公开(公告)号：CN119511087A

公开(公告)日：2025-02-25

申请号：CN202411193430.X

申请日：2024-08-28

Applicant: 北京理工大学 ,  北京空间飞行器总体设计部

Inventor： 史大威 ,  高天然 ,  刘治钢 ,  崔楷欣 ,  付晗静 ,  李海津

IPC: G01R31/367 ,  G01R31/388 ,  G01R31/378 ,  G06N3/0442 ,  G06N3/096

Abstract: 本发明公开了基于数据增强的锂电池荷电状态迁移学习估计方法，属于电池检测技术领域，包括以下步骤：S1、选用CALCE锂电池作为源数据集，选用一种新型的锂电池实验数据作为目标数据集；S2、根据等效电路模型和数据集中的电流和电压，结合具有遗忘因子的递归最小二乘法进行数据增强；S3、改进长短期记忆网络增强数据长短期特征捕获能力，设计网络框架配置参数，确定最优SOC估计迁移学习方案。本发明采用上述的基于数据增强的锂电池荷电状态迁移学习估计方法，通过等效电路模型实现数据增强，设计网络架构捕获可测量数据和SOC的特征关系，应用迁移学习方法快速适应不同工作状况及不同化学特性/型号锂电池模型并实现SOC的准确估计，节约人力和时间成本。

公开(公告)号：CN118153433A

公开(公告)日：2024-06-07

申请号：CN202410278662.9

申请日：2024-03-12

Applicant: 北京理工大学 ,  北京空间飞行器总体设计部

Inventor： 史大威 ,  高天然 ,  刘治钢 ,  崔楷欣 ,  付晗静 ,  李海津

IPC: G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  H03H17/02 ,  G06F17/13 ,  G06F111/04

Abstract: 本发明公开了基于物理信息神经网络的事件触发模型学习方法，涉及人工智能技术领域，步骤一、构建系统的物理信息神经网络，完成系统的模型辨识；步骤二、根据系统模型和实时输入输出，结合无迹卡尔曼滤波器对系统进行在线状态估计；步骤三、利用状态估计结果，结合模型进行一步前向输出预测并计算预测误差，通过事件触发学习机制判断是否需要更新模型。本发明采用上述基于物理信息神经网络的事件触发模型学习方法，通过构建物理信息神经网络系统辨识方法和事件触发学习方法，提出的物理信息神经网络，结合传统的机理分析建模方法和数据驱动建模方法的优势，兼顾辨识模型可解释性的同时提高模型辨识的准确度。

公开(公告)号：CN118153433B

公开(公告)日：2024-12-10

申请号：CN202410278662.9

申请日：2024-03-12

Applicant: 北京理工大学 ,  北京空间飞行器总体设计部

Inventor： 史大威 ,  高天然 ,  刘治钢 ,  崔楷欣 ,  付晗静 ,  李海津

IPC: G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  H03H17/02 ,  G06F17/13 ,  G06F111/04

Abstract: 本发明公开了基于物理信息神经网络的事件触发模型学习方法，涉及人工智能技术领域，步骤一、构建系统的物理信息神经网络，完成系统的模型辨识；步骤二、根据系统模型和实时输入输出，结合无迹卡尔曼滤波器对系统进行在线状态估计；步骤三、利用状态估计结果，结合模型进行一步前向输出预测并计算预测误差，通过事件触发学习机制判断是否需要更新模型。本发明采用上述基于物理信息神经网络的事件触发模型学习方法，通过构建物理信息神经网络系统辨识方法和事件触发学习方法，提出的物理信息神经网络，结合传统的机理分析建模方法和数据驱动建模方法的优势，兼顾辨识模型可解释性的同时提高模型辨识的准确度。

