-
公开(公告)号：CN114487847A
公开(公告)日：2022-05-13
申请号：CN202210046882.X
申请日：2022-01-14
Applicant: 江南大学
IPC: G01R31/367 , G01R31/396
Abstract: 本发明公开了一种评估电池生产工艺环节对于电池一致性影响的方法，属于电池生产工艺能力分析技术领域。所述方法通过在构建模糊一致矩阵时，引入截尾均值法的思想，对收集的专家打分表进行数据处理，减少专家主观因素对一致性分析体系的影响以及专家评分中极端数据的影响；然后再将一致性指标转换成适应度函数，并利用修正后的模糊一致矩阵和因素权重构建初始粒子群，结合粒子群寻优计算得到权重，实现一致性矩阵判别检验，建立动力电池生产工艺一致性分析体系，此过程无需专家反复打分，也无需一致性验证和矩阵修正过程的反复计算，因此大大降低了计算量，且通过粒子群寻优得到最符合一致性要求的权重。
-
公开(公告)号：CN114897091A
公开(公告)日：2022-08-12
申请号：CN202210593088.7
申请日：2022-05-27
Applicant: 江南大学 , 天能电池集团股份有限公司
Abstract: 本发明公开了一种高端电池智能工厂端级数据融合方法，属于智能电池生产技术领域。所述方法利用高端电池生产车间采集端的大量分布式传感器，并根据分布式传感器实时测量的生产工艺数据进行电池状态估计，并对所有的检测数据进行融合，得到最终估计结果，同时考虑到实际生产过程中的未知有界干扰噪声，选择集员滤波算法进行数据融合，得到可靠准确的电池状态的估计值。
-
公开(公告)号：CN112965461A
公开(公告)日：2021-06-15
申请号：CN202110174617.5
申请日：2021-02-05
Applicant: 江南大学
Abstract: 本发明公开了一种基于最小保守性区间滤波的电机系统故障估计方法，属于故障估计技术领域。通过采用全对称多胞体表示未知但有界的噪声，增加了该方法的实用性和准确率；根据重构电机模型设计动态区间观测器，通过最小化系统的状态保守性设计区间观测器的动态增益，实现具有最小保守性的观测器故障区间的估计；设计故障的集逆收缩滤波问题，利用向量布尔运算和分维度依次运算进一步收缩观测器故障估计区间，更接近真实故障值的滤波故障估计区间；同时集逆收缩滤波问题求解方法的计算复杂度明显小于目前最广泛使用的求解方法；相对于现有的故障估计方法，本申请方法能够更高效地实时估计到更紧致的故障区间，对电机系统的性能监督提供了保障。
-
公开(公告)号：CN114897091B
公开(公告)日：2024-05-10
申请号：CN202210593088.7
申请日：2022-05-27
Applicant: 江南大学 , 天能电池集团股份有限公司
IPC: G06F18/25 , G06Q10/0633 , G06Q50/04
Abstract: 本发明公开了一种高端电池智能工厂端级数据融合方法，属于智能电池生产技术领域。所述方法利用高端电池生产车间采集端的大量分布式传感器，并根据分布式传感器实时测量的生产工艺数据进行电池状态估计，并对所有的检测数据进行融合，得到最终估计结果，同时考虑到实际生产过程中的未知有界干扰噪声，选择集员滤波算法进行数据融合，得到可靠准确的电池状态的估计值。
-
公开(公告)号：CN113591020B
公开(公告)日：2024-03-01
申请号：CN202110848659.2
申请日：2021-07-23
Applicant: 江南大学
Abstract: 本发明公开了一种基于轴对称盒空间滤波的非线性系统状态估计方法，属于状态估计技术领域。所述方法包括获取工业控制系统中的非线性弹簧‑质量‑阻尼器系统模型，获取初始区间盒子的顶点坐标，将非线性模型线性化，利用区间盒子包裹线性化过程误差，根据闵可夫斯基和运算得到k+1时刻预测区间盒子状态集，通过测量得到区间盒子测量集，并利用区间盒子测量集对k+1时刻的状态预测集进行更新，将区间盒子拆分成超平面进行约束得到两个区间盒子的交集，完成对k+1时刻系统状态的估计；解决了在未知噪声干扰下的写线性系统状态估计问题；利用区间盒子包裹误差使得估计状态集更加紧致、准确；区间盒子的拆分在保持准确性的同时减少了(56)对比文件沈艳霞等.一种基于凸多面体的集员滤波故障诊断方法.控制与决策.2018,第33卷(第1期),150 – 156.
