-
公开(公告)号：CN114566227A
公开(公告)日：2022-05-31
申请号：CN202110878223.8
申请日：2021-07-30
Applicant: 南通大学
Abstract: 本发明提供了一种基于牛顿迭代算法的PH中和过程模型辨识方法，包括以下步骤：步骤1)构建PH中和过程分数阶Hammerstein CAR模型，根据所构建的系统模型获取PH中和过程的辨识模型；步骤2)构建牛顿迭代算法的辨识流程。本发明的有益效果为：使用本发明的牛顿迭代算法的PH值中和过程模型辨识方法进行的参数辨识结果可以看出，该方法的辨识精度较高，输出的参数估计误差较小；同时，也说明本辨识方法对于本PH中和过程模型有较好的适用性。
-
公开(公告)号：CN113671378B
公开(公告)日：2022-04-08
申请号：CN202110784229.9
申请日：2021-07-12
Applicant: 南通大学
IPC: G01R31/367
Abstract: 本发明提供了一种基于分数阶理论的锂离子电池建模及参数辨识方法，属于离子电池技术领域。解决了整数阶等效电路模型描述电池的动态特征的能力弱，低阶模型不能满足精度要求，高阶模型又会增加了模型复杂度和计算量的技术问题。其技术方案为：包括以下步骤：步骤1)采用经验公式法确定OCV‑SOC的关系；步骤2)推导系统辨识方程；步骤3)构建改进蚁群优化算法的辨识流程。本发明的有益效果为：本发明经过分数阶理论改进的PNGV模型虽然呈现非线性，更加精确，推导出基于分数阶的PNGV模型辨识表达式，并且采用改进的蚁群优化算法进行在线辨识，可以获得估计精度高的模型参数和分数阶阶数，可以准确、有效地反应锂电池的实时性能。
-
公开(公告)号：CN114237044A
公开(公告)日：2022-03-25
申请号：CN202111432889.7
申请日：2021-11-29
Applicant: 南通大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于递阶引力搜索的循环流化床锅炉模型辨识方法，属于循环流化床锅炉模型系统辨识技术领域；解决了循环流化床锅炉进行分析、预测的模型问题。其技术方案为：包括如下步骤：步骤1)构建表述循环流化床锅炉床温的多变量状态空间模型，根据所构建的系统模型获取循环流化床锅炉床温的辨识模型；步骤2)构建递阶引力搜索算法的辨识流程。本发明的有益效果是：本发明的方法辨识可显著降低所需辨识信息矩阵及参数向量维度，从而使该方法的计算量大幅降低，本发明的方法辨识精度高，收敛速度快，适用于循环流化床锅炉床温模型的参数辨识。
-
公开(公告)号：CN114062948A
公开(公告)日：2022-02-18
申请号：CN202210025289.7
申请日：2022-01-11
Applicant: 南通大学
IPC: G01R31/387 , G01R31/367 , G01R31/392 , G06F30/27 , G06N3/04 , G06N3/08 , G06F119/08
Abstract: 本发明提供了一种基于3DCNN的锂离子电池SOC估计方法，属于锂离子电池技术领域。解决了SOC估计方法中3DCNN卷积神经网络难以用于SOC估计的问题。其技术方案为：该方法包括以下步骤：步骤1）通过放电实验，反复测取电流等数据；步骤2）数据预处理并构建数据集；步骤3）通过3DCNN卷积神经网络对数据集进行训练，得到3DCNN模型用于实时估计。本发明的有益效果为：本发明使用的卷积神经网络结构能够发掘相邻放电周期之间同一时间点上输入数据的联系，时间维度上的卷积核不仅能考虑循环次数，还能提取各个循环之间的特征关系，且凭借其高适应能力，还可以进行电池剩余容量、电池剩余寿命等电池各个参数的预测。
-
公开(公告)号：CN113702843A
公开(公告)日：2021-11-26
申请号：CN202110845535.9
申请日：2021-07-26
Applicant: 南通大学
IPC: G01R31/382
Abstract: 本发明提供了一种基于郊狼优化算法的锂电池参数辨识与SOC估计方法，包括以下步骤：步骤一：通过间歇恒流放电测取锂电池的电流、电压；步骤二：建立锂电池二阶RC等效电路模型；步骤三：构建郊狼优化算法；步骤四：构建扩展卡尔曼滤波算法；步骤五：利用郊狼优化算法确定锂电池模型中的各个参数，并对电池SOC进行估计。本发明的有益效果为：本发明建立锂电池二阶RC模型，推导其离散状态空间表达式，利用郊狼优化算法进行模型参数辨识，相比于传统启发式算法辨识精度高、收敛速度快，利用辨识结果进行SOC估计，估计误差小，验证了郊狼优化算法在参数辨识方面的精确性。
-
Patent Agency Ranking
公开(公告)号：CN112526348B
