-
公开(公告)号：CN117406123B
公开(公告)日：2024-12-17
申请号：CN202311560884.1
申请日：2023-11-22
Applicant: 暨南大学 , 内蒙古科学技术研究院
IPC: G01R31/392
Abstract: 本发明公开了一种动力电池循环老化回收利用的方法，该方法包括以下步骤：测试动力电池循环老化程度；采用再制造作为回收途径，降低回收成本，实现对动力电池的再利用，通过构建动力电池数字孪生模型，并通过构建动力电池循环老化电容衰退趋势的方程，以方程绘制不同服役时间所对应的动力电池性能衰退曲线，再以曲线的拐点，将动力电池随服役时间循环老化的各个时间段，包括平稳期、急剧期以及报废期反映出来，通过急剧期开始和结束的拐点，作为动力电池主动再制造的上下限，以此对应服役时间段，来匹配达到该服役时间段的动力电池，能够更加准确的实现对该服役时间段内动力电池的主动再制造。
-
公开(公告)号：CN118747565A
公开(公告)日：2024-10-08
申请号：CN202410779883.4
申请日：2024-06-17
IPC: G06Q10/047 , G06Q50/26 , G06N3/126
Abstract: 本发明公开了一种基于时效性的生活垃圾清运路径规划方法、装置及设备，所述方法包括：获取城市中各垃圾产生点在垃圾产生周期内的垃圾类型和产生量；根据垃圾类型和产生量设定各垃圾产生点的时效性约束条件，并建立最小化清运成本与中转站带来的负面影响的目标函数；采用改进的多目标遗传算法对目标函数进行求解，结合各垃圾点的位置分布和清运成本，以及垃圾中转站对居民区的负面影响，求解最优的垃圾中转站的选址和数量；根据求解结果，制定不同周期内垃圾中转站对各类垃圾的清运路径。本发明能够有效优化垃圾中转站的选址和清运路径，在满足垃圾清运需求的前提下，降低清运成本，提高清运效率，并减少垃圾中转站对居民区的影响。
-
公开(公告)号：CN118535875A
公开(公告)日：2024-08-23
申请号：CN202410657000.2
申请日：2024-05-24
Applicant: 暨南大学
Abstract: 本发明公开了一种工序随机失效的退役机电产品拆解方法、装置及设备，所述方法包括：利用贝叶斯网络对退役机电产品拆解过程中的各工序间失效因果关联进行分析，确定失效状态转移的概率；根据退役机电产品拆解过程中的失效样本数据，估计各拆解工序随机失效条件概率；结合遗传算法，根据工序的失效条件概率优化拆解工艺路线，搜索退役机电产品拆解的全局近似最优解；根据设计好的失效修复策略，针对已发生失效的工序采取相应修复操作，确保退役机电产品拆解过程中拆解序列的连续性。本发明能够深入探究拆解工序失效行为机理，并基于拆解工序之间的失效因果关联决策出全局最优拆解工艺路线。
-
公开(公告)号：CN117669984A
公开(公告)日：2024-03-08
申请号：CN202311750332.7
申请日：2023-12-18
Applicant: 暨南大学 , 广东云熵科技有限公司
IPC: G06Q10/0631 , G06N5/02 , G06N3/092 , G06F18/241
Abstract: 本发明提出了基于数字孪生及知识图谱的强化学习的车间调度方法，包括：建立数据接收与存储结构收集多模态数据，根据多模态数据生成标签和元数据，并利用图模型的连接性预测与现有数据相关的标签和元数据；对生成的标签和元数据进行数据质量评估与过滤，所述数据质量评估是根据数据质量评分进行评估；设计多层次车间状态表示并建立车间数字孪生模型；构建知识图谱和可解释强化学习模型；根据可解释强化学习模型生成决策逻辑和解释决策逻辑；根据决策逻辑和车间数字孪生模型搭建实验环境并评估实验性能。本发明综合性地解决了车间调度的效率、成本和解释性问题。
-
公开(公告)号：CN117517974A
公开(公告)日：2024-02-06
申请号：CN202311513965.6
申请日：2023-11-14
Applicant: 暨南大学 , 内蒙古科学技术研究院
IPC: G01R31/367 , G01R31/392
Abstract: 本发明公开了一种表征动力电池循环老化衰退机理的方法，该方法包括以下步骤：孪生数据驱动的动力电池多尺度等效电路模型的构建；多因素耦合影响下动力电池循环老化衰退机理的表征；其中，动力电池循环衰退老化是在多特征工况循环以及多物理场参数耦合的共同作用下产生；形成电池电容多重衰退模型方程式，用以表征动力电池循环老化电容的衰退趋势，从而能够根据方程式所绘制的衰退曲线，来表征动力电池电容随服役周期的变化，通过曲线变化的拐点，作为不同生命周期的切换点，从而清晰的反映动力电池随服役周期变化的电容含量，方便对即将退役的动力电池进行精确的分析，从而选择不同的回收方式进行回收，降低成本和提高电池的利用率。
-
Patent Agency Ranking
公开(公告)号：CN117406123A