-
Patent Agency Ranking
公开(公告)号：CN111881587A
公开(公告)日：2020-11-03
申请号：CN202010750174.5
申请日：2020-07-30
Applicant: 江南大学
IPC: G06F30/20 , G06F17/16 , G01R31/34 , G06F119/02
Abstract: 本发明公开了一种基于滤波的永磁直流电动机故障检测方法，属于永磁直流电动机故障检测领域。通过利用正多胞体卡尔曼滤波方法得到永磁直流电动机在正常工作状态下的输出矩阵对应的正多胞体 通过判断实际工作状态下的输出矩阵是否在正常工作状态下的正多胞体 的上下界内，确定永磁直流电动机是否发生故障，若发生故障，则根据比较结果确定故障状态和故障时间；相对于现有的基于全对称多胞形的故障检测方法，本申请采用空间形状更为简单的正多胞体，检测速度更快，更适用于在线故障检测，且本申请方法所估计出的永磁直流电动机的工作状态更贴近实际的工作状态，所以能够更准确的反映出实际工作状态与正常的工作状态不符，因此故障检测率更高。
-
公开(公告)号：CN111881587B
公开(公告)日：2023-08-25
申请号：CN202010750174.5
申请日：2020-07-30
Applicant: 江南大学
IPC: G06F30/20 , G06F17/16 , G01R31/34 , G06F119/02
Abstract: 本发明公开了一种基于滤波的永磁直流电动机故障检测方法，属于永磁直流电动机故障检测领域。通过利用正多胞体卡尔曼滤波方法得到永磁直流电动机在正常工作状态下的输出矩阵对应的正多胞体通过判断实际工作状态下的输出矩阵是否在正常工作状态下的正多胞体的上下界内，确定永磁直流电动机是否发生故障，若发生故障，则根据比较结果确定故障状态和故障时间；相对于现有的基于全对称多胞形的故障检测方法，本申请采用空间形状更为简单的正多胞体，检测速度更快，更适用于在线故障检测，且本申请方法所估计出的永磁直流电动机的工作状态更贴近实际的工作状态，所以能够更准确的反映出实际工作状态与正常的工作状态不符，因此故障检测率更高。
-
公开(公告)号：CN112965461B
公开(公告)日：2022-02-11
申请号：CN202110174617.5
申请日：2021-02-05
Applicant: 江南大学
Abstract: 本发明公开了一种基于最小保守性区间滤波的电机系统故障估计方法，属于故障估计技术领域。通过采用全对称多胞体表示未知但有界的噪声，增加了该方法的实用性和准确率；根据重构电机模型设计动态区间观测器，通过最小化系统的状态保守性设计区间观测器的动态增益，实现具有最小保守性的观测器故障区间的估计；设计故障的集逆收缩滤波问题，利用向量布尔运算和分维度依次运算进一步收缩观测器故障估计区间，更接近真实故障值的滤波故障估计区间；同时集逆收缩滤波问题求解方法的计算复杂度明显小于目前最广泛使用的求解方法；相对于现有的故障估计方法，本申请方法能够更高效地实时估计到更紧致的故障区间，对电机系统的性能监督提供了保障。
-
公开(公告)号：CN113591020A
公开(公告)日：2021-11-02
申请号：CN202110848659.2
申请日：2021-07-23
Applicant: 江南大学
Abstract: 本发明公开了一种基于轴对称盒空间滤波的非线性系统状态估计方法，属于状态估计技术领域。所述方法包括获取工业控制系统中的非线性弹簧‑质量‑阻尼器系统模型，获取初始区间盒子的顶点坐标，将非线性模型线性化，利用区间盒子包裹线性化过程误差，根据闵可夫斯基和运算得到k+1时刻预测区间盒子状态集，通过测量得到区间盒子测量集，并利用区间盒子测量集对k+1时刻的状态预测集进行更新，将区间盒子拆分成超平面进行约束得到两个区间盒子的交集，完成对k+1时刻系统状态的估计；解决了在未知噪声干扰下的写线性系统状态估计问题；利用区间盒子包裹误差使得估计状态集更加紧致、准确；区间盒子的拆分在保持准确性的同时减少了运算复杂度。
-
公开(公告)号：CN112305418B
公开(公告)日：2021-09-28
申请号：CN202011088531.2
申请日：2020-10-13
Applicant: 江南大学
IPC: G01R31/34
Abstract: 本发明公开了一种基于混合噪声双重滤波的电机系统故障诊断方法，属于故障诊断技术领域。所述方法用全对称多胞体表示未知但有界噪声，用高斯噪声表示随机噪声，通过最小化全对称多胞体生成矩阵的F范数、协方差矩阵迹的导数设计电机系统动态状态观测器，基于信号平均功率得到各个时刻的最优权重解，设计状态估计器的动态增益，从而有效降低了状态估计区间的准确性和保守性。进一步的，基于残差概率分布函数计算故障检测指标的置信区间，实现对执行器故障高效的故障检测、故障识别和故障区间估计；相对于现有诊断方法，本申请方法检测效率更高，能够更快速检测到故障的发生，且没有出现漏诊的情况，障检测准确性更高。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.037 seconds)
