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！

申请/专利权人：西北工业大学

摘要：本发明涉及一种基于退化分类改进CNN算法的锂电池早期循环寿命预测方法，采用聚类算法对电池进行分类，针对不同衰退模式的电池设计对应的改进CNN网络，结合手动和自提取两类特征进行预测，最终提高循环寿命预测精度，因而具有精度高，简单易用的优点。本方法分别使用领域适应和SE模块设计CNN网络，可以利用退化分类结果优化回归预测结果，提高网络的泛化和通用性，进而提高循环寿命预测精度。与现有的CNN预测模型相比，通过设计合适的CNN模型参数，采用无监督聚类初步地将电池分成短寿命电池和长寿命电池，然后分别引入领域适应和SE模块，提高了短寿命电池和长寿命电池的寿命预测精度。

主权项：1.一种基于退化分类改进CNN算法的锂电池早期循环寿命预测方法，其特征在于步骤如下：步骤1：将早期退化过程的放电数据划分训练集和测试集，对训练集和测试集的异常数据进行剔除和修正，从清洗后的数据中提取统计特征，并对清洗后的数据做归一化处理；步骤2：采用K-means聚类算法对步骤1得到的电池数据进行分类，将电池分为长寿命电池和短寿命电池；步骤3：将训练集的所有电池和测试集中的短寿命电池的放电数据，以及步骤1的统计特征数据，输入DomainAlignmentCNN即AL-CNN网络，对AL-CNN网络训练，得到短寿命电池的循环寿命预测AL-CNN网络；将训练集的所有电池的放电数据，以及步骤1的统计特征数据，输入Squeeze-and-ExcitationCNN即SE-CNN网络，对SE-CNN网络训练，得到长寿命电池的循环寿命预测SE-CNN网络；所述AL-CNN网络包括二维卷积模块Conv2d构成的CNN网络和全连接网络，其中：每个二维卷积模块Conv2d后连接一个最大池化层，CNN网络后端连接两个全连接网络，用于回归，最终的预测输出为1×1的循环寿命；所述SE-CNN网络包括二维卷积模块Conv2d构成的CNN网络、在两个卷积层中插接的一个SE模块以及CNN网络后端连接的全连接网络；所述二维卷积模块Conv2d后连接一个最大池化层，与AL-CNN网络中的二维卷积模块Conv2d和最大池化层相同；所述SE模块对于第一层最大池化层输出的数据通过压缩，使得每个二维通道被转换成一维标量；然后利用激励操作来学习每个通道的权重，在学习了每个通道的相应权重后，将权重重新赋给各个通道，进行乘积操作输出新的特征图；新的特征图再经过卷积、池化层和两个全连接网络，最终的预测输出为1×1的循环寿命；步骤4：对电池的测量数据采用步骤1和步骤2处理后，得到长寿命电池放电数据和特征或短寿命电池放电数据和特征数据，分别输入SE-CNN网络或AL-CNN网络，得到长寿命电池的循环寿命预测值或短寿命电池的循环寿命预测值。

全文数据：

权利要求：

百度查询： 西北工业大学 基于退化分类改进CNN算法的锂电池早期循环寿命预测方法