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！

龙图腾网获悉哈尔滨工业大学(威海)申请的专利基于多特征指标融合的车用燃料电池寿命智能预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：CN119414251B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202510018219.2，技术领域涉及：G01R31/367；该发明授权基于多特征指标融合的车用燃料电池寿命智能预测方法是由陈后博;刘清河设计研发完成，并于2025-01-07向国家知识产权局提交的专利申请。

本基于多特征指标融合的车用燃料电池寿命智能预测方法在说明书摘要公布了：本发明涉及燃料电池技术领域，具体的说是一种能够有效提高燃料电池使用寿命预测准确度，进而有利于提高燃料电池运行可靠性和安全性的基于多特征指标融合的车用燃料电池寿命智能预测方法，与现有技术相比，多特征健康指标融合将燃料电池的输出电压重新构建表征燃料电池波动项、周期项和长期衰减分量的新型健康指标，提出的车用燃料电池寿命智能预测方法集成了多种预测算法和优化算法，其能根据输入数据类型选择合适的预测方法以提高寿命预测的准确性和鲁棒性。

本发明授权基于多特征指标融合的车用燃料电池寿命智能预测方法在权利要求书中公布了：1.一种基于多特征指标融合的车用燃料电池寿命智能预测方法，其特征在于，包括以下步骤： 步骤1：采集质子交换膜燃料电池连续时刻电压采样数据，并对所采集的数据进行预处理，得到质子交换膜燃料电池的电堆电压； 步骤2：采用EMD经验模态分解方法将表征质子交换膜燃料电池PEMFC衰减的电堆电压分解为多个不同特征尺度的本征模态函数IMF； 步骤3：建立加权注意力模型，对IMF进行融合重组，所述加权注意力模型将IMF重组为用于表征燃料电池的波动性和噪声的衰减分量一，用于表征燃料电池周期性变化的衰减分量二，以及用于表征燃料电池长期老化趋势的衰减分量三； 步骤4：通过基于多特征健康指标融合的车用燃料电池寿命智能预测方法，分别对衰减分量一、衰减分量二、衰减分量三进行预测，其中，采用灰狼优化算法GWO结合门控循环单元GRU预测衰减分量一，采用SSA-LSTM预测方法对衰减分量二进行预测，采用基于注意力机制的序列模型Transformer预测衰减分量三； 步骤3中，加权注意力模型的注意力机制的核心是计算每对数据之间的相关性，其中权重采用点积形式计算相关性： （7）， 式中是可学习的权重矩阵，是查询向量，是键向量，表示查询向量的转置，将通过函数进行归一化处理，具体如下所示： （8），具体包括以下步骤： 步骤3-1：基于注意力权重，对第二组数据进行加权求和，得到第一组数据中每个样本的融合数据，如下式表示： （9）， 式中每个都是基于和第二组数据相关性融合得到的； 步骤3-2：将第一组数据和与其对应的融合表示拼接或加权，生成新的数据： （10），式中ReLu是非线性激活函数； 步骤3-3：最终输出的融合数据表示如下式所示： （11），是将两组数据通过注意力机制融合后的新数据集合； 步骤4中，当对衰减分量一进行预测时，采用灰狼优化算法GWO结合门控循环单元GRU进行预测，其中，GRU的门控机制擅长建模中长期依赖关系，而GWO的全局搜索避免了局部最优并增强了对周期数据的适应性，步骤4GRU模型由更新门和重置门组成，GRU模型的计算公式为： （12）， （13）， 式中是更新门的输出，是上一个时间步的隐藏状态，是当前输入数据，和分别是权重矩阵和偏差，重置门控制前一个隐藏状态对当前计算的影响程度，为重置门输出，和分别为权重矩阵和偏差，当前候选隐藏状态是根据重置门调整后的隐藏状态计算出来的；GWO通过模拟一群灰狼的狩猎行为来实现全局优化，GWO的核心在于解空间的全局搜索和局部利用之间的平衡，GWO中每只灰狼的当前位置代表一个解，位置更新公式如下： （14）， 式中为第t+1次迭代时第i只狼的位置向量；为第t次迭代时领头狼的位置向量，即当前的最优解，A为调整步长的控制因子，C为调整目标猎物位置的系数，A和C定义如下： A=2·a·r1-a（15）， C=2·r2（16）， 式中a是随时间每次迭代而减小的因子，r1和r2是0到1之间的随机数，α、β和δ分别是中的最优解、次优解和第三优解，狼群根据三个首领α、β和δ的位置更新自己的位置，通过不断逼近最优值，每只狼逐渐找到全局最优值，在GWO优化GRU模型超参数的过程中，每只狼的位置代表一组GRU超参数，对于每个位置，训练相应的GRU模型并计算适应度函数MSE； 步骤4中，当对衰减分量二进行预测时，采用SSA-LSTM预测方法，其中LSTM模型由输入门、遗忘门和输出门组成，LSTM模型的计算公式由下式表示： （17）， （18）， （19）， 式中，表示输入数据，表示t-1时刻隐藏层的状态，、和分别表示输入门的计算结果、权重矩阵和偏置项，、和分别表示输出门的计算结果、权重矩阵和偏置项，、和分别表示遗忘门的计算结果、权重矩阵和偏置项，表示激活函数；SSA是一种基于麻雀觅食行为的群体智能优化算法，是通过模拟麻雀觅食行为来优化目标函数，LSTM模型的优化目标是最小化预测误差，采用均方误差MSE作为目标函数，SSA通过随机生成初始麻雀位置来构建初始解空间种群，每个位置代表LSTM在维度的超参数的潜在组合，表示为式（20）： （20）， 式中随机分布在解空间中以覆盖大范围的超参数，对于每个麻雀位置训练对应的LSTM模型并计算其适应度值，该值与目标函数的值有关，适应度值越低，表示超参数组合对提升LSTM模型性能的效果越好，SSA模拟了麻雀觅食时的行为，包括觅食者和捕食者，位置更新规则基于以下公式： （21）， 式中表示第t次迭代中第i个麻雀的位置，和分别是当前种群中最优解和最差解的位置，α和β是调整因子， SSA通过在当前解附近进行局部搜索来优化当前解，方法是通过调整公式中参数的位置来更新参数，局部搜索通过以下公式来表示： （22）， 其中，X best t 为当前最优解，γ为局部搜索因子，rand为随机数，SSA通过随机扰动和全局更新策略探索解空间的其他区域，以避免陷入局部最优，具体公式如下所示： （23）， 式中X global t 为全局最优解，δ为全局搜索因子，SSA在多次迭代过程中逐渐收敛，通过不断更新解的位置，群体逐渐逼近全局最优解。

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哈尔滨工业大学(威海)，其通讯地址为：264209 山东省威海市高技术产业开发区文化西路2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”。