-
公开(公告)号：CN119398415A
公开(公告)日：2025-02-07
申请号：CN202411470438.6
申请日：2024-10-21
Applicant: 内蒙古工业大学
IPC: G06Q10/0631 , H02J7/00 , G06Q10/0637 , G06Q10/0639 , G06Q50/06 , G06Q50/40 , G06N3/092 , H01M10/42
Abstract: 本发明公开了一种基于DQN算法的重型卡车电池系统智能决策方法及相关设备，首先分析了重型卡车电池系统的组成结构和运行能量流动关系，构建了详细的电池能耗计算模型；接着，从能耗计算模型中抽象出约束条件和优化目标，并将决策问题转化为马尔可夫决策过程；通过设计深度强化学习的状态、动作和奖励函数，构建了DQN模型，并利用历史数据进行训练，生成了能够根据当前状态选择最优动作的智能模型；系统实时获取电池的状态，并通过训练好的DQN模型计算最优动作，动态调整电池的能量分配和温度控制，从而实现能耗的最小化和系统性能的最优化。本发明能显著提升重型卡车的能源效率和系统性能，提高了车辆的整体运行效率和安全性。
-
公开(公告)号：CN118607373B
公开(公告)日：2025-03-28
申请号：CN202410759265.3
申请日：2024-06-13
Applicant: 暨南大学
IPC: G06F30/27 , G06N7/01 , G06N7/02 , G06N5/04 , G06F119/02
Abstract: 本发明公开了一种退役机电产品拆解工序的失效风险评估方法、装置及设备，所述方法包括：从退役机电产品的零部件失效层面出发，确定退役机电产品的拆解工序的失效行为表现，并通过引入模糊推理方法，处理多维失效变量进而精确描述退役机电产品的单个拆解工序的失效状态；利用改进离散萤火虫算法优化用于反映退役机电产品的失效拆解工序间因果关系的贝叶斯网络拓扑结构；使用期望最大参数估计方法来估计贝叶斯网络拓扑结构每个节点的贝叶斯网络参数，以估计退役机电产品的各个拆解工序的失效条件概率。本发明能够准确识别退役机电产品拆解过程中潜在的拆解工序的关联失效风险。
-
公开(公告)号：CN117907833A
公开(公告)日：2024-04-19
申请号：CN202311594059.3
申请日：2023-11-27
Applicant: 暨南大学 , 内蒙古科学技术研究院
IPC: G01R31/367 , G01R31/392
Abstract: 本发明公开了一种基于动力电池循环老化衰退决策主动再制造时域的方法，该方法包括以下步骤：基于单体不一致性的动力电池性能衰退状态量化的表征；解析模型与孪生数据融合的动力电池主动再制造时域的决策；通过分析有关动力电池主动再制造时域决策的影响因素，揭示了动力电池多尺度结构下单体不一致性对其整体性能衰退状态的影响规律；在提取动力电池单体性能参数数据的基础上，通过运用Sklar理论映射为动力电池整体性能衰退状态，进一步采用循环老化衰退机理和孪生数据融合的方法对动力电池主动再制造时域上下限进行决策，从而为延长动力电池使用寿命、动态预测动力电池主动再制造时域提供重要基础。
-
公开(公告)号：CN117574762A
公开(公告)日：2024-02-20
申请号：CN202311534220.8
申请日：2023-11-17
Applicant: 暨南大学 , 内蒙古科学技术研究院
IPC: G06F30/27 , G01R31/367 , G01R31/378 , G01R31/382 , G06N3/0455 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种动力电池数字孪生模型的构建方法，该构建方法包括以下步骤：动力电池多尺度映像模型的构建；数据驱动模型的构建；以动力电池多尺度映像模型为基础，叠加数据驱动模型，构建动力电池数字孪生模型；针对动力电池数字孪生模型的数据进行处理，优化动力电池数字孪生模型；通过针对动力电池服役周期数字孪生模型的精准构建，采用数据驱动方法对实时监测的数据进行信息提取，并将提取的信息数据补充到多尺度映像模型中，优化了初始多尺度映像模型的精度，以及针对动力电池服役周期孪生数据处理方法的研究，通过多尺度数字孪生模型构件加上孪生数据的优化处理，使得动力电池孪生数据得到高精度表达。
-
公开(公告)号：CN115758450A
公开(公告)日：2023-03-07
申请号：CN202211441976.3
申请日：2022-11-17
Applicant: 暨南大学 , 广东云熵科技有限公司
Abstract: 本发明公开了一种政务办公平台系统，包括系统支撑单元、技术支撑单元、业务支撑单元、工具集模块；所述系统支撑单元包括基础软件、操作系统、数据库和J2EE应用服务器，用于构成系统；所述技术支撑单元用于在系统支撑单元与应用系统之间建立技术、系统资源监控以及管理层，提供最佳编程模式、夹块不同技术平台之间开发和部署应用的速度；基于PKI技术，使用成熟的公开密钥机制，综合了密码技术、数字摘要技术、数字签名、虚拟专用网络、安全沙箱等多项安全技术以及一套成熟的安全管理机制来提供有效的信息安全服务，通过集成CA认证中心，使用户在办公平台中使用证书，完成用户认证、访问控制以及信息传输的机密性、完整性和抗抵赖性。
-
Patent Agency Ranking
公开(公告)号：CN115271568A
