-
公开(公告)号：CN116493273A
公开(公告)日：2023-07-28
申请号：CN202310515639.2
申请日：2023-05-09
Applicant: 杭州电子科技大学 , 上海越冲科技有限公司
Abstract: 本发明公开了一种半导体外观破损成品剔除装置，其包括：主柜体，所述主柜体的侧壁设置有横向贯通的检测仓，且所述检测仓的前侧方设置有安装在所述主柜体上的透明玻璃窗；滑台模组架，所述滑台模组架安装在所述检测仓的内顶部，所述滑台模组架的移动台上固定设置有两个第一电缸，每个所述第一电缸的驱动端均固定安装有劣品分选机构；以及传输机构，所述传输机构设置于所述主柜体的右侧方，且所述传输机构的末端穿过所述检测仓，并延伸至所述主柜体的左侧方。本发明装置中设置有托载机构和劣品分选机构，两者能够配合进行分选劣品半导体器件，大幅提高半导体器件的生产效率及质量。
-
公开(公告)号：CN120030323A
公开(公告)日：2025-05-23
申请号：CN202510050577.1
申请日：2025-01-13
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G01R31/392 , G01R31/367 , G01R31/385 , G06F18/25 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F17/18 , G06F17/16
Abstract: 本发明公开了基于随机特征和神经网络的梯次利用电池SOH估计方法，该方法从退役电池在梯次利用期间的真实使用数据中提取老化特征，并搭建注意力TCN网络，将多个充放电循环的老化特征作为注意力TCN网络的特征输入，对应的电池容量作为标签，进行自适应融合，得到预测的电池健康状态。本方法设计了用于梯次利用阶段退役电池的健康状态估计，充分考虑到退役电池的充放电的随机性和复杂型，使用从随机充电阶段提取的老化特征作为网络输入，捕捉电池充电过程中的重要信息，专注于重点时序特征，提高了网络模型研究时间序列长期依赖关系的能力，测量过程相较简单，并能够及时估算退役电池在梯次利用期间的健康状态。
-
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
Applicant: 杭州电子科技大学
IPC: G01R31/367 , G01R31/392 , G06N3/0442 , G06N3/0464 , G06N3/045
Abstract: 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：CN114839539A
公开(公告)日：2022-08-02
申请号：CN202210463421.2
申请日：2022-04-28
Applicant: 杭州电子科技大学
IPC: G01R31/367 , G01R31/378 , G01R31/392
Abstract: 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。
-
公开(公告)号：CN118444159B
公开(公告)日：2025-04-15
申请号：CN202410444223.0
申请日：2024-04-15
Applicant: 杭州电子科技大学
IPC: G01R31/367 , G01R31/382 , G01R31/396
Abstract: 本发明公开了一种Mamba架构驱动的电池包SOC与SOE估计方法，该方法首先电动汽车电池包原始数据采集和预处理，并将预处理后的电池数据制作为数据集。其次构建Mamba网络，所述Mamba网络模型包括全连接层、特征层正则化、门控单元及选择性状态空间模型SSM模块。最后搭建两个任务层，由Mamba网络的输出，分别实现电动汽车电池包SOC与SOE的估计。本发明同时估计电池包SOC与SOE，提高模型计算效率，减少计算与存储需求，测量过程简单，并能够及时、准确估算锂离子电池SOC与SOE。
-
Patent Agency Ranking
公开(公告)号：CN116467580A
公开(公告)日：2023-07-21
申请号：CN202310431133.3
申请日：2023-04-21
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G06F18/25 , G06F18/214 , G06F30/27 , G06N3/0464 , G06N3/0442 , G06N3/08 , H01M10/42 , H01M10/0525 , G06F119/04
Abstract: 本发明公开了一种基于TTSNet的锂离子电池SOH估算与RUL预测方法，包括如下步骤：S1、构建TTSNet网络模型；S2、通过时序transformer的特征提取网络分别通过相应的提取支路对预处理后的电池数据中电压、电流和温度数据进行特征提取，得到丰富的语义信息特征；S3、通过AGFF的特征融合网络，对提取的语义信息特征进行自适应融合，得到神经网络的预测输出；S4、基于TTSNet网络模型的SOH估算与RUL预测。该方法不仅可以自适应提取并交互锂离子电池输入时间序列中的有用信息，还考虑到长时间序列电压、电流、温度与容量之间的相关性，关注前后步长相关时序维度信息，提高了网络模型研究时间序列长期依赖关系的能力。最终得到实时、高精度的SOH估算与RUL预测结果。
