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一种航空动力电池数字孪生融合深度学习的健康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：CN120233240B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202510706411.0，技术领域涉及：G01R31/367；该发明授权一种航空动力电池数字孪生融合深度学习的健康预测方法是由袁凤连;薛元;刘双全;孙卡;杨词慧;刘纯昕;杨骐瑞设计研发完成，并于2025-05-29向国家知识产权局提交的专利申请。

本一种航空动力电池数字孪生融合深度学习的健康预测方法在说明书摘要公布了：本发明公开了一种航空动力电池数字孪生融合深度学习的健康预测方法，包括以下步骤，构建数字孪生的虚拟电池模型，采集电池数据并进行处理，得到新实时数据矩阵；构建联合训练的多任务深度学习模型，将新实时数据矩阵输入联合训练的多任务深度学习模型进行处理，得到联合训练的多任务深度学习模型预测的SOH值；基于联合训练的多任务深度学习模型预测的SOH值对电池数据进行更新，得到新数据标量，将新数据标量输入数字孪生的虚拟电池模型中，对数字孪生的虚拟电池模型进行更新。本发明通过数字孪生的虚拟电池模型与联合训练的多任务深度学习模型的深度结合，为航空动力电池的健康管理和寿命预测提供高效可靠的解决方案。

本发明授权一种航空动力电池数字孪生融合深度学习的健康预测方法在权利要求书中公布了：1.一种航空动力电池数字孪生融合深度学习的健康预测方法，其特征在于，包括以下步骤： 步骤S1：构建数字孪生的虚拟电池模型； 步骤S2：采集电池数据，对电池数据进行处理，得到新实时数据矩阵； 步骤S2中新实时数据矩阵，具体过程为： 通过传感器实时采集电池数据进行处理，构建实时数据矩阵，表示： ； 式中，表示时间步为时刻的电池电流；表示时间步为时刻的电池电流；表示时间窗口长度；表示时间步为时刻的温度；表示时间步为时刻的温度；表示时间步为时刻的温度；表示时间步为t时刻的电池容量；表示时间步为时刻的电池容量；表示时间步为时刻的电池容量； 记录实时采集电池数据的标量中动态参数S，表示： ； 式中，表示放电深度；为开路电压；表示初始电池容量；为欧姆电阻；为第一电阻；为第一电容；为第二电阻；为第二电容； 将实时数据矩阵和电池数据的标量中动态参数S输入到数字孪生的虚拟电池模型中进行实时状态更新，得到新实时数据矩阵，表示： ； 式中，表示时间步为t时刻电池的端电压；表示时间步为时刻电池的端电压；表示时间步为时刻电池的端电压；表示新实时数据矩阵的维度，的实数矩阵；m表示特征纬度； 步骤S3：构建联合训练的多任务深度学习模型；联合训练的多任务深度学习模型由卷积神经网络层、多尺度分层双向长短期记忆网络层、多层感知机层和任务分支层组成；将新实时数据矩阵输入卷积神经网络层进行处理，获得池化层的输出； 步骤S4：将池化层的输出输入多尺度分层双向长短期记忆网络层中进行处理，得到增强后的上下文向量； 步骤S4中增强后的上下文向量，具体过程为： 将池化层的输出传输到多尺度分层双向长短期记忆网络层中进行处理，获得增强后的上下文向量；多尺度分层双向长短期记忆网络层包括短时层和长时层； 将池化层的输出传输到短时层中，进行前向传播和后向传播，得到时间步为t的短时隐藏状态； 将时间步为t的短时隐藏状态通过跳跃连接输入至长时层，计算得到时间步的长时隐藏状态； 将时间步的长时隐藏状态进行拼接，获得输出维度为的双向隐藏状态矩阵；代表单个方向的隐藏层单元数； 对双向隐藏状态矩阵计算时间步为t的注意力得分和特征维度的特征注意力得分，再结合时空注意力权重，生成增强后的上下文向量，表示： ； ； ； 式中，表示激活函数；表示时间注意力权重矩阵；表示时间注意力偏置项；表示特征维度注意力权重矩阵；表示特征维度注意力偏置项；表示长时层所有时间步在特征维度上的隐藏状态；表示长时层在时间步为t特征维度的隐藏状态值；表示时间步的总数； 步骤S5：将增强后的上下文向量输入多层感知机层中进行处理，得到第二全连接层的输出； 步骤S5中第二全连接层的输出，具体过程为： 将增强后的上下文向量和电池数据的标量中动态参数S进行拼接，拼接得到维度为的拼接列向量；表示动态参数的数量，表示： ； 将拼接列向量输入多层感知机层中进行处理，得到第二全连接层的输出； 多层感知机层包括第一全连接层和第二全连接层； 第一全连接层包括第一全连接层的权重矩阵和第一全连接层的偏置项； 第二全连接层包括第二全连接层的权重矩阵和第二全连接层的偏置项； 将拼接列向量与第一全连接层的权重矩阵进行矩阵乘法运算，获得第一矩阵乘法运算的结果，将第一矩阵乘法运算的结果与第一全连接层的偏置项相加，并通过激活函数ReLU进行非线性变换，得到第一全连接层的输出，表示： ； 将第一全连接层的输出与第二全连接层的权重矩阵进行矩阵乘法运算，获得第二矩阵乘法运算的结果，将第一全连接层的输出、第二矩阵乘法运算的结果与第二全连接层的偏置项相加，并通过激活函数ReLU进行非线性变换，得到第二全连接层的输出，表示： ； 步骤S6：将第二全连接层的输出输入任务分支层中进行处理，得到联合训练的多任务深度学习模型预测的值； 步骤S6中联合训练的多任务深度学习模型预测的值，具体过程为： 将第二全连接层的输出输入任务分支层进行处理，得到联合训练的多任务深度学习模型预测的值； 任务分支层包括SOH预测分支；SOH预测分支包括第一分支的权重矩阵和第一分支的偏置项； 将第二全连接层的输出与第一分支的权重矩阵进行矩阵乘法运算，获得第一矩阵乘法运算的结果，将第一矩阵乘法运算的结果加上第一分支的偏置项，最后使用激活函数进行非线性变换，得到联合训练的多任务深度学习模型预测的值，表示： ； 步骤S7：并基于联合训练的多任务深度学习模型预测的值对电池数据进行更新，得到新数据标量，将新数据标量输入数字孪生的虚拟电池模型中，对数字孪生的虚拟电池模型进行更新； 步骤S7中对数字孪生的虚拟电池模型进行更新，具体过程为： 根据联合训练的多任务深度学习模型预测的值动态更新电池数据的标量中动态参数S，得到新数据标量，其中，为更新后第一电阻的电阻值，为更新后第一电容的电容值；为更新后第二电阻的电阻值；为更新后第二电容的电容值； 将新数据标量输入到数字孪生的虚拟电池模型中，对数字孪生的虚拟电池模型进行更新，表示： ； ； ； ； 式中，表示联合训练的多任务深度学习模型预测的值对第一电阻退化的敏感系数；表示联合训练的多任务深度学习模型预测的值对第一电容退化的敏感系数；表示联合训练的多任务深度学习模型预测的值对第二电阻退化的敏感系数；表示联合训练的多任务深度学习模型预测的值对第二电容退化的敏感系数。

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”。