-
公开(公告)号：CN110308397B
公开(公告)日：2021-04-02
申请号：CN201910695409.2
申请日：2019-07-30
Applicant: 重庆邮电大学
IPC: G01R31/367 , G01R31/378 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，属于电池技术领域。利用分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障频谱，构成用于锂电池故障诊断的混合大数据标注样本；设计面向混合锂电池故障样本的全局卷积神经网络，以及分别针对实测的和筛选的锂电池故障数据的局部卷积神经网络，构成混合卷积神经网络锂电池故障诊断模型；通过对卷积神经网络中的全局与局部锂电池故障特征进行学习，并采用全连接分类映射，实现锂电池故障的多分类与定位。该方法提高了电池管理系统可靠性和安全性，减轻了参数众多引起的计算复杂性，解决了多物理耦合诊断模型在实际应用中仅能针对某一类锂电池故障诊断任务的问题。
-
公开(公告)号：CN110412467A
公开(公告)日：2019-11-05
申请号：CN201910696529.4
申请日：2019-07-30
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种归一化互信息准则约束的锂电池故障数据筛选方法，属于锂电池故障诊断领域。该方法包括以下步骤：S1：采集数据：通过传感器采集真实锂电池故障数据，使用感知生成网络生成候选锂电池故障数据；S2：采用分数阶傅里叶变换提取锂电池故障数据的特征；S3：采用归一化互信息作为锂电池故障数据的筛选测度，计算真实锂电池故障特征矩阵A与候选锂电池故障特征矩阵B之间的归一化互信息；S4：利用故障诊断实验选取筛选阈值。本发明能够使筛选的锂电池故障数据真实有效，同时还能提高筛选速度，为故障诊断的深度学习方法提供了高质量的数据保障。
-
公开(公告)号：CN110412467B
公开(公告)日：2021-07-23
申请号：CN201910696529.4
申请日：2019-07-30
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种归一化互信息准则约束的锂电池故障数据筛选方法，属于锂电池故障诊断领域。该方法包括以下步骤：S1：采集数据：通过传感器采集真实锂电池故障数据，使用感知生成网络生成候选锂电池故障数据；S2：采用分数阶傅里叶变换提取锂电池故障数据的特征；S3：采用归一化互信息作为锂电池故障数据的筛选测度，计算真实锂电池故障特征矩阵A与候选锂电池故障特征矩阵B之间的归一化互信息；S4：利用故障诊断实验选取筛选阈值。本发明能够使筛选的锂电池故障数据真实有效，同时还能提高筛选速度，为故障诊断的深度学习方法提供了高质量的数据保障。
-
公开(公告)号：CN111220921A
公开(公告)日：2020-06-02
申请号：CN202010017957.2
申请日：2020-01-08
Applicant: 重庆邮电大学
IPC: G01R31/388 , G01R31/367 , G01R31/396 , G01R31/392 , G01R31/00 , G06N3/04 , G06N3/08
Abstract: 本发明涉及基于改进卷积-长短时记忆神经网络的锂电池容量估算方法，属于锂电池技术领域。本发明通过对锂电池数据的处理、遗传算法对改进的卷积-长短时记忆神经网络神经网络调参、改进的CNN-LSTM神经网络训练和模型测试这四个步骤得到锂电池容量估算的模型。本发明引进经验模态分解算法对锂电池数据进行分解，从而实现数据去噪。遗传算法优化改进的CNN-LSTM神经网络超参数。利用卷积神经网络提取锂电池充放电数据的空间特征，再将这些特征输入改进的长短时记忆神经网络进行时间特征的提取，最后通过全连接层输出估算的容量。本发明克服了传统的基于模型的算法过度依赖电池模型的局限性，且预测精度高，具有一定工程应用性。
-
公开(公告)号：CN110399975A
公开(公告)日：2019-11-01
申请号：CN201910696488.9
申请日：2019-07-30
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种面向硬件移植的锂电池深度诊断模型的模型压缩算法，属于深度神经网络模型压缩领域，包括以下步骤：S1：利用阈值学习方法获取锂电池故障诊断模型中的混合卷积神经网络重要权值，在不损失精度的情况下减少网络规模；S2：采用数值聚合方式量化强制实现权值共享，使用压缩稀疏格式存储有效的共享权值编码与和索引；S3：通过顶部标量量化和底部质心微调进行权值分配与哈夫曼编码，使用可变长度码编码权重与索引，进一步减少网络所需要的存储空间。本发明采用的修剪，量化和霍夫曼编码的三级流水线方式，在每一级流水线中，都能够在不损失精度的前提下，一步一步的删除冗余权重，大大压缩网络模型。
