-
公开(公告)号：CN118837745A
公开(公告)日：2024-10-25
申请号：CN202410830072.2
申请日：2024-06-25
Applicant: 华中科技大学
IPC: G01R31/367 , G01R31/392 , G01R31/36 , G01R31/378
Abstract: 本发明公开了一种基于混合机理模型的NMC电池跳水点在线预警方法及系统，属于电池存储技术领域，方法包括：考虑SEI膜生长、锂镀、电解液氧化、锰分解对NMC电池容量衰退的影响，建立混合机理模型；利用由起始若干个循环的NMC电池总容量损失值组成的早期NMC电池容量损失信号，对混合机理模型进行拟合以确定模型参数；测量时间窗口内NMC电池的容量衰退真实向量，利用混合机理模型计算时间窗口内NMC电池的容量衰退理论向量，获取容量衰退理论向量与容量衰退真实向量之间的线性相关方程；滑窗获取不同时间窗口内的线性相关方程，当线性相关方程的斜率达到最小值时发出NMC电池跳水点预警。该方法保证了锂电池的安全可靠运行。
-
公开(公告)号：CN118797950A
公开(公告)日：2024-10-18
申请号：CN202410990721.5
申请日：2024-07-23
Applicant: 华中科技大学
IPC: G06F30/20 , G01R31/367 , G01R31/392 , G06F111/10 , G06F123/02
Abstract: 本发明属于电池存储相关技术领域，其公开了一种锂离子电池跳水点的在线预警方法及其系统，方法包括：结合SEI膜生长导致的容量损失和锂镀导致的容量损失，构建反应电池容量损失随时间变化趋势的混合模型；获取电池早期循环的总放电容量损失数据对混合模型进行拟合，确定混合模型的参数；以混合模型的输出作为固体电解质界面膜导致的理论容量损失，滑动时间窗口，获取每个时间窗口内理论容量损失和真实放电容量损失之间的线性相关方程的斜率；计算斜率的一阶自相关系数，当一阶自相关系数出现极小值时，发出跳水预警。本发明可以通过简单的方法实现锂离子电池跳水点的在线预警，而且具有较强得物理可解释性。
-
公开(公告)号：CN114564987B
公开(公告)日：2024-08-23
申请号：CN202210164044.2
申请日：2022-02-22
Applicant: 华中科技大学
IPC: G06F18/24 , G06F18/213 , G06F18/214 , G06N3/042 , G01M13/025
Abstract: 本发明公开一种基于图数据的旋转机械故障诊断方法及系统，包括：获取旋转机械处于正常状态和故障状态下的振动信号，并将其分为用于模型训练的源域样本和待测的目标域样本；提取样本的频谱特征，将源域和目标域样本转换为节点表示；采用k最近邻算法分别构造源域和目标域样本的图；基于领域自适应思想，构建域自适应图卷积神经网络；将源域和目标域样本构建得到的图输入网络，从而得到目标域待测样本的故障诊断结果。本发明采用了k最近邻算法聚类同一标签节点，建立了标签与节点之间的映射关系，对源域样本和目标域样本分别构造了具有相似图结构的图，提供更多的可迁移知识，将从源领域学到的知识应用到目标领域，提高分类准确率。
-
公开(公告)号：CN116952235A
公开(公告)日：2023-10-27
申请号：CN202310746270.6
申请日：2023-06-21
Applicant: 华中科技大学
IPC: G01C21/20 , G06N3/042 , G06N3/0464 , G06N3/092 , G01C21/00
Abstract: 本发明公开了一种基于图神经网络和深度强化学习的无人艇航迹生成方法，属于航迹规划技术领域。本发明方法首先搭建航迹生成场景；并将所述场景中的环境、动作、奖励以及无人艇执行动作后的环境设置为深度强化学习方法的参数；再构建具有固定容量的记忆池用于储存经验；之后构建并训练无人艇航迹生成模型，所述无人艇航迹生成模型采用双深度Q网络模型结构，其中记忆池中的经验作为训练数据，当前值网络和目标值网络采用图卷积神经网络，当前值网络和目标值网络之间的偏差作为损失函数；最后将无人艇航行时采集的环境信息输入至所述模型，得到无人艇将执行的动作。经过模拟实验证明，本发明方法有效提升了航迹规划成功率。
-
公开(公告)号：CN114564987A
公开(公告)日：2022-05-31
申请号：CN202210164044.2
申请日：2022-02-22
Applicant: 华中科技大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G01M13/025
Abstract: 本发明公开一种基于图数据的旋转机械故障诊断方法及系统，包括：获取旋转机械处于正常状态和故障状态下的振动信号，并将其分为用于模型训练的源域样本和待测的目标域样本；提取样本的频谱特征，将源域和目标域样本转换为节点表示；采用k最近邻算法分别构造源域和目标域样本的图；基于领域自适应思想，构建域自适应图卷积神经网络；将源域和目标域样本构建得到的图输入网络，从而得到目标域待测样本的故障诊断结果。本发明采用了k最近邻算法聚类同一标签节点，建立了标签与节点之间的映射关系，对源域样本和目标域样本分别构造了具有相似图结构的图，提供更多的可迁移知识，将从源领域学到的知识应用到目标领域，提高分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN112733612A
