CN117148251B - 一种基于超级电容器老化夹具的电压补偿方法及系统 - Google Patents
一种基于超级电容器老化夹具的电压补偿方法及系统 Download PDFInfo
- Publication number
- CN117148251B CN117148251B CN202311424249.0A CN202311424249A CN117148251B CN 117148251 B CN117148251 B CN 117148251B CN 202311424249 A CN202311424249 A CN 202311424249A CN 117148251 B CN117148251 B CN 117148251B
- Authority
- CN
- China
- Prior art keywords
- contact
- loss
- sample
- image
- voltage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000032683 aging Effects 0.000 title claims abstract description 114
- 239000003990 capacitor Substances 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 151
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 230000003647 oxidation Effects 0.000 claims abstract description 27
- 238000007254 oxidation reaction Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000005299 abrasion Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 55
- 238000012876 topography Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 9
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 238000013140 knowledge distillation Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/005—Calibrating; Standards or reference devices, e.g. voltage or resistance standards, "golden" references
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R1/00—Details of instruments or arrangements of the types included in groups G01R5/00 - G01R13/00 and G01R31/00
- G01R1/02—General constructional details
- G01R1/04—Housings; Supporting members; Arrangements of terminals
- G01R1/0408—Test fixtures or contact fields; Connectors or connecting adaptors; Test clips; Test sockets
- G01R1/0425—Test clips, e.g. for IC's
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R1/00—Details of instruments or arrangements of the types included in groups G01R5/00 - G01R13/00 and G01R31/00
- G01R1/28—Provision in measuring instruments for reference values, e.g. standard voltage, standard waveform
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/003—Environmental or reliability tests
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/13—Energy storage using capacitors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本申请公开了一种基于超级电容器老化夹具的电压补偿方法及系统，涉及电容器老化技术领域，所述方法包括：采集老化夹具及待进行检测的超级电容的正极触点、负极触点图像，生成触点图像集；采集老化夹具及超级电容的使用信息；根据上述信息进行触点的氧化和磨损分析，获得损耗分析结果；基于损耗分析结果，结合触点图像集，进行触点图像损耗对抗生成，获得生成触点形貌图像集；通过图像识别，获取老化夹具和超级电容的触点接触电阻；识别老化夹具进行接触测试时的压降信息；对预设电压进行补偿计算，获得补偿电压，按照补偿电压对老化夹具进行控制。进而实现电压的自动补偿、提高老化测试精度和一致性的技术效果。
Description
技术领域
本发明涉及电容器老化技术领域，特别涉及一种基于超级电容器老化夹具的电压补偿方法及系统。
技术背景
超级电容是一种电容器，通常用于存储电力，比传统电容器的容量大得多，但是随着使用时间的延长，超级电容会逐渐失去储存电力的能力，因此需要对超级电容的老化进行老化，以评估超级电容的使用寿命。现有的老化夹具将若干个电容器按照相同极性并联连接，再将并联后的电容器的正极和负极直接通过触点分别引出，通过触点与外部老化设备上的触点连接，通过弹簧装置使得每对触点连接可靠。外部老化设备上的触点与老化电源的输出连接，老化电源提供老化电压。
