買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉浙江工業大學申請的專利基于動態不確定性建模的鋰電池剩余壽命實時預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120254651B 。

龍圖騰網通過國家知識產權局官網在2025-08-19發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510749130.3，技術領域涉及：G01R31/367；該發明授權基于動態不確定性建模的鋰電池剩余壽命實時預測方法是由張文安;傅時勝;陸立峰;吳麒;俞增鋒;嚴宇杰;張寶康;顧曹源設計研發完成，并于2025-06-06向國家知識產權局提交的專利申請。

本基于動態不確定性建模的鋰電池剩余壽命實時預測方法在說明書摘要公布了：本發明屬于鋰電池剩余壽命預測領域，公開了一種基于動態不確定性建模的鋰電池剩余壽命實時預測方法，通過多傳感器協同采集鋰電池全生命周期數據，結合卷積神經網絡構建動態健康評分，有效捕捉數據的非平穩與非線性特性。進一步采用非平穩隨機過程量化健康評分的不確定性，并通過聯合優化目標函數同步調整相關參數以增強模型對復雜退化模式的適應性。基于貝葉斯推理框架動態更新非平穩隨機過程參數，結合歷史數據與實時觀測值的共軛先驗分布，實現參數自適應調整與鋰電池剩余壽命的動態預測。該方法既彌補了傳統數據驅動方法缺乏物理可解釋性的缺陷，又克服了單一模型驅動方法因電池退化機理復雜導致的精度不足問題。

本發明授權基于動態不確定性建模的鋰電池剩余壽命實時預測方法在權利要求書中公布了：1.一種基于動態不確定性建模的鋰電池剩余壽命實時預測方法，其特征在于，所述基于動態不確定性建模的鋰電池剩余壽命實時預測方法，包括： 獲取多傳感器采集的鋰電池全生命周期數據，并結合離散傅里葉變換，提取鋰電池全生命周期中每次充放電循環對應的退化特征向量； 通過卷積神經網絡，根據退化特征向量輸出鋰電池的動態健康評分； 基于動態健康評分，采用線性維納過程模型構建鋰電池剩余壽命的退化過程模型，基于得到的退化過程模型計算鋰電池的剩余壽命預測值； 計算包含剩余壽命預測誤差項以及線性維納過程的極大似然估計約束項的損失函數，并根據損失函數更新卷積神經網絡和退化過程模型的參數，直至訓練結束； 通過更新后的卷積神經網絡得到目標鋰電池的實時動態健康評分，并利用貝葉斯理論實時更新退化過程模型的漂移系數，采用最新的退化過程模型輸出目標鋰電池的實時剩余壽命預測值； 其中，所述基于動態健康評分，采用線性維納過程模型構建鋰電池剩余壽命的退化過程模型，包括： 采用線性維納過程描述鋰電池全生命周期中動態健康評分的退化路徑，其中漂移系數服從正態分布，且動態健康評分的增量服從正態分布； 根據符合線性維納過程的動態健康評分的退化路徑，定義首達失效時間； 構建首達失效時間的概率密度函數； 將對首達失效時間的概率密度函數的積分過程作為剩余壽命預測函數，完成鋰電池剩余壽命的退化過程模型的構建； 其中，所述線性維納過程的極大似然估計約束項，包括： 計算鋰電池全生命周期中相鄰兩次充放電循環的動態健康評分增量； 構建所有動態健康評分增量的對數聯合似然函數； 將去除常數后的對數聯合似然函數作為線性維納過程的極大似然估計約束項； 其中，所述損失函數為剩余壽命預測誤差項以及線性維納過程的極大似然估計約束項的加權求和； 使用梯度下降法最小化損失函數，以更新卷積神經網絡和退化過程模型的參數，并在訓練結束后，輸出最優參數集合，所述最優參數集合包括卷積神經網絡最優的權重參數、退化過程模型最優的漂移系數、退化過程模型最優的擴散系數，以及退化過程模型最優的失效閾值，所述漂移系數服從正態分布，即得到最優的漂移系數的均值和最優的漂移系數的標準差。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人浙江工業大學，其通訊地址為：310014 浙江省杭州市拱墅區潮王路18號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。