-
公开(公告)号：CN119936668A
公开(公告)日：2025-05-06
申请号：CN202510031367.8
申请日：2025-01-09
Applicant: 杭州电子科技大学
IPC: G01R31/367 , G01R31/392 , G01R31/389 , G01R31/396 , G06N3/0442 , G06N3/084 , G06F18/213 , G06F18/24
Abstract: 本发明公开了考虑内阻的高压电池包状态估计联合故障诊断方法，该方法首先从高压电池包端获取微内阻数据，将高压电池包的微内阻数据和高压电池包长期运行数据，组成高压电池包原始数据集。其次对于高压电池包原始数据集中的数据进行相关性分析。然后搭建SOH估计网络，将相关性分析得到的数据输入SOH估计网络，得到SOH估计值。最后故障诊断网络搭建，以高压电池包微内阻、电池SOC和电池SOH估计值为输入，输出故障诊断结果，本发明不仅能够实现多场景下高压电池包联合SOH精准估计和故障诊断，还能提升电池状态监测与预测的效率，有助于提高电池使用寿命与运行安全性。
-
公开(公告)号：CN116467580B
公开(公告)日：2025-03-21
申请号：CN202310431133.3
申请日：2023-04-21
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G06F18/25 , G06F18/214 , G06F30/27 , G06N3/0464 , G06N3/0442 , G06N3/08 , H01M10/42 , H01M10/0525 , G06F119/04
Abstract: 本发明公开了一种基于TTSNet的锂离子电池SOH估算与RUL预测方法，包括如下步骤：S1、构建TTSNet网络模型；S2、通过时序transformer的特征提取网络分别通过相应的提取支路对预处理后的电池数据中电压、电流和温度数据进行特征提取，得到丰富的语义信息特征；S3、通过AGFF的特征融合网络，对提取的语义信息特征进行自适应融合，得到神经网络的预测输出；S4、基于TTSNet网络模型的SOH估算与RUL预测。该方法不仅可以自适应提取并交互锂离子电池输入时间序列中的有用信息，还考虑到长时间序列电压、电流、温度与容量之间的相关性，关注前后步长相关时序维度信息，提高了网络模型研究时间序列长期依赖关系的能力。最终得到实时、高精度的SOH估算与RUL预测结果。
-
公开(公告)号：CN117970155A
公开(公告)日：2024-05-03
申请号：CN202410114943.0
申请日：2024-01-26
Applicant: 杭州电子科技大学
IPC: G01R31/392
Abstract: 本发明公开了基于老化因子和混叠网络的梯次利用电池状态估计方法，该方法从退役电池在梯次利用期间的实验数据中提取老化因子，并利用皮尔逊相关系数筛选与真实电池容量之间的具有强关联性的老化因子。搭建时间‑通道混叠网络模型，将筛选后的老化因子作为网络模型的输入，对应的电池容量作为网络输入标签，进行自适应融合，得到预测的电池健康状态。本方法设计了用于梯次利用期间退役电池的健康状态估计方法，充分考虑退役电池的复杂性和多样性，使用多维老化因子作为网络模型输入，关注前后步长相关时序维度信息，提高了网络模型研究时间序列长期依赖关系的能力，测量过程简单，并能够及时、准确估算已退役电池在梯次利用期间的电池健康状态。
-
公开(公告)号：CN117494558A
公开(公告)日：2024-02-02
申请号：CN202311447894.4
申请日：2023-11-02
Applicant: 杭州电子科技大学
IPC: G06F30/27 , G06F18/20 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/0499 , G06N3/084 , G06F18/25 , G01R31/367 , G01R31/378 , G01R31/392 , G06F119/04
Abstract: 本发明公开了一种基于自适应联合模型的锂离子电池SOH估计方法，该方法首先构建初始锂电池数据集，并搭建空间‑通道自适应联合模型的嵌入模块，对输入完成输入特征和位置信息的嵌入。其次搭建空间‑通道自适应联合模型的序列金字塔引导SPG模块。然后搭建空间‑通道自适应联合模型的序列金字塔传播SPS模块，并设置一个只有一个节点的全连接层，预测连续数值的输出，得到估计结果。最后通过训练集训练由上述嵌入模块、SPG模块和SPS模块构成的空间‑通道自适应联合模型，再通过测试集进行测试，得到锂离子电池SOH估计结果。本发明实现了全方位信息抽取，提高了SOH预测精度。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.02 seconds)
