-
公开(公告)号：CN110824364A
公开(公告)日：2020-02-21
申请号：CN201911018344.4
申请日：2019-10-24
Applicant: 重庆邮电大学
IPC: G01R31/367 , G01R31/392 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法，属于锂电池PHM领域。该方法包括：1)集多个电池充放电周期电压、电流、温度和对应的容量值；2)构建深度AST-LASTM模型；3)基于AST-LSTM神经网络模型的锂电池SOH估计和RUL预测。本发明仅需待测锂电池的电压、电流、温度和时间即可获得电池容量数据，从而估算出锂电池SOH和RUL，测量过程简单，误差小精度高。
-
公开(公告)号：CN103018660B
公开(公告)日：2015-04-22
申请号：CN201210569235.3
申请日：2012-12-25
Applicant: 重庆邮电大学
IPC: G01R31/316 , G06N3/02
Abstract: 本发明提供一种采用量子Hopfield神经网络的模拟电路多故障智能诊断方法，针对模拟电路的多故障耦合问题，包括数据采集、特征提取、特征量子化和故障成因概率分析等步骤。模拟电路的理想单故障响应和实测多故障响应分别通过SPICE仿真和数据采集板得到。经小波包分解后，故障响应的小波系数在新的能量函数定义下，实现能量特征空间的构建。能量特征空间中的元素在量子化的基础上，被提交给量子Hopfield神经网络模型。网络中的神经元状态及连接权值矩阵均采用量子态表示。通过计算量测矩阵中相关权值元素出现的概率值，得到量子关键输入模式在特定时刻以特定量子记忆原型出现的概率，从而得到多故障相对于特定单故障发生的概率以判断出故障发生的种类。
-
公开(公告)号：CN111767672B
公开(公告)日：2023-10-20
申请号：CN202010610473.9
申请日：2020-06-29
Applicant: 重庆邮电大学
IPC: G06F30/25 , G01R31/367 , G01R31/382 , G01R31/396 , G06F111/08 , G06F119/08
Abstract: 本发明涉及一种基于蒙特卡洛方法的锂电池异常工况数据自组增强方法，属于锂电池检测领域，包括以下步骤：S1：对小样本锂电池异常工况序列进行小波分解，得到多尺度小波系数；S2：将多尺度小波系数映射成m维超空间中点；S3：对多尺度分量进行蒙特卡洛自组。本发明兼顾了数据来源的真实性和数据分布的重构性，为不平衡的锂电池数据处理，提供了新的技术手段，亦可迁移到其他工业领域，作为解决数据不平衡问题的方法之一。
-
公开(公告)号：CN112098878A
公开(公告)日：2020-12-18
申请号：CN202010967389.2
申请日：2020-09-15
Applicant: 重庆邮电大学
IPC: G01R31/392 , G01R31/389 , G01R31/36
Abstract: 本发明涉及一种锂电池SOH估算和RUL预测的端到端神经网络建立方法，属于电池技术领域。在数据端，对测量的电池样本进行组织，以使其适用于SOH监测和RUL预测任务。在自动建模过程中，通过KS检验研究了神经网络超参数的先验分布。结合这种先验分布和在顺序演化过程中生成的后超参数分布，将根据结果端的预期输出自动调整基于神经网络的模型。本方法应用在SOH监测和RUL预测任务中可以获得较好的效果。
-
公开(公告)号：CN111767672A
公开(公告)日：2020-10-13
申请号：CN202010610473.9
申请日：2020-06-29
Applicant: 重庆邮电大学
IPC: G06F30/25 , G01R31/367 , G01R31/382 , G01R31/396 , G06F111/08 , G06F119/08
Abstract: 本发明涉及一种基于蒙特卡洛方法的锂电池异常工况数据自组增强方法，属于锂电池检测领域，包括以下步骤：S1：对小样本锂电池异常工况序列进行小波分解，得到多尺度小波系数；S2：将多尺度小波系数映射成m维超空间中点；S3：对多尺度分量进行蒙特卡洛自组。本发明兼顾了数据来源的真实性和数据分布的重构性，为不平衡的锂电池数据处理，提供了新的技术手段，亦可迁移到其他工业领域，作为解决数据不平衡问题的方法之一。
-
Patent Agency Ranking
公开(公告)号：CN112098878B
公开(公告)日：2023-11-03
申请号：CN202010967389.2
申请日：2020-09-15
Applicant: 重庆邮电大学
