-
公开(公告)号：CN119005499A
公开(公告)日：2024-11-22
申请号：CN202411021248.6
申请日：2024-07-28
Applicant: 内蒙古工业大学
IPC: G06Q10/063 , G06Q10/04 , G06Q10/30 , G06Q50/04 , G06N3/092
Abstract: 本发明提出了基于PPO算法的选择性拆卸优化方法，方法包括：根据需要拆卸的报废(EOL)产品构建拆卸废旧产品的DPN模型；根据DPN模型构建基于强化学习的选择性拆卸模型，并使用PPO算法对选择性拆卸模型进行训练；将实时需要拆卸的EOL产品输入训练后的选择性拆卸模型，得到最优的拆卸动作合集。本发明基于PPO算法的选择性拆卸优化方法不仅提高了拆卸过程的效率和效果，而且在面对复杂动态的拆卸任务时展现了更强的适应性和稳定性。此外，结合其他先进的强化学习算法并探索更优的建模方案，有望进一步提升选择性拆卸规划方法的性能和实用性，为可持续制造和资源回收提供有力的技术支持。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN118627818A
公开(公告)日：2024-09-10
申请号：CN202410763129.1
申请日：2024-06-13
IPC: G06Q10/0631 , G06Q10/0633 , G06Q10/10 , G06N3/092
Abstract: 本发明公开了一种退役动力电池的多目标双边拆解线平衡方法及装置，所述方法包括：引入退役动力电池的双边布局的拆解线模式，定义与优先关系、或优先关系来描述退役动力电池的拆解任务之间的约束类型，并在退役动力电池的拆解优先图中融入与优先关系和或优先关系，建立退役动力电池的多目标双边拆解线平衡模型MILP，以从产线配置、经济效益和安全环保三个方面优化影响退役动力电池的双边拆解线平衡的指标；基于强化学习的群体进化算法RLSEA对多目标双边拆解线平衡模型MILP的双边拆解线平衡的指标进行求解，得到退役动力电池的最优的拆解任务分配方案。本发明能够提升退役动力电池拆解的作业效率与灵活性。
-
公开(公告)号：CN114066232B
公开(公告)日：2022-07-22
申请号：CN202111349982.1
申请日：2021-11-15
Applicant: 内蒙古北方重工业集团有限公司 , 暨南大学 , 内蒙古工业大学
Abstract: 本发明属于工业物联网技术领域，公开了基于分布式强化学习和边缘计算的工厂调度方法及系统。所述系统包括本地动作模型、边缘设备、云端数据存储器和云端策略模型。方法为：初始化本地动作模型和边缘设备；本地动作模型实时生成适配不同流水线的调度规则；边缘设备对实时产生的生产信息进行编码，生成两参数元组和五参数元组分别发送至本地动作模型和云端数据存储器；云端策略模型对云端存储的数据进行优先级采样、重要性排序和更新；同步云端策略模型和本地动作模型。本发明将边缘计算与分布式强化学习算法结合应用于工业生产，实现了数据实时传输和工业生产实时调度，并通过本地设备与云端设备的交互，不断提高模型准确性，优化工业生产效率。
-
公开(公告)号：CN118761764B
公开(公告)日：2025-04-15
申请号：CN202410748245.6
申请日：2024-06-11
IPC: G06Q10/30 , G06N7/01 , G06N20/00 , G06Q30/0207
Abstract: 本发明公开了一种考虑级联失效的退役动力电池的拆解序列规划方法及装置，所述方法包括：建立退役动力电池的Petr i网拆解模型，该模型捕获了电池的拆解优先级关系和组件拆解状态；在Petr i网拆解模型中，利用马尔科夫决策过程来描述退役动力电池的拆解序列；采用改进的Q学习算法对拆解序列的决策进行优化。本发明能够很好地对级联失效情况下的拆解序列规划进行优化与决策。
-
公开(公告)号：CN114066232A
公开(公告)日：2022-02-18
申请号：CN202111349982.1
申请日：2021-11-15
Applicant: 内蒙古北方重工业集团有限公司 , 暨南大学 , 内蒙古工业大学
Abstract: 本发明属于工业物联网技术领域，公开了基于分布式强化学习和边缘计算的工厂调度方法及系统。所述系统包括本地动作模型、边缘设备、云端数据存储器和云端策略模型。方法为：初始化本地动作模型和边缘设备；本地动作模型实时生成适配不同流水线的调度规则；边缘设备对实时产生的生产信息进行编码，生成两参数元组和五参数元组分别发送至本地动作模型和云端数据存储器；云端策略模型对云端存储的数据进行优先级采样、重要性排序和更新；同步云端策略模型和本地动作模型。本发明将边缘计算与分布式强化学习算法结合应用于工业生产，实现了数据实时传输和工业生产实时调度，并通过本地设备与云端设备的交互，不断提高模型准确性，优化工业生产效率。
-
公开(公告)号：CN118761764A
公开(公告)日：2024-10-11
申请号：CN202410748245.6
申请日：2024-06-11
IPC: G06Q10/30 , G06N7/01 , G06N20/00 , G06Q30/0207
Abstract: 本发明公开了一种考虑级联失效的退役动力电池的拆解序列规划方法及装置，所述方法包括：建立退役动力电池的Petr i网拆解模型，该模型捕获了电池的拆解优先级关系和组件拆解状态；在Petr i网拆解模型中，利用马尔科夫决策过程来描述退役动力电池的拆解序列；采用改进的Q学习算法对拆解序列的决策进行优化。本发明能够很好地对级联失效情况下的拆解序列规划进行优化与决策。
-
-
-
-
-
-
Search Results
7
records
(took 0.024 seconds)
