买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广东工业大学申请的专利一种跨模态交互式锂电池SOH估计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119375749B 。

龙图腾网通过国家知识产权局官网在2025-09-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411496993.6，技术领域涉及：G01R31/392；该发明授权一种跨模态交互式锂电池SOH估计方法是由董楚煜;陈思哲;黄子鸿;袁浩亮;柯子维;杨苓设计研发完成，并于2024-10-25向国家知识产权局提交的专利申请。

本一种跨模态交互式锂电池SOH估计方法在说明书摘要公布了：本发明公开一种跨模态交互式锂电池SOH估计方法，所述方法包括：通过实验获取锂电池实验数据集；搭建跨模态交互式自编码器模型，包括两个编码器模块、两个解码器模块和交叉注意力机制模块；训练和测试跨模态交互式自编码器模型，设计损失函数，损失函数包括模态曲线重构损失、模态间全局相似性约束损失、模态间相邻非相似性约束损失；搭建KAN网络模型；训练和测试KAN网络模型。与现有技术相比，本发明利用了多模态丰富的数据，搭建了跨模态交互式自编码器对多模态数据进行融合和重构，并在无标签下提取了健康特征，相比单个模态的电压、电流数据，多模态数据提供了更加全面的电池状态信息，提高了锂电池SOH估计精度。

本发明授权一种跨模态交互式锂电池SOH估计方法在权利要求书中公布了：1.一种跨模态交互式锂电池SOH估计方法，包括跨模态交互式自编码器模型和KAN网络模型，其特征在于，具体步骤如下： S1：通过实验构建锂电池数据集，即对T个相同型号锂电池进行循环充放电实验，在每次充电结束后采集并记录电池静置期间的弛豫电压曲线，在每次放电结束后采集并记录在0.01Hz-100kHz频率区间的电池电化学阻抗谱曲线，并根据总放电量计算对应充放电循环的电池SOH值，实验结束后将所有电池在所有循环中获得的弛豫电压曲线集合U、电化学阻抗谱曲线集合E和电池SOH集合，构建数据集A＝{U,E,SOH}； S2：搭建跨模态交互式自编码器模型，所述模型包括两个编码器模块、两个解码器模块和一个交叉注意力机制模块，具体步骤包括：搭建弛豫电压模态编码器和电化学阻抗谱模态编码器，分别用于提取弛豫电压模态和电化学阻抗谱模态的低维潜在特征ZU和ZE；搭建面向低维潜在特征融合和解耦的交叉注意力机制模块，用于根据低维潜在特征ZU和ZE生成融合模态潜在特征和搭建弛豫电压模态解码器和电化学阻抗谱模态解码器，分别用于根据融合模态潜在特征和来重构出曲线Urf和Erf； S3：训练和测试跨模态交互式自编码器模型，具体步骤包括：设计模型损失函数，所述模型损失函数包括模态曲线重构损失、模态间全局相似性约束损失、模态间相邻非相似性约束损失；根据步骤S1所得数据集A中的弛豫电压曲线集合U和电化学阻抗谱曲线集合E，构建训练集{UTrain,ETrain}和测试集{UTest,ETest}；采用所述训练集和测试集对所述跨模态交互式自编码器模型进行训练和测试，期间采用所述模型损失函数计算损失值，通过优化器迭代更新所述跨模态交互式自编码器模型中的网络参数，使损失值不断减小，直至测试集的损失值满足阈值要求，则结束训练并保存模型； S4：搭建KAN网络模型，具体步骤包括：搭建多个KAN网络层，每一个KAN网络层采用一组可学习的B样条函数组成； S5：训练和测试KAN网络模型，具体步骤包括：首先，将步骤S1所获得的数据集A＝{U,E,SOH}输入步骤S3训练完成的跨模态交互式自编码器模型，输出融合模态潜在特征将特征集合HF与电池SOH集合构建特征数据集Z＝{HF,SOH}，划分训练集{HFTrain,SOHTrain}和测试集{HFTest,SOHTest}；然后，将训练集{HFTrain,SOHTrain}中的特征集合HFTrain按照特征重要性大小排序逐一添加至最优特征集合输入到步骤S4搭建的KAN网络模型，并对模型进行训练，利用K折交叉验证综合评估加入各个特征后对模型性能的贡献度，筛选出最优特征集合最后，保存好最优特征集合训练好的KAN网络模型，对测试集HFTest同样挑选出与训练集相同特征的集合并对测试集最优特征集合进行SOH估计。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广东工业大学，其通讯地址为：510006 广东省广州市番禺区小谷围街道广东工业大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。