-
公开(公告)号：CN103344923B
公开(公告)日：2015-07-08
申请号：CN201310331872.1
申请日：2013-08-01
Applicant: 哈尔滨工业大学
IPC: G01R31/36
Abstract: 基于EKF方法和NSDP-AR模型融合型锂离子电池循环寿命预测方法，涉及一种锂离子电池循环寿命预测方法。为了解决目前基于模型的方法对于不同电池及不同工作状态适应能力低和电池容量非线性退化趋势预测能力差的问题，首先，对在线测量待测锂电池的容量数据进行预处理，并离线测量与该待测锂电池同型号的锂电池的真实容量退化数据；其次，基于EKF方法确定锂电池状态空间模型的参数；然后，根据上述建立的锂电池状态空间模型对待测锂电池进行状态估计，利用NSDP-AR模型的输出进行待测锂电池的状态更新，锂电池状态空间模型获取每一个充放电循环的电池容量数据，并将数据与待测锂电池的失效阈值比较获取锂电池剩余寿命；本发明主要应用在电池寿命预测领域。
-
公开(公告)号：CN104699458A
公开(公告)日：2015-06-10
申请号：CN201510144307.3
申请日：2015-03-30
Applicant: 哈尔滨工业大学
IPC: G06F9/30
Abstract: 定点向量处理器及其向量数据访存控制方法，涉及一种用于在线时间序列预测的向量处理器。是为了解决现有的向量处理器无法针对特定方法进行优化导致的通用性不强和不能满足在线计算的需求的问题。本发明所述的定点向量处理器，包括程序计数器、微码存储器、向量存储器、算术逻辑单元和数据控制单元。通过前述定点向量处理器的各个模块之间的信号处理流程，构成完整的定点向量处理器。通过异构ALU设计，每个数据通路的ALU结构可以根据计算需要灵活的改变，实现指令集的灵活配置。适用于复杂计算需求的场合。
-
公开(公告)号：CN102788955B
公开(公告)日：2015-02-11
申请号：CN201210246132.3
申请日：2012-07-17
Applicant: 哈尔滨工业大学
Abstract: 基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法，涉及基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法。它为了解决现有预测方法选择合适的网络拓扑困难，训练时需训练网络的全部的权值，计算时容易陷入局部最优的问题。本发明对100个测试数据单元进行分类，得到k个测试数据集合；每个测试数据集合对应一个ESN的涡轮发电机的分类子模型，每个ESN的涡轮发电机分类子模型的参数不同，k个ESN的涡轮发电机的分类子模型组成分类子模型库；将每个测试数据输入与该数据集合对应ESN的涡轮发电机的分类子模型进行运算得到该测试数据的剩余寿命预测值。本发明适用于涡轮发动机等领域。
-
公开(公告)号：CN104156791A
公开(公告)日：2014-11-19
申请号：CN201410437025.8
申请日：2014-08-29
Applicant: 哈尔滨工业大学
Abstract: 基于LS-SVM的概率集成学习锂离子电池剩余寿命预测方法，涉及一种电池剩余寿命预测方法。本发明为了解决传统的预测模型的预测精度有限的问题和稳定性不好的问题。本发明构建LS-SVM预测模型，构造输入向量并选择合适的输入向量维数及超参数范围，在一定范围内随机选择多组参数构成多个LS-SVM集成学习模型的子模型，并将子模型结果进行集成输出，极大程度上减小了精确确定参数的难度，并大幅度提高了预测准确性及稳定程度。本发明适用于电池剩余寿命预测。
-
公开(公告)号：CN104156615A
公开(公告)日：2014-11-19
申请号：CN201410422010.4
申请日：2014-08-25
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 基于LS-SVM的传感器检测数据点异常检测方法，属于航天器测试数据的异常检测领域。为了解决目前对时间序列数据进行异常检测的方法实时性和有效性差的问题。它包括：一：获取训练数据和测试数据；二：建立LS-SVM预测模型，利用训练数据训练好模型；三：将测试数据中下一时刻输入向量输入模型中，获取下一时刻预测值，求出对应该时刻的真实观测值的估计方差；四：根据预测值和估计方差，确定P置信概率下的置信区间；五：当下一时刻真实观测数据到来时，判断所述真实观测数据是否在置信区间内，若是，标记正常，返回三；若否，标记异常，预测值替换观测真实数据，用替换后时间序列构造之后的输入向量，返回三。它用于航天器测试数据。
-
Patent Agency Ranking
公开(公告)号：CN104063511A
公开(公告)日：2014-09-24
申请号：CN201410325766.7
