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！

龙图腾网获悉南昌航空大学申请的专利基于卷积自注意力网络的无人机电池多参数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：CN121596127B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202610114374.9，技术领域涉及：G01R31/367；该发明授权基于卷积自注意力网络的无人机电池多参数估计方法是由袁凤连;曾贤盛;黄红丽;张胜;贾杰;曾李明设计研发完成，并于2026-01-28向国家知识产权局提交的专利申请。

本基于卷积自注意力网络的无人机电池多参数估计方法在说明书摘要公布了：本发明公开了基于卷积自注意力网络的无人机电池多参数估计方法，涉及电池状态智能估计技术领域，用于解决电池多状态估计不准确的问题；本发明构建卷积自注意力网络与电热耦合物理模型协同的电池多参数估计机制，采集电压、电流、温度等数据预处理，结合物理模型输出构建时序特征矩阵，经一维卷积分支和模态注意力融合提取联合表征，再通过多层自注意力编码与多任务解码，同时输出荷电状态、健康状态、功率、能量与温度风险等参数；在此基础上设计包含多任务误差与电压、温度物理一致性的联合损失，对网络训练后部署于电池管理系统，结合数据生成功率限制和热管理指令，实现状态估计与控制策略闭环联动，提升估计精度与运行安全性。

本发明授权基于卷积自注意力网络的无人机电池多参数估计方法在权利要求书中公布了：1.基于卷积自注意力网络的无人机电池多参数估计方法，其特征在于：具体步骤包括： 步骤一，采集端电压、电流、表面温度、环境温度，建立由双电阻电容支路与集总热容组成的电热耦合物理模型，得到核心温度、表面温度、生热强度物理特征； 步骤二，统一时间窗口，对各模态数据及物理特征时间对齐、排列、归一化，形成多模态时序特征矩阵，作为模型输入； 步骤三，构建由一维卷积分支、模态注意力融合模块和多层自注意力变换结构组成的多任务深度学习模型，将多模态时序特征矩阵输入各卷积分支提取电压、电流、温度及物理特征表示，经模态注意力融合和变换编码得到融合特征； 步骤四，将融合特征经全局池化后输入任务解码网络，分别输出荷电状态、健康状态、功率状态、能量状态和温度状态估计结果； 步骤五，构建由各状态估计误差和基于电热耦合物理模型计算温度与电压一致性约束组成的多任务损失函数，对多任务深度学习模型联合训练，并将训练后的模型部署于电池管理系统，利用在线数据更新电池状态并调节功率与热管理策略； 步骤三具体包括： 为电压模态、电流模态、温度模态和物理特征模态分别设置一维卷积分支，每一卷积分支在时间维度上对对应模态的时序特征执行卷积运算、非线性变换和降采样处理，以提取局部时序变化模式并压缩序列长度； 将各模态卷积分支输出的特征图输入模态注意力融合模块，以目标模态特征为查询信息，以其他模态特征为关联信息，根据查询信息与关联信息之间的相关程度确定注意力权重，按照注意力权重对各模态特征进行组合汇聚，得到融合特征表示； 将所述融合特征表示输入由多层自注意力单元与前馈网络交替构成的变换结构，通过残差连接与归一化处理进一步建模长程依赖关系，得到融合后的高层特征表示； 在获得融合后的高层特征表示后，对时间维度执行全局汇聚运算得到固定长度的特征向量，将所述特征向量分别输入对应于荷电状态、健康状态、功率状态、能量状态和温度状态的多个任务解码子网络，每一任务解码子网络依次执行全连接变换和非线性变换，输出相应状态量的估计值； 构建多任务损失函数时，以各状态量估计值与目标值之间的误差为基础，根据不同状态量在应用中的重要程度为各误差配置比例系数，并将配置比例系数后的误差相加得到第一损失分量； 以所述多任务深度学习模型计算得到的温度和端电压与所述电热耦合物理模型计算得到的温度和端电压之间的偏差为基础构建第二损失分量，将所述第一损失分量与所述第二损失分量相加得到总损失； 根据总损失对多任务深度学习模型的参数进行迭代更新，直至总损失满足收敛条件后； 将训练完成的多任务深度学习模型嵌入电池管理系统中，通过通信总线接收在线采集数据并输出状态估计结果，用于调整功率控制策略和热管理策略。

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南昌航空大学，其通讯地址为：330000 江西省南昌市红谷滩区丰和南大道696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。