由于触点之间会产生接触电阻，在触点之间产生压降，导致实际施加到被充电电容器上的电压是低于设定电压的。虽则触点不同程度的氧化和磨损，电阻会进一步的加大。触点的接触电阻，在不同时间、不同工位上都是不同的，从而导致了不同的老化夹具上的被老化电容器上的电压是不同的。现有技术存在缺少电压补偿、影响老化精度及一致性的技术问题
发明内容
本申请的目的在于提供一种基于超级电容器老化夹具的电压补偿方法及系统。用以解决现有技术中缺少电压补偿、影响老化精度及一致性的技术问题。
鉴于以上技术问题，本申请提供了一种基于超级电容器老化夹具的电压补偿方法及系统。
第一方面，本申请提供了一种基于超级电容器老化夹具的电压补偿方法，其中，所述方法包括：
通过触点检测模块，采集老化夹具的正极触点、负极触点的第一正极触点图像、第一负极触点图像，以及待进行检测的超级电容的正极触点、负极触点的第二正极触点图像、第二负极触点图像，作为触点图像集；通过损耗分析模块，采集所述老化夹具的第一使用信息，以及所述超级电容的第二使用信息；根据所述第一使用信息和第二使用信息，进行触点的氧化和磨损分析，获得第一损耗分析结果和第二损耗分析结果；基于所述第一损耗分析结果和第二损耗分析结果，结合所述触点图像集，进行触点图像损耗对抗生成，获得生成触点形貌图像集；根据所述生成触点形貌图像集，通过图像识别，获取老化夹具和超级电容的触点接触电阻；通过压降识别模块，根据所述触点接触电阻，识别所述老化夹具按照预设电压对所述超级电容进行接触测试时的压降信息；通过电压补偿模块，根据所述压降信息，对所述预设电压进行补偿计算，获得补偿电压，按照补偿电压对所述老化夹具进行控制。
第二方面，本申请还提供了一种基于超级电容器老化夹具的电压补偿系统，其中，所述系统包括：
触点检测模块，所述触点检测模块用于采集老化夹具的正极触点、负极触点的第一正极触点图像、第一负极触点图像，以及待进行检测的超级电容的正极触点、负极触点的第二正极触点图像、第二负极触点图像，作为触点图像集；损耗分析模块，所述损耗分析模块用于，采集所述老化夹具的第一使用信息，以及所述超级电容的第二使用信息；分析输出模块，所述分析输出模块用于根据所述第一使用信息和第二使用信息，进行触点的氧化和磨损分析，获得第一损耗分析结果和第二损耗分析结果；图像生成模块，所述图像生成模块用于基于所述第一损耗分析结果和第二损耗分析结果，结合所述触点图像集，进行触点图像损耗对抗生成，获得生成触点形貌图像集；电阻分析模块，所述电阻分析模块用于根据所述生成触点形貌图像集，通过图像识别，获取老化夹具和超级电容的触点接触电阻；压降识别模块，所述压降识别模块用于，根据所述触点接触电阻，识别所述老化夹具按照预设电压对所述超级电容进行接触测试时的压降信息；电压补偿模块，所述电压补偿模块用于，根据所述压降信息，对所述预设电压进行补偿计算，获得补偿电压，按照补偿电压对所述老化夹具进行控制。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过触点检测模块，采集老化夹具的正极触点、负极触点的第一正极触点图像、第一负极触点图像，以及待进行检测的超级电容的正极触点、负极触点的第二正极触点图像、第二负极触点图像，作为触点图像集；通过损耗分析模块，采集老化夹具的第一使用信息，以及超级电容的第二使用信息；根据第一使用信息和第二使用信息，进行触点的氧化和磨损分析，获得第一损耗分析结果和第二损耗分析结果；基于第一损耗分析结果和第二损耗分析结果，结合触点图像集，进行触点图像损耗对抗生成，获得生成触点形貌图像集；根据生成触点形貌图像集，通过图像识别，获取老化夹具和超级电容的触点接触电阻；通过压降识别模块，根据触点接触电阻，识别老化夹具按照预设电压对超级电容进行接触测试时的压降信息；通过电压补偿模块，根据压降信息，对预设电压进行补偿计算，获得补偿电压，按照补偿电压对老化夹具进行控制。进而实现电压的自动补偿、提高老化测试精度和一致性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚阐明本申请的技术手段，进而可依照说明书的内容予以实施，并且为了让本申请的上述及其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
本发明的实施例及后述简单说明结合图示予以说明，附图说明如下：
图1为本申请一种基于超级电容器老化夹具的电压补偿方法的流程示意图；
图2为本申请一种基于超级电容器老化夹具的电压补偿方法中获得第一损耗分析结果和第二损耗分析结果的流程示意图；
图3为本申请一种基于超级电容器老化夹具的电压补偿系统的结构示意图。
附图标记说明：触点检测模块11、损耗分析模块12、分析输出模块13、图像生成模块14、电阻分析模块15、压降识别模块16、电压补偿模块17。
具体实施方式
本申请通过提供一种基于超级电容器老化夹具的电压补偿方法和系统，解决了现有技术面临的缺少电压补偿、影响老化精度及一致性的技术问题。
本技术实施例中的方案，为解决上述问题，所采用的整体思路如下：
首先，采集老化夹具及待进行检测的超级电容的正极触点、负极触点的触点图像，生成触点图像集；接着，采集老化夹具的第一使用信息，以及超级电容的第二使用信息；随后，利用这些使用信息进行触点的氧化和磨损分析，得出损耗分析结果。进而根据分析结果和触点图像，生成对抗触点图像，以重建触点的外观。然后，通过图像识别技术，分析生成的触点形貌图像，以获取老化夹具和超级电容触点的接触电阻。而后，借助压降识别模块，根据接触电阻信息，识别老化夹具在预设电压下对超级电容进行接触测试时的压降数据。最后，使用电压补偿模块，基于压降信息，计算需要的电压补偿值，从而调整老化夹具的电压控制，以保证在补偿电压下进行老化测试。进而实现电压的自动补偿、提高老化测试精度和一致性的技术效果。
为更好理解上述技术方案，下面将结合说明书附图和具体的实施方式来对上述技术方案进行详细的说明，需要说明的是，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示，本申请提供了一种基于超级电容器老化夹具的电压补偿方法，所述方法应用于一基于超级电容器老化夹具的电压补偿装置，所述装置包括触点检测模块、损耗分析模块、压降识别模块和电压补偿模块，所述方法包括：
