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！

龙图腾网获悉北京航空航天大学申请的专利一种随机工况电池组的故障诊断方法及装置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：CN119475094B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411577378.8，技术领域涉及：G06F18/2415；该发明授权一种随机工况电池组的故障诊断方法及装置是由杨世春;曹瑞;张浩博;何志勇;张正杰;孙也凡;闫啸宇;陈飞;曹耀光设计研发完成，并于2024-11-06向国家知识产权局提交的专利申请。

本一种随机工况电池组的故障诊断方法及装置在说明书摘要公布了：本发明涉及一种随机工况电池组的故障诊断方法及装置。方法包括：基于获得的电池单体的状态参数预测矩阵和实际观测参数矩阵进行残差计算和特征提取，得到电池单体的特征矩阵；利用主成分分析法对电池单体的特征矩阵进行降维处理，得到电池单体的综合评价指标；将每个电池单体的综合评价指标与预设阈值相比较，并将综合评价指标超过预设阈值的电池单体确定为故障电池单体；根据故障电池单体对应的特征矩阵和电池单体的初始状态矩阵，构建故障电池单体的故障类型矩阵；将故障电池单体的故障类型矩阵输入训练好的故障类型概率预测模型中，得到故障电池单体的故障类型所对应的触发概率，以对电池组进行故障诊断。本方案，能够实现对电池组的故障类型的准确诊断。

本发明授权一种随机工况电池组的故障诊断方法及装置在权利要求书中公布了：1.一种随机工况电池组的故障诊断方法，其特征在于，包括： 基于获得的电池单体的状态参数预测矩阵和实际观测参数矩阵进行残差计算，得到电池单体的残差矩阵；其中，电池单体的状态参数预测矩阵是利用预先训练好的深度学习网络进行预测得到的； 深度学习网络包括依次连接的滤波器、时序网络预测模型和物理增强编码器； 电池单体的状态参数预测矩阵是通过如下方式进行预测的： 针对每一个当前时刻，均执行： 根据当前时刻获得的电池单体的电压参数，构建电池组状态模型和电池单体偏差模型； 利用滤波器分别对当前时刻电池组状态模型和电池单体偏差模型进行状态预测，分别得到下一时刻电池组的滤波器预测结果和下一时刻电池单体的滤波器预测结果； 将当前时刻获得的电池状态参数和车辆状态参数输入到训练好的时序网络预测模型中，得到下一时刻电池组的时序网络预测结果；其中，时序网络预测模型训练过程中是利用电池组的滤波器预测结果作为损失函数对时序网络预测结果进行反向调整的； 将电池组的时序网络预测结果和电池单体的滤波器预测结果输入至训练好的物理增强编码器中，得到电池单体的状态参数预测矩阵； 对电池单体的残差矩阵进行特征计算，得到电池单体的特征矩阵； 利用主成分分析法对电池单体的特征矩阵进行降维处理，得到低维特征矩阵； 根据电池单体的特征矩阵和低维特征矩阵，得到主成分空间统计量和残差空间统计量； 基于主成分空间统计量和残差空间统计量，得到电池单体的综合评价指标； 主成分空间统计量和残差空间统计量分别通过如下公式计算得到： T2＝XTPS-1PTX SPE＝XI-PPTXT 式中，T2为主成分空间统计量，SPE为残差空间统计量，X为电池单体的残差矩阵，P为低维特征矩阵，I为瞬时电流； 电池单体的综合评价指标通过如下公式计算得到： 式中，为电池单体的总和评价指标，δ2为主成分空间统计量的控制限值，为残差空间统计量的控制限值，SPE为残差空间统计量，T2为主成分空间统计量，为对称的正定矩阵，P为低维特征矩阵，Λ为测试样本协方差矩阵特征值组成的对角阵； 将每个电池单体的综合评价指标与预设阈值相比较，并将综合评价指标超过预设阈值的电池单体确定为故障电池单体； 根据故障电池单体对应的特征矩阵和电池单体的初始状态矩阵，构建故障电池单体的故障类型矩阵； 将故障电池单体的故障类型矩阵输入训练好的故障类型概率预测模型中，得到故障电池单体的故障类型所对应的触发概率，以对电池组进行故障诊断。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37号；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。