的多工况燃油车油耗预测方法及系统，该方法包括以下步骤：1)采集常规工况数据进行预处理得到训练数据集，并选取高斯回归过程核函数，所述的常规工况数据包括燃油汽车动力系统的输入、输出及环境数据；2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数；3)采用贯序采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果。与现有技术相比，本发明具有成本低、多工况和极端工况预测等优点。
-
Patent Agency Ranking
公开(公告)号：CN111460380A
公开(公告)日：2020-07-28
申请号：CN202010233917.1
申请日：2020-03-30
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于高斯过程回归的多工况续驶里程预测方法及系统，该方法包括以下步骤：1)采集常规工况数据进行预处理得到训练数据集，并选取高斯回归过程核函数；2)训练高斯过程回归模型；3)采用贯序采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果即在预测时段内的电池放电功率，根据开始测试时刻电池的剩余电量和在预测时段内的电池放电功率获取续驶里程。与现有技术相比，本发明具有成本低、多工况和极端工况预测等优点。
-
公开(公告)号：CN111460379A
公开(公告)日：2020-07-28
申请号：CN202010233737.3
申请日：2020-03-30
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于高斯过程回归的多工况动力系统性能预测方法，包括以下步骤：1)采集常规工况数据进行预处理得到训练数据集，并选取高斯回归过程核函数；2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数；3)采用贯序采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果。与现有技术相比，本发明具有成本低、多工况和极端工况预测等优点。
-
公开(公告)号：CN114004391B
公开(公告)日：2024-10-15
申请号：CN202111201676.3
申请日：2021-10-15
Applicant: 上海交通大学
IPC: G06Q10/04 , G06F18/27 , G06N3/0499 , G06N3/084 , G06N3/0985 , G01D21/02
Abstract: 本发明涉及一种基于高斯过程回归的动力设备极端工况性能预测系统，该系统包括：常规工况数据采集单元：用以通过传感设备动态获取动力设备在实验环境下的系统输入、系统输出及环境数据，即常规工况数据；终端处理单元：用以接收常规工况数据并通过数据传输单元发送到服务器单元；服务器单元：构建高斯过程回归模型并进行标准工况和极端工况的训练得到训练好的高斯过程回归模型，将训练好的高斯过程回归模型通过数据传输单元反馈给终端处理单元，并通过人机交互单元人工输入数据，进行动力设备极端工况性能预测并通过人机交互单元将预测结果进行展示。与现有技术相比，本发明具有全工况下性能预测、降低实验成本等优点。
-
公开(公告)号：CN111460382B
公开(公告)日：2022-03-18
申请号：CN202010234593.3
申请日：2020-03-30
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于高斯过程回归的燃油车有害气体排放预测方法及系统，该方法包括以下步骤：1)采集常规工况数据进行预处理得到训练数据集，并选取高斯过程回归核函数，所述的常规工况数据包括燃油汽车动力系统的输入、输出及环境数据；2)训练高斯过程回归模型；3)采用序贯采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果，即设定预测时间段内有害气体排放量占总排放的比例，与现有技术相比，本发明具有成本低、多工况和极端工况预测等优点。
-
公开(公告)号：CN114019371A
公开(公告)日：2022-02-08
申请号：CN202111201496.5
申请日：2021-10-15
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于高斯过程回归的电机极端工况的温度预测系统，该系统包括：常规工况数据采集单元：用以通过传感设备动态获取电机在实验环境下的系统输入、系统输出及环境数据，即常规工况数据；终端处理单元：用以接收常规工况数据并通过数据传输单元发送到服务器单元；数据传输单元：用以实现终端处理单元和服务器单元之间的数据传输；服务器单元：接收常规工况数据进行预处理形成常规工况数据集，构建高斯过程回归模型并进行标准工况和极端工况的训练得到训练好的高斯过程回归模型并反馈给终端处理单元；人机交互单元：用以接收电机输入数据，进行电机极端工况性能预测并显示预测结果。与现有技术相比，本发明具有全工况预测、成本低等优点。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.021 seconds)