公开(公告)日：2024-01-16
申请号：CN202311560884.1
申请日：2023-11-22
Applicant: 暨南大学 , 内蒙古科学技术研究院
IPC: G01R31/392
Abstract: 本发明公开了一种动力电池循环老化回收利用的方法，该方法包括以下步骤：测试动力电池循环老化程度；采用再制造作为回收途径，降低回收成本，实现对动力电池的再利用，通过构建动力电池数字孪生模型，并通过构建动力电池循环老化电容衰退趋势的方程，以方程绘制不同服役时间所对应的动力电池性能衰退曲线，再以曲线的拐点，将动力电池随服役时间循环老化的各个时间段，包括平稳期、急剧期以及报废期反映出来，通过急剧期开始和结束的拐点，作为动力电池主动再制造的上下限，以此对应服役时间段，来匹配达到该服役时间段的动力电池，能够更加准确的实现对该服役时间段内动力电池的主动再制造。
-
公开(公告)号：CN116307440B
公开(公告)日：2023-11-17
申请号：CN202211456989.8
申请日：2022-11-21
Applicant: 暨南大学 , 广东云熵科技有限公司
IPC: G06Q10/0631 , G06Q50/04
Abstract: 本发明公开了一种基于强化学习的多目标权重学习的车间调度方法及其装置和应用，属于人工智能技术领域。本发明提出了一种基于强化学习的多目标权重学习车间调度方法，通过不断收集、分析车间中的不同目标所衍生的状态数据，进而对多个目标的调度进行不断优化，最终得到最优的调度方式，从而有效优化了车间作业流程，提高生产效率；本发明可根据实际生产状态调整不同优化目标的优先程度，动态性更强，可更好应对不同生产状况；本发明所获得的调度结果与传统的解决多目标车间调度问题的方法相比更佳，对人工智能更好地用于生产具有重要的意义。
-
公开(公告)号：CN112883873B
公开(公告)日：2023-08-01
申请号：CN202110197703.8
申请日：2021-02-22
Applicant: 暨南大学
IPC: G06V20/10 , G06V10/20 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本申请涉及一种叶部病害的识别方法、装置、电子装置和存储介质，其中，该叶部病害的识别方法包括：通过获取待识别的植物叶片图像；对所述植物叶片图像进行预处理，得到多幅第一叶片图像；利用注意力机制模型处理多幅所述第一叶片图像，获得多幅所述第一叶片图像对应的第一分类标签，其中，所述注意力机制模型被训练为用于根据叶片图像得到与该叶片图像对应的分类标签，所述分类标签包括该叶片图像对应各种叶部病害类别的病害概率；根据所述第一分类标签确定所述植物叶片图像的识别结果。通过本申请，解决了相关技术中叶部病害识别费时费力、时效性低的问题，实现了叶部病害的实时检测识别。
-
公开(公告)号：CN116414093A
公开(公告)日：2023-07-11
申请号：CN202310393809.4
申请日：2023-04-13
Applicant: 暨南大学
IPC: G05B19/418
Abstract: 本发明提出了一种基于物联网系统和强化学习的车间生产方法，包括：部署传感器实时收集生产线上的多模态数据并发送到中央数据处理系统；中央数据处理系统对多模态数据进行预处理；对预处理后的数据进行特征提取和融合；根据特征提取和融合的输出进行转化作为改进PPO算法的输入，使用PPO算法优化多目标柔性车间调度任务。本发明使用物联网设备收集实时生产数据，结合多模态数据进行强化学习来实现一个多目标的柔性车间生产调度方法，引入了一个长短时记忆神经网络处理多模态数据中的时序信息，并利用自注意力机制来自动识别关键信息，使用算法进行强化学习，在强化学习训练方法使用了一个多目标的奖励评价指标使得智能体可以满足多个目标的需求。
-
公开(公告)号：CN115271568B
公开(公告)日：2023-01-20
申请号：CN202211206939.4
申请日：2022-09-30
Applicant: 暨南大学
Abstract: 本发明涉及基于强化学习‑群体进化混合算法的双边拆解线设计方法，所述方法包括以下步骤：S1、定义与、或优先关系；S2、建立以优化产线布置、经济效益和安全环保三个方面共六个指标的数学模型；S3、初始化种群，建立外部档案储存Pareto较优解，建立R值表记录算子的改进效果，建立Q值表储存Q值；S4、采用群优化算法迭代更新外部档案，同时记录每代优化算子的对于目标的改进值；S5、重复步骤S3‑S4，进行多次强化学习获得稳定的R值表和Q值表；S6、根据Q值表终表，采用群优化算法迭代更新外部档案，获得稳定解。本发明采用了基于强化学习的群体进化算法解决拆卸任务之间复杂的约束类型，能高效获得稳定的最优解并保证解的多样性。
-
-
-
-
-
-
-
-
-
Search Results
140
records
(took 0.02 seconds)
