申请/专利权人：东北大学

申请日：2024-02-29

公开（公告）日：2024-04-02

公开（公告）号：CN117805658A

主分类号：G01R31/392

分类号：G01R31/392;G01R31/367

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明属于计算机应用技术领域，公开了一种数据驱动的电动汽车电池剩余寿命预测方法，包括双任务电池剩余寿命预测模型和基于对抗学习的跨结构知识蒸馏网络。双任务电池剩余寿命预测模型包括主干网络和回归‑分类双任务分支网络；主干网络为并行结构，包括时间维度特征提取模块和参数维度特征提取模块，时间维度特征提取模块输出和参数维度特征提取模块输出融合；回归‑分类双任务分支网络包括注意力特征选择子网络和基于同方差不确定性的联合损失函数；注意力特征选择子网络为RUL预测分支网络和工况识别网络。这种方法在电动汽车电池剩余寿命预测领域具有潜在的应用前景，能够提高预测的精确性和效率，为电动汽车的智能管理和控制提供支持。

主权项：1.一种数据驱动的电动汽车电池剩余寿命预测方法，其特征在于，包括双任务电池剩余寿命预测模型和基于对抗学习的跨结构知识蒸馏网络；所述双任务电池剩余寿命预测模型包括用于提取双任务共享特征的主干网络和回归-分类双任务分支网络；用于提取双任务共享特征的主干网络为并行结构，其包括基于双注意力Transformer的时间维度特征提取模块和基于图注意力网络的参数维度特征提取模块；所述基于双注意力Transformer的时间维度特征提取模块，包括位置编码、缩放点积全局自注意力机制和局部自注意力机制；基于双注意力Transformer的时间维度特征提取模块的输入依次经过位置编码、缩放点积全局自注意力机制和局部自注意力机制，得到时间维度特征提取模块的输出；所述基于图注意力网络的参数维度特征提取模块共包括三个图注意力网络层和残差连接模块；将基于图注意力网络的参数维度特征提取模块的输出特征与时间维度特征提取模块的输出经特征融合层进行融合；所述回归-分类双任务分支网络包括注意力特征选择子网络和基于同方差不确定性的联合损失函数；注意力特征选择子网络分别为RUL预测分支网络和工况识别网络，分别挖掘RUL预测任务和工况识别任务之间的共享特征和独特特征；所述基于同方差不确定性的联合损失函数，用于平衡RUL预测分支网络和工况识别分支网络在训练过程中的损失；所述基于对抗学习的跨结构知识蒸馏网络，包括教师网络和学生网络；所述双任务电池剩余寿命预测模型训练完成后，时间维度特征提取模块、参数维度特征提取模块、特征融合层和RUL预测分支网络作为教师网络；建立全连接层和基于扩张因果卷积的特征提取模块作为学生网络，经蒸馏得到的学生网络为轻量化预测模型，通过参数共享机制进一步减少轻量化预测模型中的参数；通过对抗学习对齐双任务电池剩余寿命预测模型和轻量化预测模型的特征分布，添加对比损失更新学生网络参数，促进特征分布对齐；通过知识蒸馏将轻量化预测模型的预测结果与双任务电池剩余寿命预测模型的预测结果及真实剩余寿命值对齐。

全文数据：

权利要求：

百度查询： 东北大学 一种数据驱动的电动汽车电池剩余寿命预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD