(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110371138.2 (22)申请日 2021.04.07 (65)同一申请的已公布的文献号 申请公布号 CN 113094989 A (43)申请公布日 2021.07.09 (73)专利权人 贵州大学 地址 550025 贵州省贵阳市花溪区贵州大 学花溪北校区科技处 (72)发明人 李少波　廖子豪　周鹏　张安思　 李传江　 (74)专利代理 机构 贵阳中新专利商标事务所 52100 专利代理师 胡绪东 (51)Int.Cl. G06F 30/27(2020.01) G01R 31/367(2019.01)G06F 119/04(2020.01) (56)对比文件 CN 111443294 A,2020.07.24 CN 109061504 A,2018.12.21 CN 110568374 A,2019.12.13 JP 5815134 B2,2015.1 1.17 US 2016239586 A1,2016.08.18 苗建国 等.无 人机故障诊断技 术研究进 展 概述. 《仪器仪表学报》 .2020,第41卷(第9期), Xuejiao Zhao et al. .Reliable Life Predicti on and Evaluati on Analysis of Lithium-i on Battery Based o n Long-Short Term Memory Model. 《2019 IE EE 19th Internati onal Conference o n Software Quality, Rel iability and Security Companion (QRS-C)》 .2019,5 07-509. 审查员 沈玉玲 (54)发明名称 一种基于随机配置网络的无人机电池寿命 预测方法 (57)摘要 本发明公开了一种基于随机配置网络的无 人机电池寿命预测方法， 该方法为： 以无人机用 锂离子电池容量作为直接健康因子， 电池放电电 压作为间接健康因子， 采用随机配置网络进行模 型训练及参数调试， 获得锂离子电池的寿命预测 模型进行预测。 有效避免现有数据驱动预测方法 中存在的精度低、 训练数据需求大等问题， 充分 发挥SCN自主性强、 收敛速度快、 网络成本低等特 点， 相较于其余神经网络， SCN的RMSE值最小， 具 有更低的训练损失和更好的网络拟合效果， 是一 种有效的锂电池RUL预测算法。 权利要求书3页 说明书10页 附图5页 CN 113094989 B 2022.12.09 CN 113094989 B 1.一种基于随机配置网络的无人机电池寿命预测方法， 其特征在于： 该方法为： 以无人 机用锂离子电池容量作为直接健康因子， 电池放电电压作为间接健康因子， 采用随机配置 网络进行模型训练及参数调试， 获得锂离子电池的寿命预测模型进行预测； 随机配置网络 算法包括以下 具体步骤： (1)对于给定的目标函数f: 假设已建立一个拥有L ‑1个隐藏节点的单层前向 反馈网络， 如式(1)所示： 其中fL‑1(x)表示一个假 设的已拥有L ‑1个隐藏节点的单层前向反馈网络， βj表示隐藏层 输出权重， gj表示激活函数， 表示隐藏层的输入权 重， bj表示隐藏层的输入偏置； 将误差表示 为式(2) eL‑1＝f‑fL‑1＝[eL‑1,1,...,eL‑1,m]             (2) 其中eL‑1表示当前误差， f表示当前拥有L个节点的网络值， fL‑1表示上一阶段拥有L ‑1个 节点的网络值， eL‑1,1表示第L‑1个隐藏层节点对第一个输出层节点的误差、 …、 eL‑1,m第L‑1 个隐藏层节点对第m个输出层节点的误差； 若误差eL‑1未能达到 预定误差限， 以增量学习的方法添加βL,gL， 其中gL的权重为wL， 偏置 为bL， 更新fL＝fL‑1+βLgL， 直到误差eL‑1达到给定误差限； (2)假设对于 都有0＜‖g‖＜bg， 给定0＜r＜1和非负实数序列{μL}， 其中μL满足 且 μL≤(1‑r)， 隐藏节点 L＝1,2,...