-
公开(公告)号：CN117321513A
公开(公告)日：2023-12-29
申请号：CN202180096977.6
申请日：2021-04-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 东莞市李群自动化技术有限公司
IPC: G05B19/042
Abstract: 一种分布式系统中获取编码器位置的方法、控制器及系统，涉及自动控制技术领域。方法包括：第一控制器获取来自第二控制器的检索时间(S101)；第一控制器从预先锁存的至少一个时间和编码器位置的对应关系查询检索时间(S102)；若查询到检索时间时，则第一控制器确定对应关系中与检索时间对应的编码器位置为目标编码器位置(S103)；若查询不到检索时间，则第一控制器根据下述公式确定目标编码器位置：Stn＝St(n‑1)+kΔt(S104)；第一控制器将目标编码器位置传输至第二控制器(S105)。由此，可实现编码器位置的高效定位，使得获取的编码器位置的准确性更高。
-
公开(公告)号：CN103399276B
公开(公告)日：2016-01-20
申请号：CN201310317219.X
申请日：2013-07-25
Applicant: 哈尔滨工业大学
IPC: G01R31/36
Abstract: 一种锂离子电池容量估计及剩余循环寿命预测方法，涉及一种电池容量估计及寿命的预测方法。本发明解决了无法实现锂电池的容量估计及剩余寿命的预测的问题，本发明将采集到的电池的充放电周期次数x、每个充放电周期的放电电压及电池容量和每次充放电后的电池的剩余容量数据z的a/n和剩余的（n-a）/n的数据作为测试数据，利用分段三次Hermite插值法对训练数据进行扩展，利用扩展后获得的不同插值点的训练数据进行建模，利用获得具有不同参数的GPR模型进行外推预测，对锂电池的下N次充放电循环周期后的电池剩余容量预测，获得N次充放电周期后的电池剩余容量；本发明适用于电池容量估计及寿命的预测。
-
公开(公告)号：CN102789545A
公开(公告)日：2012-11-21
申请号：CN201210240981.8
申请日：2012-07-12
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 基于退化模型匹配的涡轮发动机剩余寿命的预测方法，涉及涡轮发动机剩余寿命预测方法，它为了解决现有涡轮发动机剩余寿命的预测采用通用RUL预测模型的预测效果无法达到预测要求的问题，它包括具体步骤如下：步骤一、数据预处理：从采集到的数据提取运行状态变量；从传感器采集到特征向量；由运行状态变量与特征向量融合得到健康因子；步骤二、建立退化模型库：利用健康因子建立退化模型；多个退化模型组成退化模型库；步骤三、相似性评估：将退化轨迹与模型库中的模型匹配，每个模型给出一个RUL估计；步骤四、RUL融合：根据测试涡轮发动机与模型匹配程度，采用相似度加权，融合得到最终的剩余寿命预测值。适用于涡轮发动机剩余寿命预测。
-
公开(公告)号：CN102789545B
公开(公告)日：2015-08-19
申请号：CN201210240981.8
申请日：2012-07-12
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 基于退化模型匹配的涡轮发动机剩余寿命的预测方法，涉及涡轮发动机剩余寿命预测方法，它为了解决现有涡轮发动机剩余寿命的预测采用通用RUL预测模型的预测效果无法达到预测要求的问题，它包括具体步骤如下：步骤一、数据预处理：从采集到的数据提取运行状态变量；从传感器采集到特征向量；由运行状态变量与特征向量融合得到健康因子；步骤二、建立退化模型库：利用健康因子建立退化模型；多个退化模型组成退化模型库；步骤三、相似性评估：将退化轨迹与模型库中的模型匹配，每个模型给出一个RUL估计；步骤四、RUL融合：根据测试涡轮发动机与模型匹配程度，采用相似度加权，融合得到最终的剩余寿命预测值。适用于涡轮发动机剩余寿命预测。
-
公开(公告)号：CN102749584A
公开(公告)日：2012-10-24
申请号：CN201210264221.0
申请日：2012-07-17
Applicant: 哈尔滨工业大学
Abstract: 基于Kalman滤波的ESN的涡轮发电机的剩余寿命预测方法，涉及基于Kalman滤波的ESN的涡轮发电机的剩余寿命预测方法。它为了解决现有预测方法选择合适的网络拓扑困难，训练时需训练网络的全部的权值，计算时容易陷入局部最优的问题。本发明在训练阶段，建立Kalman滤波的ESN涡轮发动机的数学模型，根据已知的输入单元u(n)和已知的输出单元y(n-1)，以及内部处理单元更新方程和Kalman滤波求得输出权值矩阵Wout；在测试阶段，将传感器测量获得涡轮发动机的24维数据作为输入单元数据集，带入训练后的数学模型输出单元的方程求得待测ESN的涡轮发动机剩余寿命预测值。本发明适用于涡轮发动机等领域。
