公开(公告)号：CN118759393A

公开(公告)日：2024-10-11

申请号：CN202410666594.3

申请日：2024-05-27

Applicant: 清华大学

Inventor： 李彦夫 ,  王欢 ,  任品泽

IPC: G01R31/392 ,  G01R31/36 ,  G01R31/378 ,  G01R31/367 ,  G01R31/389 ,  G06N3/0464 ,  G06N3/08

Abstract: 本公开实施例涉及大数据领域，公开了一种锂离子电池SOH估计方法、系统、设备及存储介质，所述方法包括：获取锂离子电池的EIS测量数据；建立基于生物可信的深度脉冲时空注意力框架的锂离子电池SOH估计模型；训练和优化锂离子电池SOH估计模型；将所述锂离子电池的EIS测量数据输入至训练和优化后的锂离子电池SOH估计模型，输出锂离子电池的SOH估测结果。本公开的示例性实施例提出一种基于生物可信的深度脉冲时空注意力框架的锂离子电池SOH估计方法，应用电化学阻抗谱(EIS)数据，可以准确的对锂离子SOH进行预测，保证电池安全、健康运行。

公开(公告)号：CN118940806A

公开(公告)日：2024-11-12

申请号：CN202410978815.0

申请日：2024-07-19

Applicant: 清华大学

Inventor： 李彦夫 ,  王欢 ,  任品泽

IPC: G06N3/049 ,  G06N3/084 ,  G06F18/213

Abstract: 本说明书提供有一种故障诊断方法及装置。所述方法包括：获取多个传感器采集到的表征自主无人系统的运行状态的多元传感器信号；将多元传感器信号输入到故障诊断模型中的卷积编码层，由卷积编码层按照传感器信号的采集时刻将多元传感器信号编码为脉冲时空序列，由特征提取层中的第一类卷积层从脉冲时空序列中提取序列特征，并由与第一类卷积层连接的自注意力层计算与序列特征对应的注意力权重，由输出层中的第二类卷积层基于与序列特征对应的注意力权重从序列特征中进一步提取与故障检测相关的预测特征，由全连接层基于预测特征针对自主无人系统进行故障检测。

公开(公告)号：CN118534329A

公开(公告)日：2024-08-23

申请号：CN202410674579.3

申请日：2024-05-28

Applicant: 清华大学

Inventor： 李彦夫 ,  王欢 ,  任品泽

IPC: G01R31/367 ,  G01R31/387 ,  G01R31/378 ,  G06F18/213 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/049 ,  G06N3/084

Abstract: 一种锂电池容量预测模型、训练方法和预测方法，所述预测模型包括：依次连接的静态卷积编码模块、全局特征提取模块和全连接模块；静态卷积编码模块用于将锂电池循环充放电的全生命周期数据编码为多时间步的时间序列矩阵；全局特征提取模块包括脉冲卷积编码模块和多时间步自注意力模块，全局特征提取模块用于获取时间序列矩阵的脉冲时间信息并进行锂电池健康特征的逐层提取，实现全局脉冲特征编码，获取全局脉冲特征矩阵；全连接模块用于根据全局脉冲特征矩阵建立特征与锂电池健康状态的映射关系，进行锂电池容量预测，该预测模型基于多时间步自注意力脉冲神经网络对锂电池进行全局脉冲特征提取，获取足够的退化特征，提高了锂电池容量预测的精度。