表示为： 其中δL表示节点L的值， δL,q表示第L个隐藏层节点对应第q个输出层节点的值， r是 自设 定的数值， μL是一个非负实数序列， eL‑1,q表示第L‑1个隐藏层节点对应第q个输出层节点的 误差， || ﹒ ||表示范数计算； 如果生成的随机基函数gL满足式(4) 其中eL‑1,q表示第L‑1个隐藏层节点对应第q个输 出层节点的误差， gL表示随机基函数， bg 表示随机基函数的偏置， δL,q表示第L个隐藏层节点对应第q个输出层节点的值； 且输出权 重由式(5) 其中βL,q表示输出权重， eL‑1,q表示第L‑1个隐藏层节点对应第q个输出层节点的误差， gL 表示随机基函数， | | ﹒ ||表示范数计算； 计算得到， 则得 出结论 其中： 权　利　要　求　书 1/3 页 2 CN 113094989 B 2式(4)中的监督机制通过计算最佳的权重wL和偏置bL得到合适的新增节点， 达到满足式 (7)的数理条件： <eL‑1,gL>2/||gL||2        (7) 其中eL‑1,q表示第L‑1个隐藏层节点对应第q个输出层节点的误差， gL表示随机基函数， | | ﹒ ||表示范数计算； 显然式(8) βL＝[βL,1,..., βL,m]T                (8) 其中βL表示输出权重， βL,1表示第L个隐藏层 节点对应第1个输 出层节点的输 出权重、…、 βL,m表示第L个隐藏层节点对应第m个输出层节点的输出权 重； 通过式(9)分析： 其中βL,q表示第L个隐藏层节点对应第q个输出层节点的输出权重， eL‑1,q表示第L‑1个隐 藏层节点对应第q个输出层节点的误差， gL表示随机基函数， | | ﹒ ||表示范数计算； 式(9)分析求值得到， 输出权重的计算方案根据式(4)计算得到gj(j＝1,2,...,L)， 通过 最小化全局残差来计算得到β1, β2,…, βL的值； 随机配置网络算法建立分为两个步骤： 1)隐藏节点参数的配置： 随机分配输入权重和 偏差以满足式(4)； 然后生 成一个新的 隐藏节点并将其添加到 当前学习者模型中； 2)计算输 出权重： 通过使用最小二乘法或其 正则化版本来 求解线性方程系统； 随机配置网络算法采用sigmoid函数作为隐藏节点激活函数， 其中参数Y＝{λ1:Δλ: λmax}对自适应确定随机参数w和b的范围， 选择期望的误差容限∈或通过预先设置的最大隐 藏节点个数Lmax来终止算法； 随机配置 网络取r的时变值， 这种情况下的r需要设置得非常接近1， 以使式(10)趋近于 零， 使得ξL≥0： 一旦设置r接 近1， 则式(1 1)就会比eL‑12小： δL＝(1‑r‑μL)eL‑12                (11)。 2.根据权利要求1所述的一种基于随机配置网络的无人机电池寿命预测方法， 其特征 在于： 还包括健康因子选取 的可靠性分析方法， 健康因子选取的可靠性分析方法采用灰色 关联度分析， 具体方法为： 设在一个灰色系统中有n个影响元素， 有一个重要元素X， 已知其 他n‑1个元素对X均有不同程度的影响力， 使用多 元素统计分析计算其他n ‑1个元素对 X的影 响程度强弱， 利用下式计算两个数据元 素之间的GRA值： 式(12)中ξi(k)为计算出的第k个影响元素序列的灰色关联系数， y(k)为参考元素序列， 即电池容量序列X； xi(k)为比较元素序列， 即n ‑1个放电电压序列； ρ 为自定义的分辨系数； 最后根据公式(13)求出放电电压序列的平均值， 得到放电电压对电池容量的灰色关联度 值：权　利　要　求　书 2/3 页 3 CN 113094989 B 3