S100：通过触点检测模块，采集老化夹具的正极触点、负极触点的第一正极触点图像、第一负极触点图像，以及待进行检测的超级电容的正极触点、负极触点的第二正极触点图像、第二负极触点图像，作为触点图像集；
触底监测模块用于通过图像采集设备，对老化夹具的正极和负极、超级电容的正极和负极进行图像采集，获取触点图像集。其中，图像采集结果包含了多个触点的接触面图像信息。
可选的，触底监测模块包括摄像设备或传感器，用于捕捉触点的图像。示例性的，采取工业微距相机进行触点接触面的图像采集，且工业微距相机具有固定的采集位置，该采集位置正视于触点接触面，进而确保采集获取到的第一正极触点图像、第一负极触点图像、第二正极触点图像、第二负极触点图像的图像质量。
S200：通过损耗分析模块，采集所述老化夹具的第一使用信息，以及所述超级电容的第二使用信息；
可选的，老化夹具的第一使用信息与超级电容的第二使用信息的采集，通过交互老化测试实验平台，获取老化实验日志进行信息挖掘实现。其中，老化实验日志记录反映了每次老化实验的详细信息。这些信息中包括了老化夹具和超级电容的使用信息，例如开始时间、结束时间、使用次数等。老化测试实验平台的数据记录存储在数据库中。基于数据挖掘工具或脚本来提取和分析这些数据，以获取老化夹具和超级电容的使用信息，包括计算使用时间、使用次数等信息。
进一步的，采集所述老化夹具的第一使用信息，以及所述超级电容的第二使用信息，步骤S200包括：
采集所述老化夹具进行使用的使用时间信息和使用次数信息，作为第一使用信息；
采集所述超级电容进行使用的使用时间信息和使用次数信息，作为第二使用信息。
可选的，第一使用信息反映了老化夹具的使用情况及使用特征，具体的包括使用时间信息和使用次数信息。其中，使用时间信息是指老化夹具的历史累积使用时间，即老化夹具的通电时长。使用次数信息是指老化夹具的通电次数，具体的，每次电流接通的瞬间，可能会于触点接触不佳的位置产生电弧等放电线性，进而对老化夹具的触点产生损伤，影响触点之间接触时的电阻和压降。
可选的，第二使用信息反映了超级电容的老化进程，第二使用信息包括使用时间信息和使用次数信息，其中，该使用时间信息是指超级电容经历的老化时长，即超级电容的工作时长；使用次数信息是指超级电容的充放电次数，使用次数信息通常表示为超级电容的循环次数，工作时长和充放电次数共同影响超级电容的性能，进而影响老化进程中的触点电流电压通过状况。示例性的，相同使用时间信息的超级电容，使用次数越多即使用越频繁的超级电容，老化程度越高，进而对触点形成的损伤相应的更大。
S300：根据所述第一使用信息和第二使用信息，进行触点的氧化和磨损分析，获得第一损耗分析结果和第二损耗分析结果；
可选的，根据第一使用信息和第二使用信息，进行触点的氧化和磨损分析，包括基于实验的磨损分析方法和基于机器学习方法。通过实验分析或机器学习训练，得以构建使用信息与触点氧化和磨损状况的线性或非线性关系。实现了根据使用信息快速的评估触点损耗状况，减少了损耗分析的采样次数，提高了触点氧化和磨损分析的分析效率。
此外，基于使用信息的触点损耗分析，还具有较好的可迁移性，适应不同型号的超级电容和不同的老化参数的老化测试工况。
进一步的，如图2所示，根据所述第一使用信息和第二使用信息，进行触点的氧化和磨损分析，获得第一损耗分析结果和第二损耗分析结果，步骤S300包括：
根据超级电容和老化夹具的使用记录日志，获取样本第一使用信息集和样本第二使用信息集，并基于触点氧化的占比和损耗的占比，测试获得样本第一损耗分析结果集和样本第二损耗分析结果集；
按照相同的使用信息，对所述样本第一使用信息集、样本第二使用信息集、样本第一损耗分析结果集和样本第二损耗分析结果集进行组合和划分，获得多组第一损耗训练集和多组第二损耗训练集；
对所述多组第一损耗训练集和多组第二损耗训练集内不同的样本第一损耗分析结果和样本第二损耗分析结果，按照出现频率进行加权计算，获得多组第一损耗训练数据和多组第二训练数据；
构建用于识别触点损耗的触点损耗识别器，所述触点损耗识别器包括夹具触点损耗识别路径和电容触点损耗识别路径；
采用所述多组第一损耗训练数据和多组第二训练数据，对夹具触点损耗识别路径和电容触点损耗识别路径进行训练更新，直到满足更新要求；
采用满足更新要求的触点损耗识别器，分别对第一使用信息和第二使用信息进行损耗识别，获得所述第一损耗分析结果和第二损耗分析结果。
样本第一使用信息集和样本第二使用信息集
可选的，进行触点的氧化和磨损分析，分析指标参数包括触点氧化占比和触点损耗占比。上述分析指标参数的获取通过对样本第一使用信息集和样本第二使用信息集对应的触点图像进行特征识别和提取获取，涉及图像预处理、灰度化、灰度直方图生成、灰度信息分析统计生成触点氧化占比和触点损耗占比等。示例性的，基于双阈值法进行触点氧化图像和触点损耗图像的提取，其中，双阈值法中双阈值用于将触点图像的灰度化图像基于灰度值，分为氧化图像、损耗图像及正常图像。进一步的，通过分别统计氧化图像、损耗图像及正常图像的像素数目，获取触点氧化占比和触点损耗占比。
可选的，触点氧化占比和触点损耗占比基于以下公式计算：
；
其中，co为触点氧化占比；cd为触点损耗占比；no为氧化图像像素数；nd为损耗图像像素数；ns为正常图像像素数。
可选的，按照相同的使用信息，进行样本第一使用信息集、样本第二使用信息集、样本第一损耗分析结果集和样本第二损耗结果集的组合和划分。使用信息的划分维度包括相同的使用时间和使用次数。获取的多组第一损耗训练集和多组第二损耗训练集包括K组损耗训练组，对应第一使用信息状态、第二使用信息状态……第K信息使用状态。
可选的，基于聚类算法，进行上述信息集和损耗分析结果集的组合和划分，示例性的，首先，建立样本第一使用信息集与样本第一损耗分析结果集中使用信息和分析结果的映射关系，并进行两两组合，映射关系的建立基于相同的时间标记或相同的分析编号。接着，根据样本使用信息集中已知的K种电容老化实验设置，基于K-Mean聚类算法，将上述组合结果分为对应K种使用信息的K组损耗训练组。进而形成多组第一损耗训练集和多组第二损耗训练集。
