-
公开(公告)号：CN117517974A
公开(公告)日：2024-02-06
申请号：CN202311513965.6
申请日：2023-11-14
Applicant: 暨南大学 , 内蒙古科学技术研究院
IPC: G01R31/367 , G01R31/392
Abstract: 本发明公开了一种表征动力电池循环老化衰退机理的方法，该方法包括以下步骤：孪生数据驱动的动力电池多尺度等效电路模型的构建；多因素耦合影响下动力电池循环老化衰退机理的表征；其中，动力电池循环衰退老化是在多特征工况循环以及多物理场参数耦合的共同作用下产生；形成电池电容多重衰退模型方程式，用以表征动力电池循环老化电容的衰退趋势，从而能够根据方程式所绘制的衰退曲线，来表征动力电池电容随服役周期的变化，通过曲线变化的拐点，作为不同生命周期的切换点，从而清晰的反映动力电池随服役周期变化的电容含量，方便对即将退役的动力电池进行精确的分析，从而选择不同的回收方式进行回收，降低成本和提高电池的利用率。
-
公开(公告)号：CN117406123A
公开(公告)日：2024-01-16
申请号：CN202311560884.1
申请日：2023-11-22
Applicant: 暨南大学 , 内蒙古科学技术研究院
IPC: G01R31/392
Abstract: 本发明公开了一种动力电池循环老化回收利用的方法，该方法包括以下步骤：测试动力电池循环老化程度；采用再制造作为回收途径，降低回收成本，实现对动力电池的再利用，通过构建动力电池数字孪生模型，并通过构建动力电池循环老化电容衰退趋势的方程，以方程绘制不同服役时间所对应的动力电池性能衰退曲线，再以曲线的拐点，将动力电池随服役时间循环老化的各个时间段，包括平稳期、急剧期以及报废期反映出来，通过急剧期开始和结束的拐点，作为动力电池主动再制造的上下限，以此对应服役时间段，来匹配达到该服役时间段的动力电池，能够更加准确的实现对该服役时间段内动力电池的主动再制造。
-
Patent Agency Ranking
公开(公告)号：CN115271568B
公开(公告)日：2023-01-20
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：CN113421043B
公开(公告)日：2022-05-20
申请号：CN202110734162.8
申请日：2021-06-30
Applicant: 暨南大学
Abstract: 本发明提供一种基于可穿戴设备的物联系统及方法，利用可穿戴设备获取员工信息判断岗位和任务的匹配性并将其和任务进行关联，利用可穿戴设备的定位信息匹配最近的叉车并在任务完成后匹配最近停车位、利用可穿戴设备获取符合订单的产品信息并将其与任务建立关联，实现了出货相关事务的相互关联，提高了出货效率以及部门间的协同。
-
公开(公告)号：CN113282705B
公开(公告)日：2022-01-28
申请号：CN202110567522.X
申请日：2021-05-24
Applicant: 暨南大学
Abstract: 本发明公开了一种能够自动更新的案件预判智能体训练方法及系统，方法包括获取一定数量的司法案件审判书作为样本，从审判书种抽取事实等关键信息，对于数据进行处理，同时接收专家标注的新的数据，构建新的数据集，针对司法审判问题进行建模，得到对关键信息的准确率计算模型，从模型中提取训练所需要的参数，定义模型训练的reward函数，再使用BCQ算法根据参数以及数据集进行智能体模型的训练。本发明使用强化学习的方法解决司法案件预判不准确的问题，同时能够进行改进和优化，长期保持模型的准确率。
-
公开(公告)号：CN113393495A
公开(公告)日：2021-09-14
申请号：CN202110685692.8
申请日：2021-06-21
Applicant: 暨南大学
IPC: G06T7/246 , G06T7/277 , G06T5/00 , G06T5/50 , G06T3/00 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于强化学习的高空抛物轨迹识别方法。所述方法包括：通过图像传感器采集被监控窗户区域的高空抛物轨迹图像；对所述高空抛物轨迹图像进行预处理得到预处理图像信息；根据所述预处理图像信息判断所述图像传感器是否被遮挡；在判断所述图像传感器未被遮挡时，将所述预处理图像信息输入至处理器，所述处理器获取经过强化学习后的预训练目标模型，并通过所述预训练目标模型对所述预处理图像信息进行高空抛物识别得到高空抛物识别结果信息；所述处理器将高空抛物识别结果信息存储至数据存储单元和云服务器及储存器中，以对所述预训练目标模型进行训练及更新。本发明通过强化学习模型对高空抛物轨迹进行识别，提高了识别准确率。
-
公开(公告)号：CN113282705A
公开(公告)日：2021-08-20
申请号：CN202110567522.X
申请日：2021-05-24
Applicant: 暨南大学
Abstract: 本发明公开了一种能够自动更新的案件预判智能体训练方法及系统，方法包括获取一定数量的司法案件审判书作为样本，从审判书种抽取事实等关键信息，对于数据进行处理，同时接收专家标注的新的数据，构建新的数据集，针对司法审判问题进行建模，得到对关键信息的准确率计算模型，从模型中提取训练所需要的参数，定义模型训练的reward函数，再使用BCQ算法根据参数以及数据集进行智能体模型的训练。本发明使用强化学习的方法解决司法案件预判不准确的问题，同时能够进行改进和优化，长期保持模型的准确率。
-
-
-
-
-
-
Search Results
57
records
(took 0.032 seconds)
