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！

龙图腾网恭喜杭州电子科技大学申请的专利基于时空图模型的动力电池生产工艺波动异常检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：CN114841076B 。

龙图腾网通过国家知识产权局官网在2025-05-09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：202210547979.9，技术领域涉及：G06F18/2433；该发明授权基于时空图模型的动力电池生产工艺波动异常检测方法是由何志伟;官思伟;赵宾杰;董哲康;高明煜设计研发完成，并于2022-05-18向国家知识产权局提交的专利申请。

本基于时空图模型的动力电池生产工艺波动异常检测方法在说明书摘要公布了：本发明提出了一种基于时空图模型的动力电池生产工艺波动异常检测方法。该方法包括：将电池生产工艺的关键参数用于模型的训练，使用不同卷积核尺寸的时间卷积网络获取序列的时间模型；构建领接矩阵，使用图卷积神经网络获取时间序列的空间信息；构建带有门控机制的时空图卷积块对所得信息进行过滤，得到有效的时间和空间的依赖性；聚合所有门控时空图卷积网络的输出信息对输入滑动时间窗进行单步预测；应用数据的观测值和预测值计算预测误差，再应用预测误差计算异常分数的阈值；如果测试数据中预测误差大于阈值，则将其判断为异常，发出警报。

本发明授权基于时空图模型的动力电池生产工艺波动异常检测方法在权利要求书中公布了：1.基于时空图模型的动力电池生产工艺波动异常检测方法，其特征在于：该方法具体包括以下步骤：1对记录电池生产工艺的关键参数进行预处理，使具有不同属性、不同范围的参数具有相同的度量；2将预处理后的数据分为三个子集，其中N1子集用于模型的训练，其中仅包含正常的数据集；N2子集用于模型的超参数的调节和阈值的选择；N3用于测试模型的性能，N2和N3均包含正常和异常数据，模型的输入为一个滑动时间窗XW∈Rk×L,其中k表示多维时间序列的特征维度，L表示滑动时间窗的尺寸；3构建门控时空图模型；首先构建不同尺寸的卷积核的时间卷积网络和卷积核为1×1的卷积来捕获动力电池生产工艺关键参数的时间依赖性；不同动力电池生产工艺关键参数通过图的形式表达，图被表述为G＝V，E，其中V是节点的集合，E是边的集合；用k来表示图中的节点数量；让v∈V表示一个节点，e＝v，u∈E表示从u指向v的一条边；构建的电池生产工艺参数系统的有向图的邻接矩阵，表示为A∈Rk×k，如果vi，vj∈E，则Aij＝1，如果则Aij＝0；通过自适应图的结构捕获不同生产工艺的线性与非线性的关系，具体采用两种方法学习邻接矩阵，第一，根据电池生产过程工艺参数的相关性，构建邻接矩阵第二，由模型通过梯度下降学习自适应邻接矩阵Aapt，通过随机初始化起始节点和目标节点的嵌入表示作为可学习的参数E1,E2∈Rk×m,其中m表示每一个节点嵌入的维度，目标的自适应连接矩阵表示为公式3；通过自适应图的结构捕获不同生产工艺的线性与非线性的关系，使用图卷积神经网络聚合相关工艺参数的信息，图卷积神经网络表示为公式4， 其中Aapt表示初始化的自适应邻接矩阵，X表示图卷积神经网络的输入，Wi1和Wi2表示图卷积神经网络模型的参数矩阵；4使用门结构对所得时空信息进行过滤；在门控时空图模型中，采用一个公式5所示的输出门gi，每个门结构的输出中都蕴含时间序列的有效信息；在公式6中，将每个门结构的输出结果相加，通过两层全连接层，获得多维时间序列的时空信息进行下一时间步的观测值预测；gi＝hi1Θ1*X+a⊙hi2Θ2*X+b5 其中hi1和hi2表示串联时间卷积和图卷积神经网络的两个运算，Θ1，Θ2分别为其中的参数，⊙表示矩阵对应元素相乘，a,b,c,d为偏置项，W1和W2为全连接层的参数矩阵，Tanh和ReLU为激活函数；5使用正常数据对模型训练，使用自动化阈值策略，用验证集调节模型的超参数，选择最佳的阈值；最后测试模型的性能，直观上，当测试数据集中含有异常时，将预测误差大于阈值的观测值判为异常。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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”。