-
Patent Agency Ranking
公开(公告)号：CN102749199A
公开(公告)日：2012-10-24
申请号：CN201210246135.7
申请日：2012-07-17
Applicant: 哈尔滨工业大学
IPC: G01M15/00
Abstract: 基于ESN的涡轮发动机的剩余寿命预测方法，涉及基于ESN的涡轮发动机的剩余寿命预测方法。它为了解决现有预测方法选择合适的网络拓扑困难，训练时需训练网络的全部的权值，计算时容易陷入局部最优的问题。本发明在训练阶段，建立ESN的涡轮发动机的数学模型，根据已知的输入单元u(n)和已知输出单元y(n-1)，采用ESN的涡轮发动机的数学模型的内部处理单元的更新方程和最小二乘理论求得输出权值矩阵Wout；在测试阶段，将传感器测量获得涡轮发动机的24维数据作为输入单元的数据集带入训练后ESN的涡轮发动机的数学模型的输出单元方程求得待测涡轮发动机的剩余寿命预测值。本发明适用于涡轮发动机等领域。
-
公开(公告)号：CN103389471B
公开(公告)日：2015-12-09
申请号：CN201310317281.9
申请日：2013-07-25
Applicant: 哈尔滨工业大学
IPC: G01R31/36
Abstract: 一种基于GPR带有不确定区间的锂离子电池循环寿命间接预测方法，本发明涉及一种电池寿命预测方法。本发明解决了现有方法无法实现锂电池循环寿命预测的问题，本发明采用ESN算法，进行退化建模，采用高斯过程回归的建模方法，建立基于GPR的等压降放电时间预测模型进行基于ESN的退化模型训练与基于GPR的等压降放电时间预测模型训练，获得等压降放电时间预测模型，进行基于GPR的等压降放电时间预测模型，获得等压降放电时间的预测值；进行基于ESN的退化模型，获得下N1个放电周期的电池的放电容量；电池的剩余容量值与电池容量的失效阈值行比较，完成电池循环寿命的间接预测。本发明适用于电池寿命预测。
-
公开(公告)号：CN103336248B
公开(公告)日：2015-08-19
申请号：CN201310317282.3
申请日：2013-07-25
Applicant: 哈尔滨工业大学
Abstract: 基于电池退化状态模型的锂离子电池循环寿命预测方法，本发明涉及基于电池退化状态模型的锂离子电池循环寿命预测方法。它为了解决现有的锂离子电池循环寿命预测过程中存在建模难的问题。基于电池退化状态模型的锂离子电池循环寿命预测方法包括的步骤为：步骤一、采集电池监测数据，并对该数据进行预处理；步骤二、根据电池退化状态模型训练获得电池退化状态模型，步骤三、根据步骤二获得电池退化状态模型对锂离子电池循环寿命进行预测，获得锂离子电池循环寿命值，实现基于电池退化状态模型的锂离子电池循环寿命预测。本发明适用于电池领域。
-
公开(公告)号：CN103293487A
公开(公告)日：2013-09-11
申请号：CN201310268391.0
申请日：2013-06-28
Applicant: 哈尔滨工业大学
IPC: G01R31/36
Abstract: 基于集成模型的锂离子电池寿命预测方法，涉及一种锂离子电池循环寿命预测方法。它为了解决现有的锂离子电池寿命预测适用性低、稳定性差的问题。其方法：对电池循环充放电试验测试数据进行预处理；采用Bagging算法对训练数据集Train dataset进行二次重采样；建立单调回声状态网络模型；初始化单调回声状态网络内部连接权值，重复T次，得到T个未经训练的单调回声状态网络子模型；设置单调回声状态网络模型的第一自由参数集和第二自由参数集；集成单调回声状态网络模型的输出RULi，并采用测试数据集Test dataset驱动集成单调回声状态网络模型，获得锂离子电池剩余寿命预测值。本发明适用于锂离子电池寿命预测。
-
公开(公告)号：CN102798823A
公开(公告)日：2012-11-28
申请号：CN201210198845.7
申请日：2012-06-15
Applicant: 哈尔滨工业大学
IPC: G01R31/36
Abstract: 基于高斯过程回归的锂电池健康状况预测方法，涉及一种锂电池健康状况预测方法，属于电化学和分析化学领域。目的是针对传统锂电池健康状况预测适应性差的问题。本发明是按一下步骤实现：一、绘制该锂电池的电池的健康状态SOH与充放电周期的关系曲线；二、根据具有再生现象的退化曲线和约束条件选择协方差函数；三、按照共轭梯度法迭代后确定超参数的最优值并该初值带入先验分布中；四、根据先验部分得到后验分布；五、得到不带高斯白噪声的预测输出f′的均值和方差；六、将实际测得的电池的健康状态SOH和步骤五得到的预测的电池的健康状态SOH共同带入到训练数据y中，得出f′，确定预测置信区间，预测出锂电池的健康状况。用于锂电池的检测。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.031 seconds)