可选的，对多组第一损耗训练集和多组第二损耗训练集中各损耗训练组，进行组内加权计算。该加权计算基于损耗分析结果的出现频率进行。其中，损耗分析结果的损耗频率即为该种损耗分析结果的加权系数，且损耗训练组内的多种损耗分析结果的加权系数和为1。
可选的，通过将损耗识别器分为夹具触点损耗识别路径和电容触点损耗识别路径，分别建立第一和第二使用信息与夹具触点和电容触点损耗分析结果的复杂关系，减小了损耗识别器的复杂程度和处理流水线长度，实现了损耗识别器的运行效率提高。其中，损耗识别器的构建基于机器学习模型进行，包括决策树、随机森林、支持向量机、深度神经网络等。
可选的，使用多组第一损耗训练数据和多组第二训练数据对损耗识别器进行训练。损耗识别器通过信息特征学习如何预测损耗分析结果。而后，使用测试集来评估损耗识别器的性能。性能指标包括准确性、召回率、精确度等。根据评估结果，对损耗识别器进行调优和优化，以提高其性能，优化方法包括梯度下降法等。
可选的，当损耗识别器的性能评估结果满足更新要求，则将该损耗识别器输出为满足更新要求的触点损耗识别器。其中，更新要求包括：连续组别的评估输出结果满足预设的性能要求，或模型迭代优化次数满足预设的训练次数。
S400：基于所述第一损耗分析结果和第二损耗分析结果，结合所述触点图像集，进行触点图像损耗对抗生成，获得生成触点形貌图像集；
进一步的，基于所述第一损耗分析结果和第二损耗分析结果，结合所述触点图像集，进行触点图像损耗对抗生成，获得生成触点形貌图像集，步骤S400包括：
获取样本第一正极触点图像集、样本第一负极触点图像集、第样本二正极触点图像集、样本第二负极触点图像集，以及样本第一损耗分析结果集和样本第二损耗分析结果集；
通过显微扫描，获取具有不同损耗分析结果的触点的形貌图像，作为样本第一正极形貌图像集、样本第一负极形貌图像集、样本第二正极形貌图像集、样本第二负极形貌图像集；
基于生成对抗网络，构建形貌图像损耗对抗生成器；
采用所述形貌图像损耗对抗生成器，根据所述第一损耗分析结果和第二损耗分析结果，以及所述触点图像集，进行触点形貌图像损耗对抗生成，获得所述生成触点形貌图像集。
可选的，基于生成对抗网络，根据损耗分析结果，生成触点表面的显微形貌图像。其中，生成触点形貌图像集是指触点表面的显微形貌图像的集合，该图像集合反映了触点表面的精细特征。通过损耗分析生成形貌图像，降低了每次需要扫描获取显微图像的成本，同时提升了获取精细触点图像的效率。
可选的，使用显微镜和适当的成像设备对每个触点进行显微扫描。以生成高分辨率的形貌图像。其中，对不同损耗分析结果的触点在相同的条件下进行扫描，以保持一致性，确保获取的触点形貌图像具有良好的可比性。
可选的，对生成触点形貌图像集中的多幅形貌图像进行标定验证，确定图像的比例尺和分辨率是准确的。进而确保后续分析处理的准确性。
进一步的，基于生成对抗网络，构建形貌图像损耗对抗生成器，步骤还包括：
基于生成对抗网络，构建形貌图像损耗对抗生成器，所述形貌图像损耗对抗生成器包括夹具对抗生成路径和电容对抗生成路径，夹具对抗生成路径和电容对抗生成路径内均包括生成器和对抗器；
采用所述样本第一正极触点图像集、样本第一负极触点图像集、第样本二正极触点图像集、样本第二负极触点图像集作为输入图像，采用所述样本第一损耗分析结果集和样本第二损耗分析结果集作为数据噪声，采用所述样本第一正极形貌图像集、样本第一负极形貌图像集、样本第二正极形貌图像集、样本第二负极形貌图像集作为对抗器内的监督图像，对生成器和对抗器进行训练更新；
将生成器和对抗器训练更新至满足要求，获得形貌图像损耗对抗生成器。
可选的，生成器以样本第一正极触点图像集、样本第一负极触点图像集、第样本二正极触点图像集、样本第二负极触点图像集作为输入，试图生成类似于监督图像（样本第一正极形貌图像集、样本第一负极形貌图像集、样本第二正极形貌图像集、样本第二负极形貌图像集）的伪造图像。该过程通过最小化生成的图像与监督图像之间的差异实现，涉及损失函数的选择和损失函数值的最小化。
可选的，判别器被训练为区分真实图像和生成器生成的伪造图像。通过输出一个值，表示输入图像是真实的还是伪造的。判别器的损失函数旨在最大化其正确分类真实图像和伪造图像的能力。
可选的，生成器和对抗器进行训练更新，生成器试图生成越来越逼真的伪造图像，以欺骗判别器，判别器试图变得越来越善于区分伪造图像和真实图像，这种对抗过程反复进行，是一个迭代过程。通过多次迭代，生成器生成高质量的伪造图像并使判别器更难以区分伪造和真实图像。进而达到生成质量较高的生成触点形貌图像的技术效果。
S500：根据所述生成触点形貌图像集，通过图像识别，获取老化夹具和超级电容的触点接触电阻；
进一步的，根据所述生成触点形貌图像集，通过图像识别，获取老化夹具和超级电容的触点接触电阻，步骤S500包括：
获取多个样本生成触点形貌图像集；
对具有不同损耗分析结果的老化夹具触点和超级电容触点进行接触电阻测试，获得样本接触电阻集；
基于深度卷积神经网络，构建用于识别接触电阻的接触电阻识别器；
采用所述多个样本生成触点形貌图像集和样本接触电阻集，对所述接触电阻识别器进行训练更新，直到满足更新要求；
采用所述接触电阻识别器，对所述生成触点形貌图像集进行图像卷积特征处理识别，获得所述触点接触电阻。
可选的，多个样本生成触点形貌图像集包括样本第一正极形貌图像集、样本第一负极形貌图像集、样本第二正极形貌图像集、样本第二负极形貌图像集。
可选的，首先，基于实验方法，对样本生成触点形貌图像集中的多个触点进行接触电阻测试，其中，多个触点包括老化夹具正极触点、老化夹具负极触点、超级电容正极触点、超级电容负极触点。而后，将样本接触电阻集中多个接触电阻值与多个样本生成触点形貌图像集中多个图像相关联，便于基于深度卷积神经网络的接触电阻识别器理解并学习触点形貌图像与接触电阻值。
可选的，基于深度卷积神经网络的接触电阻识别器的训练及优化更细，基于上述损耗识别器同样的方法原理进行，需理解的是，为了说明书的简洁，在此不做进一步的展开说明。
