-
公开(公告)号：CN117110896B
公开(公告)日：2024-01-05
申请号：CN202311377696.5
申请日：2023-10-24
Applicant: 湖北工业大学
IPC: G01R31/367 , G01R31/378 , G06N5/02
Abstract: 本发明提供一种基于知识图谱的锂离子电池故障检测方法及系统，属于深度学习技术领域，包括：确认故障电池品牌，采集锂离子电池故障数据，获取故障电池相关业务文档；构建故障电池诊断知识体系；采集故障电池结构化数据进行数据清洗和数据存储；对应品牌故障电池售后业务文档的非结构化数据，进行知识抽取，将知识信息填入到诊断知识体系中，形成故障特征文本；将实体对齐数据与故障特征文本匹配，生成故障实体；进行知识推理，构建故障电池故障知识图谱；根据故障知识图谱进行故障归因诊断，给出故障诊断结果。本发明为在役电池失效分析提供保证，有效分析故障电池当前故障，为退役锂离子电池的梯次利用提供指导，实现锂离子电
-
公开(公告)号：CN119805248A
公开(公告)日：2025-04-11
申请号：CN202510287982.5
申请日：2025-03-12
Applicant: 湖北工业大学
IPC: G01R31/367 , G01R31/382 , G01R31/3842 , G01R31/392 , G06F30/27 , G06N3/04 , G06N3/088
Abstract: 本发明涉及电池健康状态管理技术领域，且公开了一种基于物理信息神经网络的锂电池内部状态估计方法，利用e‑SPM模型获得对神经网络模型内部参数进行优化训练的损失函数，神经网络模型通过损失函数使其内部参数进行优化训练，实现锂电池内部状态估计。本发明，直接将锂电池电流、电压和温度映射到锂电池内部电化学状态，使物理神经网络的输出结果更具有解释性，易于理解和分析，且采用无监督学习方式，将输出状态量代入电压的简化物理模型中，作为约束条件嵌入到神经网络的损失函数中，此训练过程中无需大量标注数据，降低实验数据获取难度。
-
公开(公告)号：CN119001463B
公开(公告)日：2025-01-07
申请号：CN202411201654.0
申请日：2024-08-29
Applicant: 湖北工业大学
IPC: G01R31/367
Abstract: 本发明涉及一种计及应力的多特征融合的锂电池SOC估计方法，获取多种测试工况下的锂电池特征信息，构建分解模型，基于分解模型对多种工况下锂电池特征信息进行变模态分解，获得锂电池特征信息对应的模态分量，构建筛选模型，基于筛选模型对锂电池特征信息及其对应的模态分量进行筛选，获得输入特征组合集，构建锂电池SOC估计模型，将输入特征组合集所对应的各锂电池特征信息及模态分量输入至锂电池SOC估计模型中进行训练，输出锂电池SOC估计值，实现了在非稳态条件下对锂电池剩余电量的准确预测，这不仅有助于优化电池管理策略，延长电池使用寿命，对于提升电动汽车和储能系统的整体安全性和可靠性具有重要意义。
-
公开(公告)号：CN119001463A
公开(公告)日：2024-11-22
申请号：CN202411201654.0
申请日：2024-08-29
Applicant: 湖北工业大学
IPC: G01R31/367
Abstract: 本发明涉及一种计及应力的多特征融合的锂电池SOC估计方法，获取多种测试工况下的锂电池特征信息，构建分解模型，基于分解模型对多种工况下锂电池特征信息进行变模态分解，获得锂电池特征信息对应的模态分量，构建筛选模型，基于筛选模型对锂电池特征信息及其对应的模态分量进行筛选，获得输入特征组合集，构建锂电池SOC估计模型，将输入特征组合集所对应的各锂电池特征信息及模态分量输入至锂电池SOC估计模型中进行训练，输出锂电池SOC估计值，实现了在非稳态条件下对锂电池剩余电量的准确预测，这不仅有助于优化电池管理策略，延长电池使用寿命，对于提升电动汽车和储能系统的整体安全性和可靠性具有重要意义。
-
公开(公告)号：CN117633498A
公开(公告)日：2024-03-01
申请号：CN202410106870.0
申请日：2024-01-25
Applicant: 湖北工业大学
IPC: G06F18/2111 , G06F18/2431 , G06N3/006 , G16C20/10 , G16C20/70
Abstract: 本发明涉及一种锂电池电化学模型参数辨识方法，首先选用电化学模型，并对电化学模型参数和工况进行分类，然后选取不同种类工况对不同种类电化学模型参数的敏感性进行分析，分别得出不同种类电化学模型参数的敏感性，以及不同种类电化学模型参数所对应的最佳识别工况，最后根据电化学模型参数的敏感性和电化学模型参数的种类制定辨识方法，通过开发双种群多目标狼群算法，通过重新设计考虑模型收敛性的算法，通过种群初始化将种群分为收敛种群，对于收敛种群，采用电压曲线误差的均方根作为目标函数，而对于不收敛种群，采用正负极容量公式与单体电池标称容量的差值作为目标函数，解决了在辨识过程中模型不收敛的问题。
-
Patent Agency Ranking
公开(公告)号：CN117633498B
公开(公告)日：2024-04-23
