-
公开(公告)号：CN107797067B
公开(公告)日：2019-09-27
申请号：CN201710341928.X
申请日：2017-05-16
Applicant: 北京航空航天大学 , 宁德时代新能源科技股份有限公司
IPC: G01R31/367 , G01R31/378 , G01R31/392 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种新的锂离子电池寿命迁移预测方法：首先，建立同温度同倍率不同配方电池的容量退化数据库；其次，确定好目标电池后，通过相似性度量选择出与目标电池容量退化规律相似的电池；最后，基于深度学习方法开展跨配方电池寿命迁移预测，实现目标电池的剩余循环寿命预测。同时，考虑经济性目标和电池寿命退化的不可逆转性，优化设计电池循环寿命试验，节省电池试验设计。该方法能够针对锂离子电池实现准确的剩余寿命预测，大幅度地减少研发阶段寿命试验的试验时间和试验量，缩短新产品研发周期，降低研发阶段费用，有效提高了系统的可靠性和安全性。
-
公开(公告)号：CN107797067A
公开(公告)日：2018-03-13
申请号：CN201710341928.X
申请日：2017-05-16
Applicant: 北京航空航天大学 , 宁德时代新能源科技股份有限公司
IPC: G01R31/36
Abstract: 本发明提出一种新的锂离子电池寿命迁移预测方法：首先，建立同温度同倍率不同配方电池的容量退化数据库；其次，确定好目标电池后，通过相似性度量选择出与目标电池容量退化规律相似的电池；最后，基于深度学习方法开展跨配方电池寿命迁移预测，实现目标电池的剩余循环寿命预测。同时，考虑经济性目标和电池寿命退化的不可逆转性，优化设计电池循环寿命试验，节省电池试验设计。该方法能够针对锂离子电池实现准确的剩余寿命预测，大幅度地减少研发阶段寿命试验的试验时间和试验量，缩短新产品研发周期，降低研发阶段费用，有效提高了系统的可靠性和安全性。
-
公开(公告)号：CN115332646B
公开(公告)日：2024-05-31
申请号：CN202210964325.6
申请日：2022-08-11
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种用于高温安全水系锌离子二次电池的电解液、其制备方法及应用，属于电化学储能技术领域。其电解液包括含锌的电解质盐，水和添加剂；所述添加剂为完全或部分溶于水的有机小分子化合物、高分子化合物或特定的金属盐。在100℃高温下，基于该电解液的Zn金属沉积/剥离效率高达98.13％，且可稳定循环400圈；此外基于该电解液，以锌箔为负极，以碲/碳复合材料为正极，组装的高温安全水系锌离子全电池，在100℃，于2C倍率下，在100圈循环后保持195.7mAh g‑1的放电比容量，实现了在100℃高温下水系锌离子电池的稳定循环。本发明提供的电解液、电池其制备方法简单，安全性高，成本低廉，性能优异，适合大规模生产。
-
公开(公告)号：CN115332646A
公开(公告)日：2022-11-11
申请号：CN202210964325.6
申请日：2022-08-11
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种用于高温安全水系锌离子二次电池的电解液、其制备方法及应用，属于电化学储能技术领域。其电解液包括含锌的电解质盐，水和添加剂；所述添加剂为完全或部分溶于水的有机小分子化合物、高分子化合物或特定的金属盐。在100℃高温下，基于该电解液的Zn金属沉积/剥离效率高达98.13％，且可稳定循环400圈；此外基于该电解液，以锌箔为负极，以碲/碳复合材料为正极，组装的高温安全水系锌离子全电池，在100℃，于2C倍率下，在100圈循环后保持195.7mAh g‑1的放电比容量，实现了在100℃高温下水系锌离子电池的稳定循环。本发明提供的电解液、电池其制备方法简单，安全性高，成本低廉，性能优异，适合大规模生产。
-
公开(公告)号：CN106053074B
公开(公告)日：2019-12-20
申请号：CN201610624400.9
申请日：2016-08-02
Applicant: 北京航空航天大学
IPC: G01M13/045 , G01H17/00
Abstract: 本发明公开了一种基于STFT和转动惯量熵的滚动轴承声音信号故障特征提取方法。常见的滚动轴承故障特征提取方法是基于滚动轴承振动信号的，然而对滚动轴承振动数据的采集对传感器的要求非常高，增加了设备成本，而智能手机作为日常生活的重要组成部分，其录音功能可对滚动轴承运行声音信号进行采集。本发明提出了基于声音信号短时傅里叶变换(STFT)和转动惯量熵的滚动轴承故障特征提取方法，该方法首先使用智能手机采集滚动轴承故障声音信号，然后对声音信号进行短时傅里叶分析，得到语谱图矩阵，接着获取矩阵的模值，然后计算语谱图的转动惯量熵。试验结果分析表明，该方法所获取的故障特征具有优良的分类特性，能很好的支持滚动轴承故障诊断工作。