公开(公告)日：2022-11-01
申请号：CN202211206939.4
申请日：2022-09-30
Applicant: 暨南大学
Abstract: 本发明涉及基于强化学习‑群体进化混合算法的双边拆解线设计方法，所述方法包括以下步骤：S1、定义与、或优先关系；S2、建立以优化产线布置、经济效益和安全环保三个方面共六个指标的数学模型；S3、初始化种群，建立外部档案储存Pareto较优解，建立R值表记录算子的改进效果，建立Q值表储存Q值；S4、采用群优化算法迭代更新外部档案，同时记录每代优化算子的对于目标的改进值；S5、重复步骤S3‑S4，进行多次强化学习获得稳定的R值表和Q值表；S6、根据Q值表终表，采用群优化算法迭代更新外部档案，获得稳定解。本发明采用了基于强化学习的群体进化算法解决拆卸任务之间复杂的约束类型，能高效获得稳定的最优解并保证解的多样性。
-
公开(公告)号：CN113014645A
公开(公告)日：2021-06-22
申请号：CN202110208407.3
申请日：2021-02-24
Applicant: 暨南大学
IPC: H04L29/08 , G01D21/02 , G06F16/2458 , G06F16/25 , G06Q50/02 , G16Y10/10 , G16Y20/10 , G16Y40/10 , H04W4/38
Abstract: 本发明提供了基于物联网的草场环境监测系统，属于生态环境监测技术领域。本发明提出基于物联网的草场环境监测管理信息系统，将物联网技术应用于草原草场环境监测领域，结合NB‑IoT无线通信技术和图像处理技术应用于系统中，科学地实现了对草场环境监测信息的管理。针对草场信息中的各种环境因素对牧民放牧的权重不同，分析对比各因素特征，采用了一种多传感器数据融合算法，对草场环境数据进行分析处理，构建评价矩阵，对草场环境等级作出科学的评价。
-
公开(公告)号：CN117907833B
公开(公告)日：2024-12-24
申请号：CN202311594059.3
申请日：2023-11-27
Applicant: 暨南大学 , 内蒙古科学技术研究院
IPC: G01R31/367 , G01R31/392
Abstract: 本发明公开了一种基于动力电池循环老化衰退决策主动再制造时域的方法，该方法包括以下步骤：基于单体不一致性的动力电池性能衰退状态量化的表征；解析模型与孪生数据融合的动力电池主动再制造时域的决策；通过分析有关动力电池主动再制造时域决策的影响因素，揭示了动力电池多尺度结构下单体不一致性对其整体性能衰退状态的影响规律；在提取动力电池单体性能参数数据的基础上，通过运用Sklar理论映射为动力电池整体性能衰退状态，进一步采用循环老化衰退机理和孪生数据融合的方法对动力电池主动再制造时域上下限进行决策，从而为延长动力电池使用寿命、动态预测动力电池主动再制造时域提供重要基础。
-
公开(公告)号：CN115936240B
公开(公告)日：2024-03-15
申请号：CN202211665231.5
申请日：2022-12-23
Applicant: 暨南大学
IPC: G06Q10/04 , G06Q10/0631 , G06Q50/26 , G06N3/006 , G06F17/15
Abstract: 本发明涉及共享单车需求预测与投放调度方法，所述方法包括以下步骤：S1、建立XGBoost决策树，将相似和相邻的站点聚集成集群；S2、对单个站点的真实需求进行纠偏，并带入到XGBoost决策树中经训练后得到优化的站点聚类结果；S3、根据训练好的XGBoost决策树预测每个站点的借/还车需求；S4、考虑每个站点容量限制和需求到达分布，计算单车的初始投放量；S5、划分城市的调度分区；S6、建立区域内单车调度模型，获得调度路径的最优选择。本发明从共享单车的需求预测和调度优化着手，考虑多种现实情况和现实问题，设计模型和求解方法，为城市共享单车系统的运营决策提供依据，有利于快速实现城市居民的借/还车需求，方便生活，健康出行。
-
公开(公告)号：CN117151425A
公开(公告)日：2023-12-01
申请号：CN202311364387.4
申请日：2023-10-20
Applicant: 暨南大学
IPC: G06Q10/0631 , G06N20/00 , G06Q10/30 , G06Q50/04 , G06Q50/26
Abstract: 本发明提供一种基于RQL算法的选择拆卸规划方法及系统，获取待拆卸产品的数据集，结合Q‑learning算法和Rollout策略迭代采样待拆卸产品的数据集，得到待拆卸产品的优选拆卸序列，本申请的RQL(Rollout‑Q‑learning)算法是基于Rollout策略优化了Q‑learning算法在迭代过程中的动作选择，在每个决策阶段使用Rollout策略对每个可行动作进行有限步数的模拟采样之后，选择在有限步数内估计价值最大的可行动作，从而使Q‑learning算法具备更强的全局搜索能力，最终得到优选拆卸序列，相对于传统的Q‑learning算法，RQL(Rollout‑Q‑learning)算法在拆卸序列规划上有很大的性能提升，同时能够提高拆卸流程的回收效益，尽可能减少EoL产品对环境造成的危害。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.026 seconds)