公开(公告)日：2021-11-09
申请号：CN202011293629.1
申请日：2020-11-18
Applicant: 南通大学
IPC: G01R31/367 , G06N7/00
Abstract: 本发明提供了一种基于多新息递推贝叶斯算法的电池模型参数辨识方法，包括以下步骤：步骤1)通过间歇恒流放电法测取一定时间内的锂离子电池端电压、负载电流数据，通过多项式拟合法确定其OCV‑SOC的函数关系；步骤2)确定锂离子电池的双极化等效电路模型，建立表示电池参数辨识向量和系统输出关系的系统方程；步骤3)构建多新息递推贝叶斯算法的辨识流程。本发明的有益效果为：本发明建立了锂离子电池参数辨识的ARX模型，利用新息修正技术对前一刻的结果进行修正，基于多新息的辨识方法引入了新息长度参量，克服坏数据对参数估计的影响，提高参数估计精度，由参数辨识结果可以看出，本方法辨识精度高，具有工程价值。
-
公开(公告)号：CN118604629A
公开(公告)日：2024-09-06
申请号：CN202410671505.4
申请日：2024-05-28
Applicant: 南通大学
IPC: G01R31/367 , G01R31/392
Abstract: 本发明提供了一种基于多模态分解的锂离子电池SOH估计方法，属于锂离子电池技术领域。解决了卷积神经网络模型可解释性差的技术问题。其技术方案为：包括以下步骤：步骤1)对SOH进行EMD分解，以获得本征模态函数imf和残余信号res；步骤2)构建用于本征模态函数imf和残差信号res估计的2DCNN训练数据集和测试数据集；步骤3)使用2DCNN对数据集进行训练和测试。本发明的有益效果为：本发明将训练的数据集导入2DCNN中进行训练，最终可用于锂离子电池SOH的估计。
-
公开(公告)号：CN118297097A
公开(公告)日：2024-07-05
申请号：CN202410420831.8
申请日：2024-04-09
Applicant: 南通大学
Abstract: 本申请公开了基于递阶极大似然和粒子群的电液伺服模型参数估计方法，包括以下步骤：建立电液伺服位置反馈非线性系统模型；收集电液伺服位置系统的电压信号数据和位移数据分别作为输入数据以及输出数据，将电液伺服位置反馈非线性系统分解为线性的第一子系统以及非线性的第二子系统；初始化极大似然LM和改进粒子群方法；基于输入数据以及输出数据，获取电液伺服位置反馈非线性系统的参数。本申请首先建立合适的电液伺服位置反馈非线性模型，并提出一种基于递阶极大似然LM和粒子群的辨识方法，对电液伺服位置反馈非线性模型的未知参数进行估计。
-
公开(公告)号：CN116819330A
公开(公告)日：2023-09-29
申请号：CN202310664201.0
申请日：2023-06-06
Applicant: 南通大学
IPC: G01R31/367 , G01R31/392 , G01R31/388
Abstract: 本发明提供了一种基于CBAM改进的3DCNN的锂离子电池SOH估计方法，属于锂离子电池技术领域。解决了3DCNN在锂离子电池SOH估计中数据特征挖掘和缓解神经网络框架复杂性的技术问题。其技术方案为：包括以下步骤：步骤1)将不同的全新锂离子电池充满电；步骤2)构建SOH估计的三维训练数据集和测试数据集；步骤3)实现最终的SOH实时估计。本发明的有益效果为：本发明分别通过不同温度下不同电池的充放电实验获取电池各项参数，然后处理数据与构建不同电池的训练数据集，将训练的数据集导入基于CBAM改进的3DCNN中进行训练，最终可用于锂离子电池SOH的实时估计。
-
公开(公告)号：CN114359157B
公开(公告)日：2023-06-16
申请号：CN202111488122.6
申请日：2021-12-08
Applicant: 南通大学
IPC: G06T7/00 , G06T7/12 , G06N3/0464 , G06N3/08 , G06V10/25 , G06V10/764 , G06V10/82
Abstract: 本发明涉及结直肠息肉检测技术领域，具体涉及一种基于深度学习的结直肠息肉检测方法，包括：从CT影像中获取数据对其进行数据预处理，通过二值化、腐蚀、膨胀等技术，对图像数据进行肠腔实质掩膜提取；然后切割图像进行感兴趣区域(ROI)提取；之后将切割出来的数据影像进行标号保存构建结直肠训练数据集；最后采用一种新的LeNet‑5结构搭建深度学习网络，训练数据，获得影像检测和训练结果。本发明在进行模型训练时，先采用图像预处理技术，找到了疑似区域，大大提高了训练结果的准确性，检测原理简单，检测速度较快，并且随着训练数据的增加，准确率会不断提高。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.026 seconds)