-
Patent Agency Ranking
公开(公告)号：CN107526853B
公开(公告)日：2018-09-21
申请号：CN201610456903.X
申请日：2016-06-22
Applicant: 北京航空航天大学
Abstract: 本发明公开了基于层叠卷积网络的滚动轴承故障模式识别方法及装置，涉及滚动轴承故障诊断领域，所述方法包括：对已知状态的滚动轴承的振动信号进行时频域特征提取；将所得到的已知状态的滚动轴承的时频域特征规整为符合CNN网络输入格式的特征图元；将所述特征图元输入至CNN网络，并通过在所述CNN网络进行前向自学习和基于梯度下降的反向传播处理，调整所述CNN网络的模型参数，得到训练完成的CNN网络；在识别实际滚动轴承故障模式时，以未知状态的滚动轴承的振动信号时频域特征为输入，利用训练完成的CNN网络逐层提取能够反映本征信息的高阶特征，再将逐层特征自学习的结果输入到顶层分类器中，实现滚动轴承在多工况和强噪声情况下的故障模式识别。
-
公开(公告)号：CN104792530B
公开(公告)日：2017-03-22
申请号：CN201510178093.1
申请日：2015-04-15
Applicant: 北京航空航天大学
IPC: G01M13/04
Abstract: 本发明提出了一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法，本方法在滚动轴承故障分析的基础上，针对目前分类算法鲁棒性和精度受限的问题，借鉴图像模式识别的相关领域知识，采用基于多层神经网络的深度学习自主认知方法，通过层叠降噪自动编码器模型实现了原始数据在输入部分遮挡条件下的自表达，并将重构数据输入至Softmax回归模型判断滚动轴承的工作状态和故障类型。试验结果分析表明，该方法能有效地应用于滚动轴承的故障诊断。
-
公开(公告)号：CN106980822A
公开(公告)日：2017-07-25
申请号：CN201710148872.6
申请日：2017-03-14
Applicant: 北京航空航天大学
CPC classification number: G06K9/00536 , G06F17/148 , G06K9/00523 , G06K9/6256 , G06N3/084
Abstract: 本发明公开了一种基于选择性集成学习的旋转机械故障诊断方法，包括：对已知输入信号进行预处理，得到训练序列；利用Bagging算法对所述训练序列进行处理，生成一系列差异化的基学习机；通过选择性集成学习，对所述一系列差异化的基学习机进行优选，得到训练好的PSOSEN模型；利用训练好的PSOSEN模型进行旋转机械故障诊断。本发明解决了现有技术中存在的难于从一系列分类器中选出性能较好的分类器的难题。
-
公开(公告)号：CN107526853A
公开(公告)日：2017-12-29
申请号：CN201610456903.X
申请日：2016-06-22
Applicant: 北京航空航天大学
Abstract: 本发明公开了基于层叠卷积网络的滚动轴承故障模式识别方法及装置，涉及滚动轴承故障诊断领域，所述方法包括：对已知状态的滚动轴承的振动信号进行时频域特征提取；将所得到的已知状态的滚动轴承的时频域特征规整为符合CNN网络输入格式的特征图元；将所述特征图元输入至CNN网络，并通过在所述CNN网络进行前向自学习和基于梯度下降的反向传播处理，调整所述CNN网络的模型参数，得到训练完成的CNN网络；在识别实际滚动轴承故障模式时，以未知状态的滚动轴承的振动信号时频域特征为输入，利用训练完成的CNN网络逐层提取能够反映本征信息的高阶特征，再将逐层特征自学习的结果输入到顶层分类器中，实现滚动轴承在多工况和强噪声情况下的故障模式识别。
-
公开(公告)号：CN106053074A
公开(公告)日：2016-10-26
申请号：CN201610624400.9
申请日：2016-08-02
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于STFT和转动惯量熵的滚动轴承声音信号故障特征提取方法。常见的滚动轴承故障特征提取方法是基于滚动轴承振动信号的，然而对滚动轴承振动数据的采集对传感器的要求非常高，增加了设备成本，而智能手机作为日常生活的重要组成部分，其录音功能可对滚动轴承运行声音信号进行采集。本发明提出了基于声音信号短时傅里叶变换(STFT)和转动惯量熵的滚动轴承故障特征提取方法，该方法首先使用智能手机采集滚动轴承故障声音信号，然后对声音信号进行短时傅里叶分析，得到语谱图矩阵，接着获取矩阵的模值，然后计算语谱图的转动惯量熵。试验结果分析表明，该方法所获取的故障特征具有优良的分类特性，能很好的支持滚动轴承故障诊断工作。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.086 seconds)