公开(公告)日：2021-04-30
申请号：CN202011502339.3
申请日：2020-12-18
Applicant: 华中科技大学
Abstract: 本发明公开了一种跨领域的旋转机械故障诊断模型建立方法及其应用，属于机械故障诊断技术领域，模型建立方法包括：获取旋转机械在不同工况、不同状态下的振动信号，滤除其中的噪声后，通过时频变换将其转换为二维时频图像；不同状态包括正常状态和故障状态；不同工况包括目标工况，目标工况下的数据构成目标域数据，其余工况下的数据构成源域数据；基于神经网络建立分类模型，利用源域数据对分类模型进行训练，并在训练结束后，对分类模型的参数进行优化调整，以最小化源域数据和目标域数据分布间的差异；将优化调整之后的分类模型，作为旋转机械故障诊断模型。本发明有效提高了模型的诊断精度，并且能够适应复杂工况下的故障诊断。
-
公开(公告)号：CN114580101A
公开(公告)日：2022-06-03
申请号：CN202210166709.3
申请日：2022-02-23
Applicant: 华中科技大学
IPC: G06F30/17 , G06F30/27 , G06N3/04 , G06F119/04
Abstract: 本发明公开了一种旋转机械剩余使用寿命预测方法及系统，所述方法包括：获取待预测旋转机械实时的振动信号，将其作为预测样本，根据预测样本构建预测路径图；将预测路径图输入训练后的ChebGCN‑LSTM预测模型，得到待预测旋转机械的剩余使用寿命预测值；训练后的ChebGCN‑LSTM预测模型获取方法为：构建基于ChebGCN和BiLSTM的旋转机械剩余使用寿命的ChebGCN‑LSTM预测模型，并将训练路径图输入ChebGCN‑LSTM预测模型训练，得到训练后的ChebGCN‑LSTM预测模型。本发明使用路径图，表示信号的时间和空间依赖关系，将更全面地表征旋转机械退化状态；使用ChebGCN‑LSTM预测模型，克服了传统ChebGCN在表征信号全局时间相关性上的缺陷和不足，提高了预测精度。
-
公开(公告)号：CN112633098A
公开(公告)日：2021-04-09
申请号：CN202011471307.1
申请日：2020-12-14
Applicant: 华中科技大学
Abstract: 本发明公开了一种旋转机械故障诊断方法、系统及存储介质，包括：S1、将实时采集的待测旋转机械的振动信号，采用短时傅里叶变换法进行频谱分析，得到振动信号的频谱图，并将振动信号的频谱图映射为短时周期图；S2、以所得短时周期图的每个频率为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；S3、采用图论法构建所得时空图的矩阵表示，记为拉普拉斯矩阵，并对拉普拉斯矩阵进行正交分解，提取特征值，记为故障特征向量；S4、将所得故障特征向量输入到预训练好的故障诊断模型中，得到待测旋转机械的故障类型。本发明以时空图结合拉普拉斯矩阵来提取故障特征，大大提高了计算效率和分类准确率，适用于复杂工况下的故障诊断。
-
公开(公告)号：CN114580101B
公开(公告)日：2024-06-14
申请号：CN202210166709.3
申请日：2022-02-23
Applicant: 华中科技大学
IPC: G06F30/17 , G06F30/27 , G06N3/042 , G06N3/0442 , G06F119/04
Abstract: 本发明公开了一种旋转机械剩余使用寿命预测方法及系统，所述方法包括：获取待预测旋转机械实时的振动信号，将其作为预测样本，根据预测样本构建预测路径图；将预测路径图输入训练后的ChebGCN‑LSTM预测模型，得到待预测旋转机械的剩余使用寿命预测值；训练后的ChebGCN‑LSTM预测模型获取方法为：构建基于ChebGCN和BiLSTM的旋转机械剩余使用寿命的ChebGCN‑LSTM预测模型，并将训练路径图输入ChebGCN‑LSTM预测模型训练，得到训练后的ChebGCN‑LSTM预测模型。本发明使用路径图，表示信号的时间和空间依赖关系，将更全面地表征旋转机械退化状态；使用ChebGCN‑LSTM预测模型，克服了传统ChebGCN在表征信号全局时间相关性上的缺陷和不足，提高了预测精度。
-
公开(公告)号：CN112633098B
公开(公告)日：2023-05-30
申请号：CN202011471307.1
申请日：2020-12-14
Applicant: 华中科技大学
IPC: G06F18/2131 , G06F18/214 , G06F18/2413 , G01M13/045
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.023 seconds)