-
Patent Agency Ranking
公开(公告)号：CN110308397A
公开(公告)日：2019-10-08
申请号：CN201910695409.2
申请日：2019-07-30
Applicant: 重庆邮电大学
IPC: G01R31/367 , G01R31/378 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，属于电池技术领域。利用分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障频谱，构成用于锂电池故障诊断的混合大数据标注样本；设计面向混合锂电池故障样本的全局卷积神经网络，以及分别针对实测的和筛选的锂电池故障数据的局部卷积神经网络，构成混合卷积神经网络锂电池故障诊断模型；通过对卷积神经网络中的全局与局部锂电池故障特征进行学习，并采用全连接分类映射，实现锂电池故障的多分类与定位。该方法提高了电池管理系统可靠性和安全性，减轻了参数众多引起的计算复杂性，解决了多物理耦合诊断模型在实际应用中仅能针对某一类锂电池故障诊断任务的问题。
-
公开(公告)号：CN110824364A
公开(公告)日：2020-02-21
申请号：CN201911018344.4
申请日：2019-10-24
Applicant: 重庆邮电大学
IPC: G01R31/367 , G01R31/392 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法，属于锂电池PHM领域。该方法包括：1)集多个电池充放电周期电压、电流、温度和对应的容量值；2)构建深度AST-LASTM模型；3)基于AST-LSTM神经网络模型的锂电池SOH估计和RUL预测。本发明仅需待测锂电池的电压、电流、温度和时间即可获得电池容量数据，从而估算出锂电池SOH和RUL，测量过程简单，误差小精度高。
-
公开(公告)号：CN112098878A
公开(公告)日：2020-12-18
申请号：CN202010967389.2
申请日：2020-09-15
Applicant: 重庆邮电大学
IPC: G01R31/392 , G01R31/389 , G01R31/36
Abstract: 本发明涉及一种锂电池SOH估算和RUL预测的端到端神经网络建立方法，属于电池技术领域。在数据端，对测量的电池样本进行组织，以使其适用于SOH监测和RUL预测任务。在自动建模过程中，通过KS检验研究了神经网络超参数的先验分布。结合这种先验分布和在顺序演化过程中生成的后超参数分布，将根据结果端的预期输出自动调整基于神经网络的模型。本方法应用在SOH监测和RUL预测任务中可以获得较好的效果。
-
公开(公告)号：CN112098878B
公开(公告)日：2023-11-03
申请号：CN202010967389.2
申请日：2020-09-15
Applicant: 重庆邮电大学
IPC: G01R31/392 , G01R31/389 , G01R31/36
Abstract: 本发明涉及一种锂电池SOH估算和RUL预测的端到端神经网络建立方法，属于电池技术领域。在数据端，对测量的电池样本进行组织，以使其适用于SOH监测和RUL预测任务。在自动建模过程中，通过KS检验研究了神经网络超参数的先验分布。结合这种先验分布和在顺序演化过程中生成的后超参数分布，将根据结果端的预期输出自动调整基于神经网络的模型。本方法应用在SOH监测和RUL预测任务中可以获得较好的效果。
-
公开(公告)号：CN110824364B
公开(公告)日：2021-11-19
申请号：CN201911018344.4
申请日：2019-10-24
Applicant: 重庆邮电大学
IPC: G01R31/367 , G01R31/392 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于AST‑LSTM神经网络的锂电池SOH估计与RUL预测方法，属于锂电池PHM领域。该方法包括：1)集多个电池充放电周期电压、电流、温度和对应的容量值；2)构建深度AST‑LASTM模型；3)基于AST‑LSTM神经网络模型的锂电池SOH估计和RUL预测。本发明仅需待测锂电池的电压、电流、温度和时间即可获得电池容量数据，从而估算出锂电池SOH和RUL，测量过程简单，误差小精度高。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.028 seconds)