公开(公告)号：CN118859952A

公开(公告)日：2024-10-29

申请号：CN202410901603.2

申请日：2024-07-05

Applicant: 北京理工大学

Inventor： 宋鹏 ,  史大威 ,  陈怀宇 ,  崔楷欣 ,  王军政

IPC: G05D1/43 ,  G05D1/65 ,  G05D1/644 ,  G05D1/648 ,  G05D109/10

Abstract: 本发明公开了一种基于元强化学习的多机器人动态任务规划方法，涉及机器人系统任务调度领域，S1：建立多个具有代表性的任务规划场景的数学模型；S2：应用元强化学习方法，在步骤S1中建立的任务规划场景中进行预训练，得到通用的任务规划算法参数；S3：建立目标任务规划场景的数学模型；S4：应用深度强化学习方法，基于步骤S2中得到的算法参数进行微调，得到适合目标场景的最优任务规划方法。本发明设计了一种基于元强化学习的任务规划算法，在任务无法预先确定的动态任务规划场景中，能在较短时间内获得效率较高的任务规划方案，且在场景发生变化时，能在少次更新后达到与原先持平的性能水平，极大地提高了算法对动态环境的适应能力。

公开(公告)号：CN116527060B

公开(公告)日：2024-01-05

申请号：CN202310612606.X

申请日：2023-05-29

Applicant: 北京理工大学

Inventor： 史大威 ,  高天然 ,  崔楷欣 ,  宋继良 ,  王军政

IPC: H03M7/30 ,  G06F17/18 ,  G06F17/16

Abstract: 本发明公开了基于事件触发采样的信息压缩与异常检测方法，包括以下步骤：S1、确定系统数据采样事件触发条件和阈值，完成测量变量的数据采样；S2、根据事件触发采样测量变量，设计事件触发卡尔曼滤波器重构数据；S3、利用残差分析数据进行故障检测。本发明采用上述基于事件触发采样的信息压缩与异常检测方法，可在减小传输信道传输压力的基础上，对采样后的数据进行了数据重构，并根据重构数据进行系统的故障检测，保证了后续系统性能分析的准确性和安全性。(56)对比文件王君;姚晓婉;李炜.事件触发机制下NNCS的主被动混合容错控制.兰州理工大学学报.2017,(第05期),全文.

公开(公告)号：CN116413629A

公开(公告)日：2023-07-11

申请号：CN202310298893.1

申请日：2023-03-24

Applicant: 北京理工大学

Inventor： 史大威 ,  付晗静 ,  崔楷欣 ,  高天然

IPC: G01R31/392 ,  G01R31/385 ,  G01R31/367 ,  G06F30/3323 ,  G06F30/27 ,  G06N3/048 ,  G06N3/096

Abstract: 本发明提供一种基于物理信息神经网络的航天器锂电池健康状态估计方法，其特征在于，包括以下步骤：建立电池单体的二阶混合等效电路模型，将所述等效电路模型的开路电压与电池的荷电状态之间的关系采用多层感知器表示；利用所采集的样本数据中开路电压与电池的荷电状态，对所述多层感知器进行训练；将所述多层感知器作为物理神经网络模型的数据驱动层，设计物理信息神经网络模型；利用所采集样本数据中的放电曲线进行物理神经网络模型的训练，利用训练后的神经网络模型实现电池健康状态的估计。本发明无需额外的测试，在使用有限的数据建立物理信息神经网络模型的基础上，准确地实现健康状态在线估计，保证航天器稳定运行。

公开(公告)号：CN116527060A

公开(公告)日：2023-08-01

申请号：CN202310612606.X

申请日：2023-05-29

Applicant: 北京理工大学

Inventor： 史大威 ,  高天然 ,  崔楷欣 ,  宋继良 ,  王军政

IPC: H03M7/30 ,  G06F17/18 ,  G06F17/16

Abstract: 本发明公开了基于事件触发采样的信息压缩与异常检测方法，包括以下步骤：S1、确定系统数据采样事件触发条件和阈值，完成测量变量的数据采样；S2、根据事件触发采样测量变量，设计事件触发卡尔曼滤波器重构数据；S3、利用残差分析数据进行故障检测。本发明采用上述基于事件触发采样的信息压缩与异常检测方法，可在减小传输信道传输压力的基础上，对采样后的数据进行了数据重构，并根据重构数据进行系统的故障检测，保证了后续系统性能分析的准确性和安全性。