申请号：CN202410106870.0
申请日：2024-01-25
Applicant: 湖北工业大学
IPC: G06F18/2111 , G06F18/2431 , G06N3/006 , G16C20/10 , G16C20/70
Abstract: 本发明涉及一种锂电池电化学模型参数辨识方法，首先选用电化学模型，并对电化学模型参数和工况进行分类，然后选取不同种类工况对不同种类电化学模型参数的敏感性进行分析，分别得出不同种类电化学模型参数的敏感性，以及不同种类电化学模型参数所对应的最佳识别工况，最后根据电化学模型参数的敏感性和电化学模型参数的种类制定辨识方法，通过开发双种群多目标狼群算法，通过重新设计考虑模型收敛性的算法，通过种群初始化将种群分为收敛种群，对于收敛种群，采用电压曲线误差的均方根作为目标函数，而对于不收敛种群，采用正负极容量公式与单体电池标称容量的差值作为目标函数，解决了在辨识过程中模型不收敛的问题。
-
公开(公告)号：CN116087794B
公开(公告)日：2023-06-27
申请号：CN202310363474.1
申请日：2023-04-07
Applicant: 湖北工业大学
IPC: G01R31/367 , G01R31/389 , G01R31/392
Abstract: 本发明公开了一种电池失效分级预警方法及系统，根据锂离子电池过充不同阶段电阻抗特性，建立了3个过充阶段的分数阶等效电路模型。结合最小二乘法和稀疏自编码器对电化学阻抗谱曲线的特征进行训练，得到不同过充阶段的特征参数。然后经过对不同频段电化学阻抗谱曲线进行解耦，推导出的阻抗圆弧的大小可以通过模型对应的并联电阻的大小来反映，最后采用传荷阻抗和SEI膜阻抗来反映两个阻抗圆弧随荷电状态的变化。基于与电池内部结构损伤有关的Wct和WSEI参数增量指标，采用3σ准则和拐点判断对电池电阻增量曲线突变点进行辨识，提出了一种锂离子电池三级安全预警方法，相比于电压和温度作为特征的预警方法显得更加优越。
-
公开(公告)号：CN116087794A
公开(公告)日：2023-05-09
申请号：CN202310363474.1
申请日：2023-04-07
Applicant: 湖北工业大学
IPC: G01R31/367 , G01R31/389 , G01R31/392
Abstract: 本发明公开了一种电池失效分级预警方法及系统，根据锂离子电池过充不同阶段电阻抗特性，建立了3个过充阶段的分数阶等效电路模型。结合最小二乘法和稀疏自编码器对电化学阻抗谱曲线的特征进行训练，得到不同过充阶段的特征参数。然后经过对不同频段电化学阻抗谱曲线进行解耦，推导出的阻抗圆弧的大小可以通过模型对应的并联电阻的大小来反映，最后采用传荷阻抗和SEI膜阻抗来反映两个阻抗圆弧随荷电状态的变化。基于与电池内部结构损伤有关的Wct和WSEI参数增量指标，采用3σ准则和拐点判断对电池电阻增量曲线突变点进行辨识，提出了一种锂离子电池三级安全预警方法，相比于电压和温度作为特征的预警方法显得更加优越。
-
公开(公告)号：CN119805249A
公开(公告)日：2025-04-11
申请号：CN202510287984.4
申请日：2025-03-12
Applicant: 湖北工业大学
IPC: G01R31/367 , G16C20/70 , G16C20/20 , G06N3/006 , G01R31/382
Abstract: 本发明涉及电池SOP预测技术领域，且公开了一种基于电化学模型的电池SOP快速预测方法，包括以下步骤，将P2D模型简化为e‑SPM模型，并与热模型耦合得到电热耦合模型，通过变尺度的多目标灰狼优化算法分别辨识电热耦合模型的热参数和电化学参数，使用无迹卡尔曼滤波作为电化学模型的状态观测器，观测电池的内部和外部的状态；该方法通过一种变尺度的多目标灰狼优化算法，快速地辨识了21个电化学模型参数，通过在寻优过程中的改变输入辨识尺度的策略，避免了在寻优过程中出现的不收敛问题；通过一种多目标的策略，通过权重选择各类工况的适应度值的占比，避免了参数辨识中的过拟合问题。
-
公开(公告)号：CN117110896A
公开(公告)日：2023-11-24
申请号：CN202311377696.5
申请日：2023-10-24
Applicant: 湖北工业大学
IPC: G01R31/367 , G01R31/378 , G06N5/02
Abstract: 本发明提供一种基于知识图谱的锂离子电池故障检测方法及系统，属于深度学习技术领域，包括：确认故障电池品牌，采集锂离子电池故障数据，获取故障电池相关业务文档；构建故障电池诊断知识体系；采集故障电池结构化数据进行数据清洗和数据存储；对应品牌故障电池售后业务文档的非结构化数据，进行知识抽取，将知识信息填入到诊断知识体系中，形成故障特征文本；将实体对齐数据与故障特征文本匹配，生成故障实体；进行知识推理，构建故障电池故障知识图谱；根据故障知识图谱进行故障归因诊断，给出故障诊断结果。本发明为在役电池失效分析提供保证，有效分析故障电池当前故障，为退役锂离子电池的梯次利用提供指导，实现锂离子电池高效利用。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.02 seconds)