可选的，基于知识蒸馏原理，对训练完成的接触电阻识别器进行模型压缩处理。其中，一般地，对于神经网络模型，大模型往往是单个复杂网络或者是若干网络的集合，拥有良好的性能和泛化能力，而小模型因为网络规模较小，表达能力有限。本申请的电压补偿方法对时效性要求高，进而可以基于知识蒸馏方法原理，进行模型压缩。知识蒸馏是指利用大模型学习到的知识去指导小模型训练，使得小模型具有与大模型相当的性能，但参数数量大幅降低，从而实现模型压缩与加速，达到优化模型的目的。可以在损失较小网络精度的情况下，大幅减小网络参数，提升模型效率和响应速度。
进一步的，知识蒸馏中，将高性能的复杂网络（接触电阻识别器）称为教师网络，低性能的简单网络（接触电阻识别器的压缩网络）称为学生网络。学生网络通过知识蒸馏学习教师网络提取到的输入信号特征，即教师网络的Softmax输出（Soft-target），提升学生网络的识别精度，使其获得和教师网络相近的性能，从而实现了对复杂网络模型的压缩。其中，与原始数据集标注的真实的数据标签（Hard-target）中除了正标签为1，其他负标签都是0不同，Soft-target具有更多的信息，即Soft-target信息熵更高，包含了教师网络softmax层输出的类别概率，每个类别都分配了概率，正标签的概率最高。其中，多个样本生成触点形貌图像集和样本接触电阻集即为该Hard-target。
S600：通过压降识别模块，根据所述触点接触电阻，识别所述老化夹具按照预设电压对所述超级电容进行接触测试时的压降信息；
进一步的，通过压降识别模块，根据所述触点接触电阻，识别所述老化夹具按照预设电压对所述超级电容进行接触测试时的压降信息，步骤S600包括：
获取样本触点接触电阻集，并采用所述预设电压，测试获得不同样本触点接触电阻的压降信息，作为样本压降信息集；
采用所述样本触点接触电阻集和样本压降信息集，构建压降识别器；
基于所述压降识别器，对所述触点接触电阻进行识别，获得所述压降信息。
可选的，压降识别器，用于确定接触电阻值与压降之间的关系。其中，压降识别器的构建涉及数学方程或使用机器学习算法，如回归分析或神经网络。示例性的，压降识别器构建基于以下关系：
；
其中。Rc为接触电阻；Rsc为超级电容的内阻；Uc为压降；Usc为预设电压，U为补偿电压。
可选的，基于样本触点接触电阻集和样本压降信息集构建压降识别器的过程，即为获取超级电容内阻的过程。一旦获取了超级电容的内阻数据，则可基于上述关系，根据触点接触电阻值计算识别出压降信息。
S700：通过电压补偿模块，根据所述压降信息，对所述预设电压进行补偿计算，获得补偿电压，按照补偿电压对所述老化夹具进行控制。
可选的，电压补偿模块设置有一电压补偿算法，用于计算应该施加在老化夹具上的补偿电压。补偿电压用于调整老化夹具的工作电压，以抵消触点的压降。将计算出的补偿电压应用到老化夹具上，对所述老化夹具进行控制，以使超级电容实际接收到老化夹具的电压与该预设电压一致。控制方便包括使用电子设备来自动调整电压或者手动调整电压。
可选的，对老化夹具实际施加到被充电电容器上的电压进行实时监控，以验证电压补偿是否有效。根据实时监控电压数据、预设电压数据计算电压偏离度，并使用预设的补偿偏离阈值进行补偿效果判断，若发现补偿不足或超出，则对电压补偿模块中的补偿算法进行相应的修正和调整，确保电压补偿效果。
综上所述，本发明所提供的一种基于超级电容器老化夹具的电压补偿方法具有如下技术效果：
通过触点检测模块，采集老化夹具的正极触点、负极触点的第一正极触点图像、第一负极触点图像，以及待进行检测的超级电容的正极触点、负极触点的第二正极触点图像、第二负极触点图像，作为触点图像集；通过损耗分析模块，采集老化夹具的第一使用信息，以及超级电容的第二使用信息；根据第一使用信息和第二使用信息，进行触点的氧化和磨损分析，获得第一损耗分析结果和第二损耗分析结果；基于第一损耗分析结果和第二损耗分析结果，结合触点图像集，进行触点图像损耗对抗生成，获得生成触点形貌图像集；根据生成触点形貌图像集，通过图像识别，获取老化夹具和超级电容的触点接触电阻；通过压降识别模块，根据触点接触电阻，识别老化夹具按照预设电压对超级电容进行接触测试时的压降信息；通过电压补偿模块，根据压降信息，对预设电压进行补偿计算，获得补偿电压，按照补偿电压对老化夹具进行控制。进而实现电压的自动补偿、提高老化测试精度和一致性的技术效果。
实施例二
基于与所述实施例中一种基于超级电容器老化夹具的电压补偿方法同样的构思，如图3所示，本申请还提供了一种基于超级电容器老化夹具的电压补偿系统，所述系统包括：
触点检测模块11，用于采集老化夹具的正极触点、负极触点的第一正极触点图像、第一负极触点图像，以及待进行检测的超级电容的正极触点、负极触点的第二正极触点图像、第二负极触点图像，作为触点图像集；
损耗分析模块12，用于采集所述老化夹具的第一使用信息，以及所述超级电容的第二使用信息；
分析输出模块13，用于根据所述第一使用信息和第二使用信息，进行触点的氧化和磨损分析，获得第一损耗分析结果和第二损耗分析结果；
图像生成模块14，用于基于所述第一损耗分析结果和第二损耗分析结果，结合所述触点图像集，进行触点图像损耗对抗生成，获得生成触点形貌图像集；
电阻分析模块15，用于根据所述生成触点形貌图像集，通过图像识别，获取老化夹具和超级电容的触点接触电阻；
压降识别模块16，用于根据所述触点接触电阻，识别所述老化夹具按照预设电压对所述超级电容进行接触测试时的压降信息；
电压补偿模块17，用于根据所述压降信息，对所述预设电压进行补偿计算，获得补偿电压，按照补偿电压对所述老化夹具进行控制。
进一步的，损耗分析模块12还包括：
夹具信息获取单元，用于采集所述老化夹具进行使用的使用时间信息和使用次数信息，作为第一使用信息；
电容信息获取单元，用于采集所述超级电容进行使用的使用时间信息和使用次数信息，作为第二使用信息。
进一步的，分析输出模块13还包括：
样本损耗分析单元，用于根据超级电容和老化夹具的使用记录日志，获取样本第一使用信息集和样本第二使用信息集，并基于触点氧化的占比和损耗的占比，测试获得样本第一损耗分析结果集和样本第二损耗分析结果集；
样本划分单元，用于按照相同的使用信息，对所述样本第一使用信息集、样本第二使用信息集、样本第一损耗分析结果集和样本第二损耗分析结果集进行组合和划分，获得多组第一损耗训练集和多组第二损耗训练集；
计权损耗分析单元，用于对所述多组第一损耗训练集和多组第二损耗训练集内不同的样本第一损耗分析结果和样本第二损耗分析结果，按照出现频率进行加权计算，获得多组第一损耗训练数据和多组第二训练数据；
