-
Patent Agency Ranking
公开(公告)号：CN119511087A
公开(公告)日：2025-02-25
申请号：CN202411193430.X
申请日：2024-08-28
Applicant: 北京理工大学 , 北京空间飞行器总体设计部
IPC: G01R31/367 , G01R31/388 , G01R31/378 , G06N3/0442 , G06N3/096
Abstract: 本发明公开了基于数据增强的锂电池荷电状态迁移学习估计方法，属于电池检测技术领域，包括以下步骤：S1、选用CALCE锂电池作为源数据集，选用一种新型的锂电池实验数据作为目标数据集；S2、根据等效电路模型和数据集中的电流和电压，结合具有遗忘因子的递归最小二乘法进行数据增强；S3、改进长短期记忆网络增强数据长短期特征捕获能力，设计网络框架配置参数，确定最优SOC估计迁移学习方案。本发明采用上述的基于数据增强的锂电池荷电状态迁移学习估计方法，通过等效电路模型实现数据增强，设计网络架构捕获可测量数据和SOC的特征关系，应用迁移学习方法快速适应不同工作状况及不同化学特性/型号锂电池模型并实现SOC的准确估计，节约人力和时间成本。
-
公开(公告)号：CN118153433A
公开(公告)日：2024-06-07
申请号：CN202410278662.9
申请日：2024-03-12
Applicant: 北京理工大学 , 北京空间飞行器总体设计部
Abstract: 本发明公开了基于物理信息神经网络的事件触发模型学习方法，涉及人工智能技术领域，步骤一、构建系统的物理信息神经网络，完成系统的模型辨识；步骤二、根据系统模型和实时输入输出，结合无迹卡尔曼滤波器对系统进行在线状态估计；步骤三、利用状态估计结果，结合模型进行一步前向输出预测并计算预测误差，通过事件触发学习机制判断是否需要更新模型。本发明采用上述基于物理信息神经网络的事件触发模型学习方法，通过构建物理信息神经网络系统辨识方法和事件触发学习方法，提出的物理信息神经网络，结合传统的机理分析建模方法和数据驱动建模方法的优势，兼顾辨识模型可解释性的同时提高模型辨识的准确度。
-
公开(公告)号：CN119474822A
公开(公告)日：2025-02-18
申请号：CN202411591207.0
申请日：2024-11-08
Applicant: 北京理工大学 , 北京空间飞行器总体设计部
IPC: G06F18/213 , G06F18/22 , G06F18/214 , G06N3/0442 , G06N3/084 , G06F17/18 , G01R31/392 , G01R31/367
Abstract: 本发明公开了一种基于域相似元学习的小样本锂电池SOH估计方法，包括以下步骤：S1、设计动态‑静态特征提取模块，采用动态‑静态特征提取模块从电池数据集中提取动态特征和静态特征，通过灰色关联系数将得到的特征联系起来；S2、设计基于域相似的任务排序模块，任务排序模块利用最大均值差异MMD算法计算训练任务之间的域相似度，对训练任务进行排序；S3、在元学习框架中加入LSTM元学习模块，LSTM模型作为学习器，捕捉SOH与电压时间序列之间的依赖关系，并将排序后训练任务嵌入元训练过程。本发明采用上述一种基于域相似元学习的小样本锂电池SOH估计方法，将数学工具和元学习框架相结合，用于在不同工况下精确估计锂电池SOH。
-
公开(公告)号：CN118153433B
公开(公告)日：2024-12-10
申请号：CN202410278662.9
申请日：2024-03-12
Applicant: 北京理工大学 , 北京空间飞行器总体设计部
Abstract: 本发明公开了基于物理信息神经网络的事件触发模型学习方法，涉及人工智能技术领域，步骤一、构建系统的物理信息神经网络，完成系统的模型辨识；步骤二、根据系统模型和实时输入输出，结合无迹卡尔曼滤波器对系统进行在线状态估计；步骤三、利用状态估计结果，结合模型进行一步前向输出预测并计算预测误差，通过事件触发学习机制判断是否需要更新模型。本发明采用上述基于物理信息神经网络的事件触发模型学习方法，通过构建物理信息神经网络系统辨识方法和事件触发学习方法，提出的物理信息神经网络，结合传统的机理分析建模方法和数据驱动建模方法的优势，兼顾辨识模型可解释性的同时提高模型辨识的准确度。
-
公开(公告)号：CN116413629A
公开(公告)日：2023-07-11
申请号：CN202310298893.1
申请日：2023-03-24
Applicant: 北京理工大学
IPC: G01R31/392 , G01R31/385 , G01R31/367 , G06F30/3323 , G06F30/27 , G06N3/048 , G06N3/096
Abstract: 本发明提供一种基于物理信息神经网络的航天器锂电池健康状态估计方法，其特征在于，包括以下步骤：建立电池单体的二阶混合等效电路模型，将所述等效电路模型的开路电压与电池的荷电状态之间的关系采用多层感知器表示；利用所采集的样本数据中开路电压与电池的荷电状态，对所述多层感知器进行训练；将所述多层感知器作为物理神经网络模型的数据驱动层，设计物理信息神经网络模型；利用所采集样本数据中的放电曲线进行物理神经网络模型的训练，利用训练后的神经网络模型实现电池健康状态的估计。本发明无需额外的测试，在使用有限的数据建立物理信息神经网络模型的基础上，准确地实现健康状态在线估计，保证航天器稳定运行。
-
-
-
-
Search Results
5
records
(took 0.024 seconds)
