買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉南昌航空大學申請的專利一種航空動力電池數字孿生融合深度學習的健康預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120233240B 。

龍圖騰網通過國家知識產權局官網在2025-09-16發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510706411.0，技術領域涉及：G01R31/367；該發明授權一種航空動力電池數字孿生融合深度學習的健康預測方法是由袁鳳連;薛元;劉雙全;孫卡;楊詞慧;劉純昕;楊騏瑞設計研發完成，并于2025-05-29向國家知識產權局提交的專利申請。

本一種航空動力電池數字孿生融合深度學習的健康預測方法在說明書摘要公布了：本發明公開了一種航空動力電池數字孿生融合深度學習的健康預測方法，包括以下步驟，構建數字孿生的虛擬電池模型，采集電池數據并進行處理，得到新實時數據矩陣；構建聯合訓練的多任務深度學習模型，將新實時數據矩陣輸入聯合訓練的多任務深度學習模型進行處理，得到聯合訓練的多任務深度學習模型預測的SOH值；基于聯合訓練的多任務深度學習模型預測的SOH值對電池數據進行更新，得到新數據標量，將新數據標量輸入數字孿生的虛擬電池模型中，對數字孿生的虛擬電池模型進行更新。本發明通過數字孿生的虛擬電池模型與聯合訓練的多任務深度學習模型的深度結合，為航空動力電池的健康管理和壽命預測提供高效可靠的解決方案。