损耗识别器构建单元，用于构建用于识别触点损耗的触点损耗识别器，所述触点损耗识别器包括夹具触点损耗识别路径和电容触点损耗识别路径；
训练更新单元，用于采用所述多组第一损耗训练数据和多组第二训练数据，对夹具触点损耗识别路径和电容触点损耗识别路径进行训练更新，直到满足更新要求；
损耗识别单元，用于采用满足更新要求的触点损耗识别器，分别对第一使用信息和第二使用信息进行损耗识别，获得所述第一损耗分析结果和第二损耗分析结果。
进一步的，图像生成模块14还包括：
图像样本获取单元，用于获取样本第一正极触点图像集、样本第一负极触点图像集、第样本二正极触点图像集、样本第二负极触点图像集，以及样本第一损耗分析结果集和样本第二损耗分析结果集；
形貌图像获取单元，用于通过显微扫描，获取具有不同损耗分析结果的触点的形貌图像，作为样本第一正极形貌图像集、样本第一负极形貌图像集、样本第二正极形貌图像集、样本第二负极形貌图像集；
网络构建单元，用于基于生成对抗网络，构建形貌图像损耗对抗生成器；
对抗生成单元，用于采用所述形貌图像损耗对抗生成器，根据所述第一损耗分析结果和第二损耗分析结果，以及所述触点图像集，进行触点形貌图像损耗对抗生成，获得所述生成触点形貌图像集。
进一步的，网络构建单元还包括：
生成对抗路径单元，用于基于生成对抗网络，构建形貌图像损耗对抗生成器，所述形貌图像损耗对抗生成器包括夹具对抗生成路径和电容对抗生成路径，夹具对抗生成路径和电容对抗生成路径内均包括生成器和对抗器；
对抗训练更新单元，用于采用所述样本第一正极触点图像集、样本第一负极触点图像集、第样本二正极触点图像集、样本第二负极触点图像集作为输入图像，采用所述样本第一损耗分析结果集和样本第二损耗分析结果集作为数据噪声，采用所述样本第一正极形貌图像集、样本第一负极形貌图像集、样本第二正极形貌图像集、样本第二负极形貌图像集作为对抗器内的监督图像，对生成器和对抗器进行训练更新；
约束获取单元，用于将生成器和对抗器训练更新至满足要求，获得形貌图像损耗对抗生成器。
进一步的，电阻分析模块15还包括：
样本触点形貌采集单元，用于获取多个样本生成触点形貌图像集；
样本测阻单元，用于对具有不同损耗分析结果的老化夹具触点和超级电容触点进行接触电阻测试，获得样本接触电阻集；
电阻识别器构建单元，用于基于深度卷积神经网络，构建用于识别接触电阻的接触电阻识别器；
电阻识别器训练单元，用于采用所述多个样本生成触点形貌图像集和样本接触电阻集，对所述接触电阻识别器进行训练更新，直到满足更新要求；
电阻识别单元，用于采用所述接触电阻识别器，对所述生成触点形貌图像集进行图像卷积特征处理识别，获得所述触点接触电阻。
进一步的，压降识别模块16还包括：
压降样本获取单元，用于获取样本触点接触电阻集，并采用所述预设电压，测试获得不同样本触点接触电阻的压降信息，作为样本压降信息集；
压降识别器单元，用于采用所述样本触点接触电阻集和样本压降信息集，构建压降识别器；
压降识别单元，用于基于所述压降识别器，对所述触点接触电阻进行识别，获得所述压降信息。
应当理解的是，本说明书中所提及的实施例重点在其与其他实施例的不同，前述实施例一中的具体实施例，同样适用于实施例二所述的一种基于超级电容器老化夹具的电压补偿系统，为了说明书的简洁，在此不做进一步的展开。
应当理解的是，本申请所公开的实施例及上述说明，可以使得本领域的技术人员运用本申请实现本申请。同时本申请不被限制于上述所提到的这部分实施例，对本申请提到的实施例进行显而易见的修改、变种，也属于本申请原理范围之内。
Claims (8)
1.一种基于超级电容器老化夹具的电压补偿方法，其特征在于，所述方法应用于一基于超级电容器老化夹具的电压补偿装置，所述装置包括触点检测模块、损耗分析模块、压降识别模块和电压补偿模块，所述方法包括：
通过触点检测模块，采集老化夹具的正极触点、负极触点的第一正极触点图像、第一负极触点图像，以及待进行检测的超级电容的正极触点、负极触点的第二正极触点图像、第二负极触点图像，作为触点图像集；
通过损耗分析模块，采集所述老化夹具的第一使用信息，以及所述超级电容的第二使用信息；
根据所述第一使用信息和第二使用信息，进行触点的氧化和磨损分析，获得第一损耗分析结果和第二损耗分析结果；
基于所述第一损耗分析结果和第二损耗分析结果，结合所述触点图像集，进行触点图像损耗对抗生成，获得生成触点形貌图像集；
根据所述生成触点形貌图像集，通过图像识别，获取老化夹具和超级电容的触点接触电阻；
通过压降识别模块，根据所述触点接触电阻，识别所述老化夹具按照预设电压对所述超级电容进行接触测试时的压降信息；
通过电压补偿模块，根据所述压降信息，对所述预设电压进行补偿计算，获得补偿电压，按照补偿电压对所述老化夹具进行控制。
2.根据权利要求1所述的方法，其特征在于，所述方法包括：
采集所述老化夹具进行使用的使用时间信息和使用次数信息，作为第一使用信息；
采集所述超级电容进行使用的使用时间信息和使用次数信息，作为第二使用信息。
3.根据权利要求2所述的方法，其特征在于，所述方法包括：
根据超级电容和老化夹具的使用记录日志，获取样本第一使用信息集和样本第二使用信息集，并基于触点氧化的占比和损耗的占比，测试获得样本第一损耗分析结果集和样本第二损耗分析结果集；
按照相同的使用信息，对所述样本第一使用信息集、样本第二使用信息集、样本第一损耗分析结果集和样本第二损耗分析结果集进行组合和划分，获得多组第一损耗训练集和多组第二损耗训练集；
对所述多组第一损耗训练集和多组第二损耗训练集内不同的样本第一损耗分析结果和样本第二损耗分析结果，按照出现频率进行加权计算，获得多组第一损耗训练数据和多组第二训练数据；
构建用于识别触点损耗的触点损耗识别器，所述触点损耗识别器包括夹具触点损耗识别路径和电容触点损耗识别路径；
采用所述多组第一损耗训练数据和多组第二训练数据，对夹具触点损耗识别路径和电容触点损耗识别路径进行训练更新，直到满足更新要求；
采用满足更新要求的触点损耗识别器，分别对第一使用信息和第二使用信息进行损耗识别，获得所述第一损耗分析结果和第二损耗分析结果。
4.根据权利要求1所述的方法，其特征在于，所述方法包括：
