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！

龙图腾网获悉中鼎智能(无锡)科技股份有限公司申请的专利基于深度学习的锂电池内短路故障早期预警与定位方法及系统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：CN121232039B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202511785605.0，技术领域涉及：G01R31/367；该发明授权基于深度学习的锂电池内短路故障早期预警与定位方法及系统是由周益峰;李召辉;丁晟设计研发完成，并于2025-12-01向国家知识产权局提交的专利申请。

本基于深度学习的锂电池内短路故障早期预警与定位方法及系统在说明书摘要公布了：本发明提供一种基于深度学习的锂电池内短路故障早期预警与定位方法及系统；预警与定位方法包括：步骤S10，多维数据语义化采集与工况自适应预处理；步骤S20，跨尺度时空特征协同提取与对齐；步骤S30，动态阈值自适应的内短路早期预警与反馈优化；步骤S40，拓扑感知的故障精确定位与验证；步骤S50，嵌入式协同优化与自诊断部署：本发明能够够及时发现内短路故障的早期微弱信号，提升了电池安全监控的效率与及时性；提高早期预警的灵敏度；增强了在高温、低温、快速充放电环境下的鲁棒性；能够准确识别故障发生的电池单体和电极位置。

本发明授权基于深度学习的锂电池内短路故障早期预警与定位方法及系统在权利要求书中公布了：1.一种基于深度学习的锂电池内短路故障早期预警与定位方法，其特征在于，包括以下步骤： 步骤S10，多维数据语义化采集与工况自适应预处理：通过传感器网络实时采集锂电池的电压、电流、温度和电化学阻抗谱数据，采用基于多贝希小波的动态自适应变换去噪，同时提取时域特征和频域特征，生成语义化特征集供后续分析； 步骤S20，跨尺度时空特征协同提取与对齐：构建多尺度卷积神经网络，融合时序动态加权机制和跨模态特征对齐策略，提取多维数据的短期瞬态、中期周期性和长期趋势特征，生成综合时空特征向量供后续分析； 步骤S30，动态阈值自适应的内短路早期预警与反馈优化：采用长短时记忆网络建模时间序列数据，时间序列数据为步骤S20生成的综合时空特征向量，结合动态注意力分配机制聚焦内短路相关的关键特征，基于电池运行工况自适应调整预警阈值，生成内短路预警结果，并通过闭环反馈优化预警性能； 步骤S40，拓扑感知的故障精确定位与验证：采用图神经网络建模电池模组拓扑结构，融入综合时空特征向量，通过多层消息传递与节点特征动态更新，精确定位内短路发生的单体电池和电极位置，并验证定位结果的可靠性； 步骤S50，嵌入式协同优化与自诊断部署：通过动态剪枝和多精度量化对多尺度卷积神经网络、长短时记忆网络和图神经网络进行优化；部署边缘-端协同计算框架和系统自诊断机制，实现嵌入式电池管理系统的低功耗实时处理与高可靠性运行； 所述步骤S10具体包括： 通过电压传感器以设定采样频率采集电池单体和电池模组的电压数据，电压传感器安装于电池单体正负极连接端子和电池模组总输出端子，电压数据通过有线通信接口传输至数据采集模块； 通过电流传感器以设定采样频率采集充放电电流数据，所述电流传感器安装于电池模组主电流回路，集成于嵌入式电池管理系统内，电流数据通过CAN总线传输至数据采集模块； 通过热电偶以设定采样频率采集电池单体表面温度数据，所述热电偶均匀安装于电池单体外壳表面中心位置，温度数据通过有线接口传输至数据采集模块； 通过电化学工作站以设定频率范围采集电化学阻抗谱数据，所述电化学工作站的电极探针连接于电池单体正负极，电化学阻抗谱数据通过串行通信接口传输至数据采集模块； 采用基于多贝希小波的动态自适应变换，根据电池运行工况动态调整小波分解层级，对电压、电流和温度数据进行去噪，提取时域特征；对电化学阻抗谱数据进行归一化处理，提取奈奎斯特图的实部和虚部特征，生成频域特征； 