本發明授權一種航空動力電池數字孿生融合深度學習的健康預測方法在權利要求書中公布了：1.一種航空動力電池數字孿生融合深度學習的健康預測方法，其特征在于，包括以下步驟： 步驟S1：構建數字孿生的虛擬電池模型； 步驟S2：采集電池數據，對電池數據進行處理，得到新實時數據矩陣； 步驟S2中新實時數據矩陣，具體過程為： 通過傳感器實時采集電池數據進行處理，構建實時數據矩陣，表示： ； 式中，表示時間步為時刻的電池電流；表示時間步為時刻的電池電流；表示時間窗口長度；表示時間步為時刻的溫度；表示時間步為時刻的溫度；表示時間步為時刻的溫度；表示時間步為t時刻的電池容量；表示時間步為時刻的電池容量；表示時間步為時刻的電池容量； 記錄實時采集電池數據的標量中動態參數S，表示： ； 式中，表示放電深度；為開路電壓；表示初始電池容量；為歐姆電阻；為第一電阻；為第一電容；為第二電阻；為第二電容； 將實時數據矩陣和電池數據的標量中動態參數S輸入到數字孿生的虛擬電池模型中進行實時狀態更新，得到新實時數據矩陣，表示： ； 式中，表示時間步為t時刻電池的端電壓；表示時間步為時刻電池的端電壓；表示時間步為時刻電池的端電壓；表示新實時數據矩陣的維度，的實數矩陣；m表示特征緯度； 步驟S3：構建聯合訓練的多任務深度學習模型；聯合訓練的多任務深度學習模型由卷積神經網絡層、多尺度分層雙向長短期記憶網絡層、多層感知機層和任務分支層組成；將新實時數據矩陣輸入卷積神經網絡層進行處理，獲得池化層的輸出； 步驟S4：將池化層的輸出輸入多尺度分層雙向長短期記憶網絡層中進行處理，得到增強后的上下文向量； 步驟S4中增強后的上下文向量，具體過程為： 將池化層的輸出傳輸到多尺度分層雙向長短期記憶網絡層中進行處理，獲得增強后的上下文向量；多尺度分層雙向長短期記憶網絡層包括短時層和長時層； 將池化層的輸出傳輸到短時層中，進行前向傳播和后向傳播，得到時間步為t的短時隱藏狀態； 將時間步為t的短時隱藏狀態通過跳躍連接輸入至長時層，計算得到時間步的長時隱藏狀態； 將時間步的長時隱藏狀態進行拼接，獲得輸出維度為的雙向隱藏狀態矩陣；代表單個方向的隱藏層單元數； 對雙向隱藏狀態矩陣計算時間步為t的注意力得分和特征維度的特征注意力得分，再結合時空注意力權重，生成增強后的上下文向量，表示： ； ； ； 式中，表示激活函數；表示時間注意力權重矩陣；表示時間注意力偏置項；表示特征維度注意力權重矩陣；表示特征維度注意力偏置項；表示長時層所有時間步在特征維度上的隱藏狀態；表示長時層在時間步為t特征維度的隱藏狀態值；表示時間步的總數； 步驟S5：將增強后的上下文向量輸入多層感知機層中進行處理，得到第二全連接層的輸出； 步驟S5中第二全連接層的輸出，具體過程為： 將增強后的上下文向量和電池數據的標量中動態參數S進行拼接，拼接得到維度為的拼接列向量；表示動態參數的數量，表示： ； 將拼接列向量輸入多層感知機層中進行處理，得到第二全連接層的輸出； 多層感知機層包括第一全連接層和第二全連接層； 第一全連接層包括第一全連接層的權重矩陣和第一全連接層的偏置項； 第二全連接層包括第二全連接層的權重矩陣和第二全連接層的偏置項； 將拼接列向量與第一全連接層的權重矩陣進行矩陣乘法運算，獲得第一矩陣乘法運算的結果，將第一矩陣乘法運算的結果與第一全連接層的偏置項相加，并通過激活函數ReLU進行非線性變換，得到第一全連接層的輸出，表示： ； 將第一全連接層的輸出與第二全連接層的權重矩陣進行矩陣乘法運算，獲得第二矩陣乘法運算的結果，將第一全連接層的輸出、第二矩陣乘法運算的結果與第二全連接層的偏置項相加，并通過激活函數ReLU進行非線性變換，得到第二全連接層的輸出，表示： ； 步驟S6：將第二全連接層的輸出輸入任務分支層中進行處理，得到聯合訓練的多任務深度學習模型預測的值； 步驟S6中聯合訓練的多任務深度學習模型預測的值，具體過程為： 將第二全連接層的輸出輸入任務分支層進行處理，得到聯合訓練的多任務深度學習模型預測的值； 任務分支層包括SOH預測分支；SOH預測分支包括第一分支的權重矩陣和第一分支的偏置項； 將第二全連接層的輸出與第一分支的權重矩陣進行矩陣乘法運算，獲得第一矩陣乘法運算的結果，將第一矩陣乘法運算的結果加上第一分支的偏置項，最后使用激活函數進行非線性變換，得到聯合訓練的多任務深度學習模型預測的值，表示： ； 步驟S7：并基于聯合訓練的多任務深度學習模型預測的值對電池數據進行更新，得到新數據標量，將新數據標量輸入數字孿生的虛擬電池模型中，對數字孿生的虛擬電池模型進行更新； 步驟S7中對數字孿生的虛擬電池模型進行更新，具體過程為： 根據聯合訓練的多任務深度學習模型預測的值動態更新電池數據的標量中動態參數S，得到新數據標量，其中，為更新后第一電阻的電阻值，為更新后第一電容的電容值；為更新后第二電阻的電阻值；為更新后第二電容的電容值； 將新數據標量輸入到數字孿生的虛擬電池模型中，對數字孿生的虛擬電池模型進行更新，表示： ； ； ； ； 式中，表示聯合訓練的多任務深度學習模型預測的值對第一電阻退化的敏感系數；表示聯合訓練的多任務深度學習模型預測的值對第一電容退化的敏感系數；表示聯合訓練的多任務深度學習模型預測的值對第二電阻退化的敏感系數；表示聯合訓練的多任務深度學習模型預測的值對第二電容退化的敏感系數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人南昌航空大學，其通訊地址為：330000 江西省南昌市紅谷灘區豐和南大道696號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。