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基于图结构与LSTM的电池故障诊断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：CN120387091B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202510468608.5，技术领域涉及：G06F18/2415；该发明授权基于图结构与LSTM的电池故障诊断方法是由冯桑;张禧龙;陈彦阳;黄晓涛设计研发完成，并于2025-04-15向国家知识产权局提交的专利申请。

本基于图结构与LSTM的电池故障诊断方法在说明书摘要公布了：本发明公开了一种基于图结构与LSTM的电池故障诊断方法，所属领域为电池故障诊断领域，包括：基于图结构的电池组空间连接信息表示方式，将电池模组的电池块及其连接关系转化为图模型，从而有效捕捉电池块之间的空间依赖性；同时，通过结合图神经网络与长短期记忆网络，本发明能够精准提取电池状态的时空特征，增强时序数据的处理能力，从而提升故障诊断的准确性和全面性；此外，针对现有技术中缺乏置信度评估机制的问题，本发明设计了精确的置信度评估模块，通过计算诊断结果的置信度分数有效提高了决策的可靠性与透明度。

本发明授权基于图结构与LSTM的电池故障诊断方法在权利要求书中公布了：1.一种基于图结构与LSTM的电池故障诊断方法，其特征在于，包括： 基于电池管理系统获取电动汽车的电池模组中每个电池块的时序特征信息和电池组的状态，基于所述每个电池块的时序特征信息和电池组的状态构建时序数据集； 基于电池模组内电池块的硬件连接关系构建图结构数据； 基于所述图结构数据和长短时记忆网络模型构建电池块信息的时空特征提取模块； 基于所述时空特征提取模块和多头注意力机制构建计算模型，通过所述时序数据集对所述计算模型进行训练，获得电动汽车电池故障诊断模型； 将所述电动汽车电池故障诊断模型部署至电动汽车BMS平台上对电池的故障进行诊断； 基于所述图结构数据和长短时记忆网络模型构建电池块信息的时空特征提取模块的过程包括： 基于图神经网络和长短时记忆网络模型构建电池块信息的时空特征提取模块； 其中，所述图神经网络对图结构数据进行时空特征提取，获得全局嵌入特征； 所述长短时记忆网络对所述全局嵌入特征进行时间特征提取，获得时间特征嵌入后的中间特征； 所述图神经网络中，第一层图卷积层进行特征提取表达式为： 其中，表示第1个图卷积层的可学习权重矩阵；为激活函数，为图数据，为 图数据对应的邻接矩阵，为标准化后的邻接矩阵；为度矩阵，且为对角矩阵，其对角线 上元素的值为对应节点的邻接节点数目，为经过图卷积层得到的全局嵌入特征； 所述获得时间特征嵌入后的中间特征的表达式为： 其中，表示第1个LSTM层的可学习权重矩阵，表示时间特征嵌入后的中间特征，表示LSTM层处理函数； 还包括，所述图神经网络中，第二层图卷积层进行特征提取表达式为： 其中，表示第2个图卷积层的可学习权重矩阵，表示全连接层处理函数； 基于所述电动汽车电池故障诊断模型对电池的故障进行诊断的过程包括： 基于所述时空特征提取模块获取包含时空信息的全局嵌入特征； 基于所述多头注意力机制捕捉所述时空信息的全局嵌入特征中的时序依赖和空间关系，获得注意力输出； 对所述注意力输出进行加权融合，获得最终的多头注意力输出； 通过全连接层和残差连接对所述最终的多头注意力输出进行计算，获得处理后的特征数据； 通过Dropout层对所述处理后的特征数据进行计算，获得输出特征； 将Softmax层作为输出层将所述输出特征转化为分类决策的概率值，获得最终预测结果。

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大学城外环西路100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。