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！

龙图腾网获悉电子科技大学申请的专利一种基于自适应维纳过程的锂电池剩余寿命预测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：CN118444194B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202410616156.6，技术领域涉及：G01R31/392；该发明授权一种基于自适应维纳过程的锂电池剩余寿命预测方法是由刘震;陈啸午;邱根;盛瀚民;程玉华;米金华设计研发完成，并于2024-05-17向国家知识产权局提交的专利申请。

本一种基于自适应维纳过程的锂电池剩余寿命预测方法在说明书摘要公布了：本发明公开了一种基于自适应维纳过程的锂电池剩余寿命预测方法，通过加速多个样本锂电池的寿命实验，获取样本锂电池在不同时刻的退化量；然后采用极大似然估计算法获取目标锂电池的模型先验参数；接着通过卡尔曼滤波算法以及迁移学习算法对模型参数进行更新，并将更新后的参数用于计算目标锂电池在当前时刻下的剩余寿命概率密度函数，具有预测精度高、实时性好、自适应能力强等特点。

本发明授权一种基于自适应维纳过程的锂电池剩余寿命预测方法在权利要求书中公布了：1.一种基于自适应维纳过程的锂电池剩余寿命预测方法，其特征在于，包括以下步骤： 1、获取样本锂电池在不同时刻的退化量； 通过加速M个样本锂电池的寿命实验，获得每个样本锂电池在不同时刻的退化数据，其中，第i个样本锂电池在不同时刻的退化数据记为其中，i＝1,2,3...M，表示第i个样本锂电池的初始特征量退化量，表示第i个样本锂电池在第t个时刻的特征量退化量，表示第i个样本锂电池采样时刻数； 2、构建样目标锂电池在每个采样时刻的自适应维纳过程模型； vt＝v0+kWt 其中，X0表示目标锂电池的初始特征量退化量，fτ表示由长短期记忆神经网络拟合的退化趋势函数，vt表示维纳过程的自适应漂移系数，v0是vt的初值，k是一个常数项系数，Wt与Bt为相互独立的标准布朗运动，σB是维纳过程的扩散系数； 3、利用样本锂电池估计目标锂电池的模型先验参数； 3.1、获取当前时刻目标锂电池的特征量退化数据； 按照步骤1获取当前时刻tn下目标锂电池的退化数据判断是否超过了失效阈值w，若超过，则转至步骤5，算法结束；若未超过，则转至步骤3.2； 3.2、利用Savitzky-Golay滤波器，分别对M组样本锂电池的退化数据以及目标锂电池的退化数据进行平滑处理，得到M组样本锂电池平滑后的退化数据以及目标锂电池平滑后的退化数据其中，表示第i个历史样本的退化数据在第个时刻的平滑值； 3.3、采用步骤3.2中得到的样本锂电池的平滑数据训练一个具有q个输入节点和1个输出节点的长短期记忆神经网络KSTMall，其中，tnq0； 截取目标锂电池平滑后的退化数据然后输入至LSTMall进行多步预测，第p步预测的输出记为ft在第t＝q+p处的函数值，p为训练步数，p0； 3.4、基于步骤2中的维纳过程，构建对应的似然函数如下： 其中，θ＝[v0，k，σB]表示步骤2中维纳过程模型包含参数的集合；表示ft在不同时刻的函数值构成的向量；·T表示矩阵的转置；表示的协方差矩阵，其中Di和Qi均为mi×mi阶矩阵,mi表示第i个样本锂电池的特征量退化数据的数量，Di和Qi的表达式如下所示： 将上述似然函数分别对v0和σB求偏导，并令其为0，可以得到目标锂电池的模型参数v0和σB的先验估计值和 其中， 最后，将和重新代入似然函数中，得到然后采用matlab软件中的“fmincon”函数对上述似然函数进行搜索，即可求得r的最优值，从而得到目标锂电池模型参数的先验估计值； 4、目标样本剩余寿命的实时预测； 4.1、利用迁移学习更新神经网络LSTMall以及退化趋势函数ft； 基于步骤3.2中得到的样本锂电池和目标锂电池平滑后的退化数据和分别计算Xs与的欧几里得距离Ei： 将神经网络LSTMall除全连接层之外的所有层之间参数的学习率设置为0，全连接层与其他层之间的参数学习率设置为1，选取最小的Ei对应的平滑数据来对LSTMall进行再一次的训练，得到微调后的神经网络LSTMall，fine-tune； 4.2、取步骤4.1中XS的最后q个数据作为神经网络LSTMall，fine-tune的输入，得到预测输出再将预测数据作为神经网络LSTMall，fine-tune的输入，得到预测数据重复上述步骤，直到得到预测数据时，预测停止，数据即为更新后的函数ft在时刻t1～T的值； 4.3、更新目标锂电池的模型参数； 基于步骤2中的维纳过程的数学表达式，得到目标锂电池模型参数的状态转移方程如下： vtj＝vtj-1+kΔWj 其中，tj∈t1，t2，...，tn；ΔWj＝Wtj-Wtj-1；Δfj＝ftj-ftj-1；ΔBj＝Btj-Btj-1； 上述方程可以表示为： 再构建模型参数的观测方程如下： 其中，ξj～N0,0表示服从均值和方差均为0的高斯分布； 当获取了目标锂电池的现场退化数据后，假设自适应漂移系数服从正态分布，那么，当获取了目标锂电池在tj时刻的退化数据后，采用卡尔曼滤波算法对漂移系数的分布参数进行更新： 其中，ΔXj＝Xtj-Xtj-1；表示Xtj和vtj的协方差矩阵，且： Πj1,1＝k2Δtj 其中，Δtj＝tj-tj-1； 上述参数更新方程中，vt的初始值为： 4.4、计算当前时刻tn下目标锂电池的剩余寿命概率密度函数； 基于步骤4.2和4.3更新得到的自适应漂移系数的分布参数和退化趋势函数ft，可以计算出在tn时刻，目标锂电池的剩余寿命概率密度函数gRULln： 其中，w表示目标锂电池的失效阈值；表示对于ln的一阶导数；表示ψln对于ln的一阶导数； 4.5、选取gRULln中最大值对应的时刻ln，max作为当前tn时刻下目标锂电池的剩余寿命预测值；然后令tn＝tn+1，重新跳转至步骤4.1； 5、目标样本的退化数据达到失效阈值w，预测终止，算法结束。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。