构建工况自适应数据校准模块，根据电池运行工况利用卡尔曼滤波算法校准电压、电流、温度数据的偏移和噪声，利用幅值标准化校正电化学阻抗谱数据的频谱偏差； 构建跨模态语义关联分析模块，通过特征间相关性矩阵，基于皮尔逊相关系数，分析电压、电流、温度和电化学阻抗谱数据的内在关联，通过模态间分布对齐，基于最大均值差异最小化融合多模态特征，生成语义化特征集； 所述步骤S20具体包括： 构建多尺度卷积神经网络，多尺度卷积神经网络包含三个并行卷积分支：第一分支使用3×3卷积核提取短期瞬态特征，检测快速变化的异常数据；第二分支使用5×5卷积核提取中期周期性特征，分析周期性波动；第三分支使用7×7卷积核提取长期趋势特征，捕获渐进性异常； 引入时序动态加权机制，根据电池运行工况动态调整各卷积分支的权重，通过加权求和生成综合时空特征向量； 构建跨模态特征对齐模块，通过模态间余弦相似度计算和特征空间投影，校准电压、电流、温度和电化学阻抗谱特征的分布差异，生成对齐后的综合时空特征向量； 所述步骤S30具体包括： 将跨尺度的综合时空特征向量输入长短时记忆网络建模时间序列数据；时间序列数据是指步骤S20生成的综合时空特征向量，包含电压、电流、温度和电化学阻抗谱的短期瞬态、中期周期性和长期趋势特征，按时间顺序排列； 采用动态注意力分配机制，通过Softmax函数计算各时间步的权重，聚焦内短路相关的关键特征，生成加权特征序列； 基于电池运行工况动态调整预警阈值，结合全连接层和Sigmoid激活函数，输出内短路预警概率即预警结果，传输至人机交互界面显示； 构建闭环反馈优化模块，收集预警结果与实际故障的对比数据，动态更新长短时记忆网络的权重和注意力分配机制的参数，优化预警性能； 所述步骤S40具体包括： 构建图神经网络，将电池模组表示为拓扑图结构，节点表示电池单体，边表示电连接关系，边权重根据电化学阻抗谱数据动态更新； 将跨尺度的综合时空特征向量作为节点初始特征输入图神经网络，通过多层图卷积操作，在电池模组拓扑图中，将每个节点的特征信息通过边传递给邻居节点，逐层聚合和更新，动态更新节点特征，生成表征内短路位置的特征向量； 将更新后的特征向量输入分类器，预测内短路发生的具体电池单体编号和电极位置，定位结果传输至人机交互界面显示； 构建定位结果验证模块，通过历史故障定位数据和实时电化学阻抗谱数据对比，验证定位结果的可靠性，生成验证报告传输至人机交互界面显示； 所述步骤S50具体包括： 通过动态剪枝，根据嵌入式电池管理系统的计算资源动态移除多尺度卷积神经网络、长短时记忆网络和图神经网络中权重绝对值小于设定权重阈值的连接； 采用多精度量化，将多尺度卷积神经网络、长短时记忆网络和图神经网络中权重量化为8位和4位整数；其中8位整数用于步骤S30中长短时记忆网络的时间步的权重和步骤S40中图神经网络的边权重；4位整数用于步骤S20中卷积神经网络的分支权重和步骤S40中分类器的全连接层权重； 部署边缘-端协同计算框架，边缘-端协同计算框架包括边缘端和设备端，边缘端为边缘计算节点，设备端为嵌入式电池管理系统；边缘端和设备端通过消息队列遥测传输协议协同工作；通过边缘-端协同计算框架和动态任务分配机制，基于负载均衡算法，优化设备端和边缘端的计算任务比例； 构建系统自诊断模块，实时监控传感器网络、数据采集模块和嵌入式电池管理系统的运行状态，检测硬件以及软件异常并生成自诊断报告，传输至人机交互界面显示。

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中鼎智能(无锡)科技股份有限公司，其通讯地址为：214187 江苏省无锡市惠山区洛社镇大槐路5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。