-
公开(公告)号：CN116804714A
公开(公告)日：2023-09-26
申请号：CN202310839956.X
申请日：2023-07-10
Applicant: 哈尔滨工业大学
IPC: G01R31/392 , G01R31/385 , G01R31/367 , G01R31/36 , G01R31/382 , G01R31/396 , G06F30/27 , G06N20/10 , G06F111/08 , G06N3/049 , G06N3/08
Abstract: 一种适用于不同类型锂电池的数据驱动健康状态估计方法，涉及一种电池状态估计方法。确定用于构造老化特征的充电电压区间，包含IC曲线最高峰电压值；考虑电池部分充电条件，利用V～Q曲线上两点之间的圆弧弦构造老化特征，包括圆弧弦的长度、斜率、与Y轴夹角的Sin值及圆弧弦所构成直角三角形两直角边的长度和；基于在线学习与模型更新策略，对SOH估计模型进行更新。基于IC曲线和充电电压曲线斜率的变化来确定用于构造老化特征的电压区间，在考虑部分充电条件下基于圆弧弦构造有效的老化特征，并设计数据驱动模型的在线更新策略，更适用于实际应用，能够获取不同类型、不同环境条件下准确、稳定的电池SOH估计结果。
-
公开(公告)号：CN112379270A
公开(公告)日：2021-02-19
申请号：CN202011271853.0
申请日：2020-11-13
Applicant: 哈尔滨工业大学
IPC: G01R31/367 , G01R31/3842 , B60L58/12
Abstract: 本发明公开了一种电动汽车动力电池荷电状态滚动时域估计方法，所述方法包括如下步骤：步骤一：建立电池的等效电路模型；步骤二：用分段线性函数描述电池开路电压Uoc与SOC的关系；步骤三：用混合逻辑模型描述步骤二中的分段线性函数关系；步骤四：考虑动力电池的物理约束，建立SOC估计问题的数学描述；步骤五：设计滚动时域估计策略，实现对动力电池SOC的估计。该方法具有计算效率高、模型简单、对电池模型精度要求不高的特点，并能够显式处理动力电池中各变量的物理约束，且可以减少因为模型参数摄动而产生的估计误差，从而提高SOC估计的精度和可靠性。
-
公开(公告)号：CN109849932B
公开(公告)日：2020-07-28
申请号：CN201910239221.7
申请日：2019-03-27
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种路面自适应的车轮动载荷估计系统及方法，所述系统包括用于支撑车辆的轮胎、安装在车轮和车身之间的悬架系统、用于确定悬架簧上和簧下质量相对位移的位移传感器、用于根据测得的簧上和簧下质量相对位移确定车轮动载荷的估计算法模块。所述方法包括如下步骤：步骤一、将车轮动载荷估计问题转化为非线性系统未知输入重构问题；步骤二、设计滑模观测器，估计非线性系统状态；步骤三、计算观测器估计误差方程；步骤四：给出保证估计误差方程稳定的观测器增益设计方法；步骤五、通过未知输入重构实现对车轮动载荷的估计。该方法考虑悬架阻尼力非线性特性和路面随机扰动的影响，能够实现不同路面条件下车轮动载荷的低成本实时估计。
-
公开(公告)号：CN110554701A
公开(公告)日：2019-12-10
申请号：CN201910876527.3
申请日：2019-09-17
Applicant: 哈尔滨工业大学
IPC: G05D1/02
Abstract: 本发明公开了一种冰壶投掷机器人运动控制系统及其滚动时域优化方法，包括以下步骤：步骤一：建立冰壶投掷机器人的运动方程；步骤二：确定滚动时域优化控制的性能指标及约束条件；步骤三：根据冰壶投掷机器人的运动方程和滚动时域优化控制的性能指标及约束条件，设计MPC控制器并求解优化问题，得到应施加在冰壶投掷机器人左右车轮上的驱动力矩u＝[T1T2]T；步骤四：针对步骤三中得到的应施加在冰壶投掷机器人左右车轮上的期望驱动力矩u＝[T1T2]T，设计电机控制器，控制左右车轮的电机实现期望驱动力矩的输出。本发明适用范围广、精度高、理论成熟，填补了该领域的空缺，非常具有实用意义。
-
公开(公告)号：CN109849932A
公开(公告)日：2019-06-07
申请号：CN201910239221.7
申请日：2019-03-27
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种路面自适应的车轮动载荷估计系统及方法，所述系统包括用于支撑车辆的轮胎、安装在车轮和车身之间的悬架系统、用于确定悬架簧上和簧下质量相对位移的位移传感器、用于根据测得的簧上和簧下质量相对位移确定车轮动载荷的估计算法模块。所述方法包括如下步骤：步骤一、将车轮动载荷估计问题转化为非线性系统未知输入重构问题；步骤二、设计滑模观测器，估计非线性系统状态；步骤三、计算观测器估计误差方程；步骤四：给出保证估计误差方程稳定的观测器增益设计方法；步骤五、通过未知输入重构实现对车轮动载荷的估计。该方法考虑悬架阻尼力非线性特性和路面随机扰动的影响，能够实现不同路面条件下车轮动载荷的低成本实时估计。
-
Patent Agency Ranking
公开(公告)号：CN119247175A
公开(公告)日：2025-01-03
申请号：CN202411384414.9
申请日：2024-09-30
Applicant: 哈尔滨工业大学
IPC: G01R31/388 , G01R31/385 , G01R31/392 , G01R31/367 , G01R31/374
Abstract: 一种用于能量状态估计的带有能量补偿机制的功率积分法，涉及锂离子电池技术领域。通过能量状态估计误差的分析，可变最大能量与参考最大能量的分析，探究功率积分法中能量状态的补偿机制，并在带有能量状态补偿的功率积分法中引入Dropout技术。能够降低功率积分法中的累计误差，提高能量状态估计精度，考虑电池老化因素，提升能量补偿的适用性，在能量补偿时融入Dropout技术，提升算法的鲁棒性和适应性。
-
公开(公告)号：CN118938007A
公开(公告)日：2024-11-12
申请号：CN202410921981.7
申请日：2024-07-10
Applicant: 哈尔滨工业大学
IPC: G01R31/367 , G01R31/392
Abstract: 一种面向实车运行数据的车云协同SOH估计方法，涉及锂离子电池技术领域。在车端和云端都建立基于SOH与ΔSOH的混合数据驱动估计模型，通过监控满充阶段用于SOH数据驱动估计模型的更新，更新后所获得的SOH估计结果用来更新ΔSOH数据驱动估计模型，所获得的SOH估计值作为非满充阶段的SOH估计结果；选择统计特征指标构造老化特征，选择构造老化特征的参数，计算老化特征，并对老化特征进行在线增量计算；设计车云端的自监控与模型更新，车云端互监控及协同SOH估计策略。采用SOH与ΔSOH的混合数据驱动建模策略，基于统计特征指标构造老化特征，并利用车云协同进行SOH估计，更符合实际工况运行环境。
-
公开(公告)号：CN117783883A
公开(公告)日：2024-03-29
申请号：CN202311851805.2
申请日：2023-12-29
Applicant: 哈尔滨工业大学
IPC: G01R31/367 , G01R31/396 , G01K13/00 , G06F17/11
Abstract: 一种电池包内所有单体电池参考温度的快速估计方法，涉及锂离子电池技术领域。基于欧式距离计算未设置温度传感器单体电池的端电压与所有设置有温度传感器单体电池的端电压之间的距离，获得具有最小距离差异的电池索引作为目标电池；将所获取的目标电池的测量温度作为未设置温度传感器单体电池的参考温度；通过获得的参考温度作为数据，为嵌入式部署和应用，考虑到嵌入式系统的存储空间容量，设计在线部署与温度估计策略。基于可测电压参数与设置有温度传感器单体电池端电压之间的最小欧式距离获得参考温度，并设置嵌入式部署策略，充分利用有限的温度传感可测信息，快速有效的实现电池包内所有单体电池的温度估计。
-
公开(公告)号：CN115561639B
公开(公告)日：2023-09-12
申请号：CN202211313334.5
申请日：2022-10-25
Applicant: 哈尔滨工业大学
IPC: G01R31/367 , G06F17/12
Abstract: 本发明公开了一种基于分数阶模型的电池参数在线辨识与分数阶简化计算的方法，所述方法包括如下步骤：步骤一、分数阶模型传递函数和微分方程的建立；步骤二、分数阶微分项时域的计算与化简；步骤三、分数阶方程递推形式的化简；步骤四、分数阶窗口数据计算的简化。该方法基于包含Warburg元件的一阶分数阶模型，推导出用于参数在线辨识的递推形式，然后对分数阶窗口数据的计算进行简化，以减小分数阶模型的计算量。本发明的方法可使分数阶模型自适应不同的温度、工况等环境，可更准确的反应电池内部实际的动态反应特性；可为准确的状态估计、续驶里程预测等提供基础，发挥电池的最大性能并保障电动汽车的安全行驶。
-
公开(公告)号：CN114200327B
公开(公告)日：2023-07-28
申请号：CN202210055336.2
申请日：2022-01-18
Applicant: 哈尔滨工业大学
IPC: G01R31/387
Abstract: 一种考虑多因素影响的电池包中单体电池SOC估计方法，涉及一种电池SOC估计方法。对电池包中同种类型的一个单体电池进行实验得到源域数据；利用迁移学习框架将源域数据与目标域数据进行迁移和变换，迁移学习框架包括：特征增强、特征压缩和MPD适配；使用数据驱动算法对变换后的源域数据进行建模，再对变换后的目标域数据进行SOC的预测，从而得到SOC估计值。基于数据驱动算法并采用迁移学习方法来解决温度和电池老化状态等多因素对SOC估计造成的不利影响，并针对现有迁移学习方法存在的问题提出一种同时适配MPD和CPD的迁移学习框架，方法简单并且需要的实验数据少。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.039 seconds)