申请日：2014-07-09
Applicant: 哈尔滨工业大学
IPC: G06F17/30
CPC classification number: G06F17/30312
Abstract: 基于相关性度量的复杂系统监督图嵌入结构化数据可视化监测方法，涉及复杂系统监督图嵌入结构化数据监测方法。它是为了解决现有对复杂系统监督图嵌入结构化数据难以实现可视化监测的问题。本发明对复杂系统高维数据进行维数约减，并保存数据点之间的空间结构关系。将高维数据降到人眼可见的二维或三维，在可见空间中观察数据点之间的结构关系，实现高维数据可视化呈现。本发明适用于复杂系统监督图嵌入结构化数据可视化监测场合。
-
公开(公告)号：CN102749584B
公开(公告)日：2014-07-30
申请号：CN201210264221.0
申请日：2012-07-17
Applicant: 哈尔滨工业大学
Abstract: 基于Kalman滤波的ESN的涡轮发电机的剩余寿命预测方法，涉及基于Kalman滤波的ESN的涡轮发电机的剩余寿命预测方法。它为了解决现有预测方法选择合适的网络拓扑困难，训练时需训练网络的全部的权值，计算时容易陷入局部最优的问题。本发明在训练阶段，建立Kalman滤波的ESN涡轮发动机的数学模型，根据已知的输入单元u(n)和已知的输出单元y(n-1)，以及内部处理单元更新方程和Kalman滤波求得输出权值矩阵Wout；在测试阶段，将传感器测量获得涡轮发动机的24维数据作为输入单元数据集，带入训练后的数学模型输出单元的方程求得待测ESN的涡轮发动机剩余寿命预测值。本发明适用于涡轮发动机等领域。
-
公开(公告)号：CN103389471A
公开(公告)日：2013-11-13
申请号：CN201310317281.9
申请日：2013-07-25
Applicant: 哈尔滨工业大学
IPC: G01R31/36
Abstract: 一种基于GPR带有不确定区间的锂离子电池循环寿命间接预测方法，本发明涉及一种电池寿命预测方法。本发明解决了现有方法无法实现锂电池循环寿命预测的问题，本发明采用ESN算法，进行退化建模，采用高斯过程回归的建模方法，建立基于GPR的等压降放电时间预测模型进行基于ESN的退化模型训练与基于GPR的等压降放电时间预测模型训练，获得等压降放电时间预测模型，进行基于GPR的等压降放电时间预测模型，获得等压降放电时间的预测值；进行基于ESN的退化模型，获得下N1个放电周期的电池的放电容量；电池的剩余容量值与电池容量的失效阈值行比较，完成电池循环寿命的间接预测。本发明适用于电池寿命预测。
-
公开(公告)号：CN103336908A
公开(公告)日：2013-10-02
申请号：CN201310311043.7
申请日：2013-07-23
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 单调回声状态网络的剩余寿命预测方法，属于故障预测和系统健康管理领域，本发明为解决传统ESN无法准确预测寿命的问题。本发明方法：步骤一、随机建立单调回声状态网络模型MONESN：步骤二、进行网络动态训练，获得MONESN模型的单调递增或单调递减的输出权值，将该输出权值代入MONESN中获取训练后的MONESN；步骤三、将待预测寿命的涡轮发动机的剩余运行周期数输出给步骤二训练后的MONESN的输入单元，MONESN输出的即为待预测寿命的涡轮发动机的剩余寿命；或将待预测寿命的锂离子电池的剩余运行周期数输出给步骤二训练后的MONESN的输入单元，MONESN输出的即为待预测寿命的锂离子电池的剩余寿命。
-
公开(公告)号：CN103336877A
公开(公告)日：2013-10-02
申请号：CN201310317179.9
申请日：2013-07-25
Applicant: 哈尔滨工业大学
IPC: G06F17/50
Abstract: 一种基于RVM动态可重构的卫星锂离子电池剩余寿命预测系统及方法，涉及锂离子电池剩余寿命预测系统及方法。为了实现锂离子电池预测的不确定性表达、使锂离子电池剩余寿命预测方法更适用于资源有限的卫星系统环境。预测系统的动态可重构模块包括重构单元A和重构单元B，二者分时复用动态可重构模块的逻辑资源实现RVM训练和预测；通过多级流水的分段线性逼近法及并行计算结构实现高斯核函数流水计算，确保计算效率的充分提升。通过改进Cholesky分解方法实现对称正定阵的求逆计算，利用乘累减器减少了计算资源消耗，降低了计算延迟。实验表明：本发明利用FPGA有限的计算资源实现了与PC平台相近水平的计算精度，获得相对PC平台4倍的计算效率提升，动态重构的策略有效提高了硬件资源利用率。
-
-
-
-
-
-
-
-
-
Search Results
326
records
(took 0.058 seconds)