获取样本第一正极触点图像集、样本第一负极触点图像集、样本第二正极触点图像集、样本第二负极触点图像集，以及样本第一损耗分析结果集和样本第二损耗分析结果集；
通过显微扫描，获取具有不同损耗分析结果的触点的形貌图像，作为样本第一正极形貌图像集、样本第一负极形貌图像集、样本第二正极形貌图像集、样本第二负极形貌图像集；
基于生成对抗网络，构建形貌图像损耗对抗生成器；
采用所述形貌图像损耗对抗生成器，根据所述第一损耗分析结果和第二损耗分析结果，以及所述触点图像集，进行触点形貌图像损耗对抗生成，获得所述生成触点形貌图像集。
5.根据权利要求4所述的方法，其特征在于，所述方法包括：
基于生成对抗网络，构建形貌图像损耗对抗生成器，所述形貌图像损耗对抗生成器包括夹具对抗生成路径和电容对抗生成路径，夹具对抗生成路径和电容对抗生成路径内均包括生成器和对抗器；
采用所述样本第一正极触点图像集、样本第一负极触点图像集、样本第二正极触点图像集、样本第二负极触点图像集作为输入图像，采用所述样本第一损耗分析结果集和样本第二损耗分析结果集作为数据噪声，采用所述样本第一正极形貌图像集、样本第一负极形貌图像集、样本第二正极形貌图像集、样本第二负极形貌图像集作为对抗器内的监督图像，对生成器和对抗器进行训练更新；
将生成器和对抗器训练更新至满足要求，获得形貌图像损耗对抗生成器。
6.根据权利要求4所述的方法，其特征在于，所述方法包括：
获取多个样本生成触点形貌图像集；
对具有不同损耗分析结果的老化夹具触点和超级电容触点进行接触电阻测试，获得样本接触电阻集；
基于深度卷积神经网络，构建用于识别接触电阻的接触电阻识别器；
采用所述多个样本生成触点形貌图像集和样本接触电阻集，对所述接触电阻识别器进行训练更新，直到满足更新要求；
采用所述接触电阻识别器，对所述生成触点形貌图像集进行图像卷积特征处理识别，获得所述触点接触电阻。
7.根据权利要求1所述的方法，其特征在于，所述方法包括：
获取样本触点接触电阻集，并采用所述预设电压，测试获得不同样本触点接触电阻的压降信息，作为样本压降信息集；
采用所述样本触点接触电阻集和样本压降信息集，构建压降识别器；
基于所述压降识别器，对所述触点接触电阻进行识别，获得所述压降信息。
8.一种基于超级电容器老化夹具的电压补偿系统，其特征在于，所述系统包括：
触点检测模块，所述触点检测模块用于采集老化夹具的正极触点、负极触点的第一正极触点图像、第一负极触点图像，以及待进行检测的超级电容的正极触点、负极触点的第二正极触点图像、第二负极触点图像，作为触点图像集；
损耗分析模块，所述损耗分析模块用于，采集所述老化夹具的第一使用信息，以及所述超级电容的第二使用信息；
分析输出模块，所述分析输出模块用于根据所述第一使用信息和第二使用信息，进行触点的氧化和磨损分析，获得第一损耗分析结果和第二损耗分析结果；
图像生成模块，所述图像生成模块用于基于所述第一损耗分析结果和第二损耗分析结果，结合所述触点图像集，进行触点图像损耗对抗生成，获得生成触点形貌图像集；
电阻分析模块，所述电阻分析模块用于根据所述生成触点形貌图像集，通过图像识别，获取老化夹具和超级电容的触点接触电阻；
压降识别模块，所述压降识别模块用于，根据所述触点接触电阻，识别所述老化夹具按照预设电压对所述超级电容进行接触测试时的压降信息；
电压补偿模块，所述电压补偿模块用于，根据所述压降信息，对所述预设电压进行补偿计算，获得补偿电压，按照补偿电压对所述老化夹具进行控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311424249.0A CN117148251B (zh) | 2023-10-31 | 2023-10-31 | 一种基于超级电容器老化夹具的电压补偿方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311424249.0A CN117148251B (zh) | 2023-10-31 | 2023-10-31 | 一种基于超级电容器老化夹具的电压补偿方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117148251A CN117148251A (zh) | 2023-12-01 |
| CN117148251B true CN117148251B (zh) | 2024-03-29 |
Family
ID=88901173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311424249.0A Active CN117148251B (zh) | 2023-10-31 | 2023-10-31 | 一种基于超级电容器老化夹具的电压补偿方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117148251B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004113936A1 (en) * | 2003-06-04 | 2004-12-29 | Technische Universiteit Delft | Loss-compensating circuit |
| CN101236221A (zh) * | 2008-03-07 | 2008-08-06 | 北京邮电大学 | 一种精密定位测试接触电阻的方法及装置 |
| CN103166450A (zh) * | 2013-04-15 | 2013-06-19 | 矽力杰半导体技术(杭州)有限公司 | 电压传输损耗补偿电路、补偿方法、控制芯片及开关电源 |
| CN104297577A (zh) * | 2013-07-15 | 2015-01-21 | 同济大学 | 基于超级电容器的老化状态估算检测系统及方法 |
| CN107367654A (zh) * | 2017-08-01 | 2017-11-21 | 南通江海储能技术有限公司 | 一种超级电容器老化测试方法 |
| CN108761240A (zh) * | 2018-06-05 | 2018-11-06 | 哈尔滨工业大学 | 一种用于触点材料电性能模拟试验装置及试验方法 |