IPC: G01R31/392 , G01R31/389 , G01R31/36
Abstract: 本发明涉及一种锂电池SOH估算和RUL预测的端到端神经网络建立方法，属于电池技术领域。在数据端，对测量的电池样本进行组织，以使其适用于SOH监测和RUL预测任务。在自动建模过程中，通过KS检验研究了神经网络超参数的先验分布。结合这种先验分布和在顺序演化过程中生成的后超参数分布，将根据结果端的预期输出自动调整基于神经网络的模型。本方法应用在SOH监测和RUL预测任务中可以获得较好的效果。
-
公开(公告)号：CN110824364B
公开(公告)日：2021-11-19
申请号：CN201911018344.4
申请日：2019-10-24
Applicant: 重庆邮电大学
IPC: G01R31/367 , G01R31/392 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于AST‑LSTM神经网络的锂电池SOH估计与RUL预测方法，属于锂电池PHM领域。该方法包括：1)集多个电池充放电周期电压、电流、温度和对应的容量值；2)构建深度AST‑LASTM模型；3)基于AST‑LSTM神经网络模型的锂电池SOH估计和RUL预测。本发明仅需待测锂电池的电压、电流、温度和时间即可获得电池容量数据，从而估算出锂电池SOH和RUL，测量过程简单，误差小精度高。
-
公开(公告)号：CN103018660A
公开(公告)日：2013-04-03
申请号：CN201210569235.3
申请日：2012-12-25
Applicant: 重庆邮电大学
IPC: G01R31/316 , G06N3/02
Abstract: 本发明提供一种采用量子Hopfield神经网络的模拟电路多故障智能诊断方法，针对模拟电路的多故障耦合问题，包括数据采集、特征提取、特征量子化和故障成因概率分析等步骤。模拟电路的理想单故障响应和实测多故障响应分别通过SPICE仿真和数据采集板得到。经小波包分解后，故障响应的小波系数在新的能量函数定义下，实现能量特征空间的构建。能量特征空间中的元素在量子化的基础上，被提交给量子Hopfield神经网络模型。网络中的神经元状态及连接权值矩阵均采用量子态表示。通过计算量测矩阵中相关权值元素出现的概率值，得到量子关键输入模式在特定时刻以特定量子记忆原型出现的概率，从而得到多故障相对于特定单故障发生的概率以判断出故障发生的种类。
-
公开(公告)号：CN111722139B
公开(公告)日：2022-08-09
申请号：CN202010609011.5
申请日：2020-06-29
Applicant: 重庆邮电大学
IPC: G01R31/392 , G01R31/367 , G01R31/378 , G06K9/62 , G06N3/04 , G06N3/08 , G06N20/00
Abstract: 本发明涉及一种基于可微连续映射的锂电池健康监测模型自学习方法，属于锂电池健康监测领域，包括以下步骤：S1：根据锂电池健康状态监测的任务类型，以1d‑CNN和AST‑LSTM NN为核心模块进行组合，根据任务要求的性能指标以及网络本身的损失函数大小为约束，挑选适应任务需要的神经网络模型；S2：在获得与各类健康状态监测任务匹配的神经网络模型之后，采用可微结构的自动学习方法，对这些神经网络进行自动训练。本发明将助于缺乏ANN经验的锂电池研究人员和工程师，快速简单地使用ANN建模，降低模型训练的成本，提高锂电池健康状态监测的研发能效。
-
公开(公告)号：CN111722139A
公开(公告)日：2020-09-29
申请号：CN202010609011.5
申请日：2020-06-29
Applicant: 重庆邮电大学
IPC: G01R31/392 , G01R31/367 , G01R31/378 , G06K9/62 , G06N3/04 , G06N3/08 , G06N20/00
Abstract: 本发明涉及一种基于可微连续映射的锂电池健康监测模型自学习方法，属于锂电池健康监测领域，包括以下步骤：S1：根据锂电池健康状态监测的任务类型，以1d-CNN和AST-LSTM NN为核心模块进行组合，根据任务要求的性能指标以及网络本身的损失函数大小为约束，挑选适应任务需要的神经网络模型；S2：在获得与各类健康状态监测任务匹配的神经网络模型之后，采用可微结构的自动学习方法，对这些神经网络进行自动训练。本发明将助于缺乏ANN经验的锂电池研究人员和工程师，快速简单地使用ANN建模，降低模型训练的成本，提高锂电池健康状态监测的研发能效。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.02 seconds)