| CN111426931A (zh) * | 2020-04-22 | 2020-07-17 | 全球能源互联网研究院有限公司 | Igbt器件的测试装置、测试方法及电子设备 |
| CN116027138A (zh) * | 2023-03-28 | 2023-04-28 | 南通江海储能技术有限公司 | 一种超级电容器的一致性测试方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102676269B1 (ko) * | 2019-09-26 | 2024-06-19 | 에스케이하이닉스 주식회사 | 반도체 장치 |
-
2023
- 2023-10-31 CN CN202311424249.0A patent/CN117148251B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004113936A1 (en) * | 2003-06-04 | 2004-12-29 | Technische Universiteit Delft | Loss-compensating circuit |
| CN101236221A (zh) * | 2008-03-07 | 2008-08-06 | 北京邮电大学 | 一种精密定位测试接触电阻的方法及装置 |
| CN103166450A (zh) * | 2013-04-15 | 2013-06-19 | 矽力杰半导体技术(杭州)有限公司 | 电压传输损耗补偿电路、补偿方法、控制芯片及开关电源 |
| CN104297577A (zh) * | 2013-07-15 | 2015-01-21 | 同济大学 | 基于超级电容器的老化状态估算检测系统及方法 |
| CN107367654A (zh) * | 2017-08-01 | 2017-11-21 | 南通江海储能技术有限公司 | 一种超级电容器老化测试方法 |
| CN108761240A (zh) * | 2018-06-05 | 2018-11-06 | 哈尔滨工业大学 | 一种用于触点材料电性能模拟试验装置及试验方法 |
| CN111426931A (zh) * | 2020-04-22 | 2020-07-17 | 全球能源互联网研究院有限公司 | Igbt器件的测试装置、测试方法及电子设备 |
| CN116027138A (zh) * | 2023-03-28 | 2023-04-28 | 南通江海储能技术有限公司 | 一种超级电容器的一致性测试方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陶吉祥.超级电容器电极工艺中存在的问题分析.电子世界.2021,第32-33页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117148251A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109766952A (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
| CN114048682B (zh) | 一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法 | |
| CN115580445B (zh) | 一种未知攻击入侵检测方法、装置和计算机可读存储介质 | |
| CN117409529B (zh) | 一种多场景电气火灾在线监测方法及系统 | |
| CN114022715A (zh) | 一种高压电缆终端铅封缺陷检测方法及装置 | |
| CN114861349B (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
| CN115046766A (zh) | 基于二维灰度图像自适应子空间的小样本轴承故障诊断方法 | |
| CN118133510A (zh) | 一种长周期光伏设备寿命评估方法及系统 | |
| CN114186624B (zh) | 基于二维卷积神经网络的损伤识别模型建立方法及设备 | |
| CN114186586B (zh) | 基于二维卷积神经网络的损伤识别方法及设备 | |
| CN117148251B (zh) | 一种基于超级电容器老化夹具的电压补偿方法及系统 | |
| CN117538783A (zh) | 一种基于时域融合变换器的锂离子电池荷电状态估计方法 | |
| CN113536662A (zh) | 基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法 | |
| CN112529107A (zh) | 基于可见光图像识别的等离子体温度瞬态诊断方法和系统 | |
| CN116955935A (zh) | 基于物联网的电路故障定位方法及装置 | |
| CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
| CN109840386A (zh) | 基于因子分析的损伤识别方法 | |
| CN111537889B (zh) | 一种数据驱动的梯次电池rul预测与分类方法 | |
| CN111008584A (zh) | 一种模糊自组织神经网络的电能质量量测缺失修复方法 | |
| CN118194092B (zh) | 一种电力模组的状态检测方法及系统 | |
| CN116500456B (zh) | 一种基于机器学习的三元锂电池容量检测方法 | |
| CN118641205B (zh) | 基于水平可视图模体特征的滚动轴承状态分类方法及系统 | |
| CN117435964B (zh) | 基于数据诊断仪的设备状态评估方法及系统 | |
| CN118549839B (zh) | 基于相对位置矩阵和残差网络的电池早期寿命预测方法 | |
| CN117949042B (zh) | 一种基于智能ai的干式变压器绕组温升异常诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |