CN110824364A - 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 - Google Patents

一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 Download PDF

Info

Publication number
CN110824364A
CN110824364A CN201911018344.4A CN201911018344A CN110824364A CN 110824364 A CN110824364 A CN 110824364A CN 201911018344 A CN201911018344 A CN 201911018344A CN 110824364 A CN110824364 A CN 110824364A
Authority
CN
China
Prior art keywords
ast
capacity
input
lstm
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911018344.4A
Other languages
English (en)
Other versions
CN110824364B (zh
Inventor
李鹏华
张家昌
张子健
柴毅
熊庆宇
丁宝苍
魏善碧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201911018344.4A priority Critical patent/CN110824364B/zh
Publication of CN110824364A publication Critical patent/CN110824364A/zh
Application granted granted Critical
Publication of CN110824364B publication Critical patent/CN110824364B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及一种基于AST‑LSTM神经网络的锂电池SOH估计与RUL预测方法，属于锂电池PHM领域。该方法包括：1)集多个电池充放电周期电压、电流、温度和对应的容量值；2)构建深度AST‑LASTM模型；3)基于AST‑LSTM神经网络模型的锂电池SOH估计和RUL预测。本发明仅需待测锂电池的电压、电流、温度和时间即可获得电池容量数据，从而估算出锂电池SOH和RUL，测量过程简单，误差小精度高。

Description

一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法
技术领域
本发明属于锂电池PHM领域，涉及一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法。
背景技术
作为一种轻量化、高密度的能量存储与供给装置，锂电池是众多复杂电驱系统(如航天器、电动汽车、便携式电子设备)的关键使能部件。锂电池安全稳定的运行工作，影响着其应用领域中各种设备的可靠运行。因此，针对锂电池预测与健康管理(Prognostic andHealth Management，PHM)的研究，一直是学术和工程领域的关注焦点。锂电池PHM主要涉及在一定充放电周期内，对SOH的实时估计，对RUL的实时预测和其他电池参数的监测。对SOH的估计和对RUL的预测，主要针对锂电池的使用寿命问题，以确定锂电池因容量不足，需要更换的最佳时间，进而延长锂电池的使用寿命。在实际的锂电池PHM中，RUL经常伴随着SOH一起使用，且SOH作为RUL的基础，其估计的准确率直接影响RUL预测的准确率。在众多的电池PHM研究中，电池容量长期以来一直是电池SOH的确定指标，当锂电池容量下降到额定容量的20％-30％时，锂电池需要进行更换。
目前，对于锂电池SOH估计和RUL预测的方法大致可分为：电化学模型、等效电路模型和数据驱动方法。电池电化学模型利用电热力学和锂离子运动来建立矩阵方程，可以细致的描述电池内部电化学反应，但这些方法通常具有多个复杂参数，这限制了其在实践中的应用。等效电池模型使用多种电路元件来模拟电池特性，该方法结构简单，模型参数较少，但缺乏实际的物理意义。数据驱动方法使用大量历史数据建立输入输出映射关系，但模型准确度和精确度取决于训练数据和方法。在锂电池的实际应用中，电池容量并不能直接测量获得，传感器只能采集放电端电压，放电电流和放电温度等时间序列数据。因此，数据驱动方法相较于其他方法更为适应电池工作环境。
基于上述方法的缺陷，本发明提出了一种新的主动状态追踪长短时记忆(ActiveStates Tracking long-short-term memory，AST-LSTM)神经网络模型来解决锂电池SOH估计和RUL预测问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于AST-LSTM神经网络的在线锂电池SOH估计与RUL预测方法，来进行锂电池的状态估计和使用寿命管理。
为达到上述目的，本发明提供如下技术方案：
一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法，包括SOH估计模型和RUL预测模型。在所提的方法中，首先将输入门和遗忘门通过固定连接连接起来，同时确定要遗忘的旧信息和要添加的新信息。然后将新的输入数据与之前的单元状态进行融合和更新，筛选出有利于SOH估计和RUL预测的信息。最后，在输出门电路中加入一个来自记忆单元状态的窥视孔连接，学习保护记忆单元状态不受不必要的误差信号的影响。在SOH估计和RUL预测过程中，分别建立了具有多对一映射和一对一映射结构的LSTM神经网络，有效地学习了锂离子电池参数序列的长-短期依赖关系。具体而言，所述SOH估计模型包括动力电池容量与动力电池充放电时电压、电流，温度，时间之间的对应的关系。通过待检测电池的充放电电压，电流，温度，时间得到电池容量，进行SOH估计。然后，将得到的容量值实时导入到RUL预测模型，实现RUL的多步预测。具体包括以下步骤：
S1：数据采集：在充放电周期内，测试并收集锂电池放电端电压、电流、温度数据和对应的电池容量数据；
S2：构建深度AST-LSTM神经网络模型，包括建立AST-LSTM神经元和AST-LSTM反向传播算法；
S3：基于AST-LSTM神经网络模型的锂电池SOH估计；
S4：基于AST-LSTM神经网络模型的锂电池RUL预测。
进一步，步骤S2中，所述建立AST-LSTM神经元具体包括：
1)遗忘门与输入门的固定耦合：遗忘门和输入门通过固定连接“1-”进行耦合，从遗忘门输出到候选单元状态，数学表达式为：
Figure BDA0002246408330000021
Figure BDA0002246408330000022
it＝(1-ft)⊙σ(ct-1⊙pi)
其中，
Figure BDA0002246408330000023
是遗忘门激活向量，ft是遗忘门输出向量，it是输入门输出向量，ct-1是t-1时刻记忆单元状态，σ是sigmoid函数，⊙表示按元素乘，
Figure BDA0002246408330000024
是t时刻网络的输入向量，M表示输入维度，
Figure BDA0002246408330000025
是t-1时刻N个AST-LSTM单元的输出状态，和分别是遗忘门的输入权重矩阵、门控权重矩阵和偏置矩阵，pi是窥视孔状态矩阵；
2)候选门的主动状态跟踪：以元素的方式将新的输入值和以前的单元状态相乘，以便从新的输入数据中筛选出更多有用的信息，数学表达式为：
Figure BDA0002246408330000032
Figure BDA0002246408330000033
ct＝ct-1⊙ft+it+zt
其中，
Figure BDA0002246408330000034
是当前输入激活向量，zt是经tan函数激活后输出向量，ct是t时刻记忆单元状态，
Figure BDA0002246408330000035
和分别是候选门的输入权重矩阵、门控权重矩阵和偏置矩阵；
3)输出门记忆单元状态的筛选：将窥视孔直接连接到输出门上，只保留关键的记忆单元状态，数学表达式为：
Figure BDA0002246408330000037
Figure BDA0002246408330000038
其中，
Figure BDA0002246408330000039
和分别是输出门输入权重矩阵、门控权重矩阵、窥视孔状态矩阵和偏置矩阵；
4)AST-LSTM单元隐藏状态输出，数学表达式为：
ht＝ot⊙tanh(ct)。
进一步，步骤S2中，所述AST-LSTM反向传播算法具体包括：
1)误差
Figure BDA00022464083300000310
沿时间反向传播到前一刻，在第l层的AST-LSTM块内，计算为：
Figure BDA00022464083300000311
其中，Δt表示上一层传递的误差向量，对应于
Figure BDA00022464083300000312
E表示误差，但没有循环依赖关系；
Figure BDA00022464083300000313
Figure BDA00022464083300000314
分别表示第l层中候选门、遗忘门和输出门在t时刻的门控权重矩阵；
2)反向传播中，t时刻输入的增量，计算为：
其中，分别表示第l层中候选门、遗忘门和输出门在t时刻的输入权重矩阵，误差项
Figure BDA00022464083300000317
计算公式：
Figure BDA0002246408330000042
Figure BDA0002246408330000043
其中，计算公式为：
Figure BDA0002246408330000045
3)在l层t时刻，
Figure BDA0002246408330000046
和
Figure BDA0002246408330000047
计算公式为：
Figure BDA0002246408330000048
Figure BDA0002246408330000049
Figure BDA00022464083300000411
其中，表示任意的
Figure BDA00022464083300000413
o表示输出门，z表示候选门，f表示遗忘门；
其中，Fl-1是第l-1层AST-LSTM单元内的门控激活函数；
4)输入权重矩阵和门控权重矩阵更新规则，AST-LSTM的更新规则为：
Figure BDA00022464083300000415
Figure BDA00022464083300000416
其中，ηΔh和ηΔx表示用于更新输入权值和门控权值的相应的学习率。
进一步，步骤S3中，基于AST-LSTM神经网络的锂电池SOH估计的拓扑结构有五层，包括一个输入层、三个AST-LSTM隐含层和一个输出层。
进一步，步骤S3中，基于AST-LSTM神经网络模型的锂电池SOH估计，具体包括以下步骤：
S31：定义锂电池SOH为：
Figure BDA00022464083300000417
其中，Ci表示i个充放电周期的电池容量，C0表示电池初始容量；
S32：处理容量丢失；若出现容量丢失，将上一周期容量值赋予丢失周期；
S33：选择最佳输入；选择以电压、电压；温度、电压；温度、时间和电压、温度、时间、电流等四种输入方式分别作为网络输入，以计算根均方误差；选择根均方误差最小的作为输入；结果证明。电压，电流，时间，温度作为输入效果最好，相对应的容量作为输入标签；
S34：将采集相对应锂电池充放电电压、电流、温度和容量数据进行归一化处理；
Figure BDA0002246408330000051
其中，min表示样本数据最小值，max表示样本数据最大值；
S35：交叉验证选择网络超参数；将数据集按照6:1:3划分作为训练集、验证集和测试级；使用训练集和验证集进行10折交叉验证，计算网络损失平均值；当网络损失平均值小于设定的阈值时，结束验证，获得网络滑动窗口、批处理大小和学习率等超参数；
S36：训练模型；将数据集按照7:3划分，使用上一步得到的网络超参数和70％的数据对模型进行训练，并保存模型；
S37：使用30％数据集进行测试，并保存预测的电池容量值，计算电池SOH。
进一步，步骤S4中，基于AST-LSTM神经网络的锂电池RUL预测拓扑结构为三层，包括一个输入层、一个AST-LSTM隐含层和一个输出层。
进一步，步骤S4中，基于AST-LSTM神经网络模型的锂电池RUL预测，具体包括以下步骤：
S41：定义电池的寿命终止容量CEOL为：
CEOL＝C0×0.8
其中，C0表示电池初始容量；
S42：采集多个与SOH估计同型号的电池的从初始容量到EOL的容量值作为容量数据集；
S43：将容量数据集进行归一化处理，表达式为：
Figure BDA0002246408330000052
其中，Ci表示i个充放电周期的电池容量；
S44：选择RUL预测模型超参数；按7:2:1的划分，将容量数据集划分为训练集，测试级和验证集；然后使用训练集合验证集进行10折交叉验证，计算计算网络损失平均值；当损失平均值低于设定的阈值时，结束验证，获得RUL预测模型神经元代价函数，正则化参数，隐含层神经元个数等超参数；
S45：训练模型：将容量数据集按照7:3划分，使用上一步得到的网络超参数和70％的训练集数据对模型进行训练，并保存模型；
S46：使用30％的测试数据集进行测试，证明模型有效性，并保存模型；
S47：将SOH估计模型得到的容量值在线导致训练完成的RUL预测模型；
S48：多步预测RUL。
进一步，步骤S48中，多步预测RUL具体包括：假设从SOH估计模型获得初始容量C0到第i个周期的容量值Ci，利用RUL预测模型预测Ci+1；然后使用初始容量C0到第i+1个周期的容量值Ci+1，利用RUL预测模型预测Ci+2；以此类推，得到CEOL；最后，依据充放电周期nt容量为Ci，充放电周期nEOL容量为CEOL，由以下公式得到电池RUL；
假设电池充放电周期为n的时候电池到达EOL，电池的RUL在t时刻的计算公式为：
RUL＝nEOL-nt
其中，nt表示t时刻充放电周期数，nEOL表示电池容量达到CEOL时的充放电周期。
本发明的有益效果在于：相比于现有的技术，本发明能实现在线锂电池SOH估计和RUL预测。首先，本发明提出了一种AST-LSTM神经网络，该网络具有主动状态跟踪的LSTM单元和相应的学习算法，可以从输入数据中筛选出有用信息，并屏蔽错误信号。在输入方面，增加了输入信号的可用度。其次，利用多对一和一对一的映射体系结构，建立了AST-LSTM的SOH估计和RUL预测框架。训练完成的SOH模型和RUL模型可以被所有AST-LSTM单元共享，而不会相互干扰。一系列SOH在线监控AST-LSTM模型输出的多个值在线输入不断地馈送到RUL模型中完成准确的多步预测。最后，通过对AST-LSTM框架的输入进行分析，选择合适的输入参数，消除放电过程中的消极影响。计算放电过程中电流、电压、温度、时间和容量的相关系数，选择合适的参数及其组合作为AST-LSTM神经网络的输入。然后，利用预筛选参数间的长、短期依赖关系对预测模型进行预训练，调整相应的超参数。本专利公开的方法仅需可直接测量的电压，电流，温度，时间等参数，即可估计锂电池SOH，并根据SOH预测RUL，测量数据全面，测量过程简单，并且该方法误差小且估计和预测精度高。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为AST-LSTM神经单元结构图；
图2为深度AST-LSTM结构示意图；
图3为锂电池SOH估计与RUL预测框架。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1～图3，为一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法，包括以下步骤：
S1：采集数据。采集多个锂电池充放电周期内电压，电流，温度，时间和相对应容量，时间尺度为从初始容量C0到寿命终止容量CEOL。
S2：构建深度AST-LSTM模型。包括以下步骤：
S21：建立AST-LSTM神经元，如图1所示，包括以下步骤：
1)遗忘门与输入门的固定耦合。遗忘门和输入门通过固定连接“1-”进行耦合，从遗忘门输出到候选单元状态。通过这种耦合来决定遗忘信息和添加新信息。具体来说，旧的信息只有在新值输入的地方才会被遗忘，而新信息只有在旧的信息被遗忘的时候才会被输入。数学表达式为：
Figure BDA0002246408330000071
Figure BDA0002246408330000072
it＝(1-ft)⊙σ(ct-1⊙pi)
其中，
Figure BDA0002246408330000073
是遗忘门激活向量，ft是遗忘门输出向量，it是输入门输出向量，ct-1是t-1时刻记忆单元状态，σ是sigmoid函数，⊙表示按元素乘，
Figure BDA0002246408330000074
是t时刻网络的输入向量，M表示输入维度，
Figure BDA0002246408330000075
是t-1时刻N个AST-LSTM单元的输出状态，和
Figure BDA0002246408330000077
分别是遗忘门的输入权重矩阵、门控权重矩阵和偏置矩阵，pi是窥视孔状态矩阵；
2)候选门的主动状态跟踪：以元素的方式将新的输入值和以前的单元状态相乘，以便从新的输入数据中筛选出更多有用的信息。对于不利的输入，我们选择被动地接受较少的信息，甚至主动地放弃信息。这部分由候选门完成，数学表达式为：
Figure BDA0002246408330000081
ct＝ct-1⊙ft+it+zt
其中，
Figure BDA0002246408330000083
是当前输入激活向量，zt是经tan函数激活后输出向量，ct是t时刻记忆单元状态，
Figure BDA0002246408330000084
和分别是候选门的输入权重矩阵、门控权重矩阵和偏置矩阵；
3)输出门记忆单元状态的筛选：将窥视孔直接连接到输出门上，只保留关键的记忆单元状态，数学表达式为：
Figure BDA0002246408330000086
其中，
Figure BDA0002246408330000088
和
Figure BDA0002246408330000089
分别是输出门输入权重矩阵、门控权重矩阵、窥视孔状态矩阵和偏置矩阵；
4)AST-LSTM单元隐藏状态输出，数学表达式为：
ht＝ot⊙tanh(ct)。
S22：AST-LSTM学习算法。AST-LSTM的网络结构如图2所示。AST-LSTM采用沿时间的反向传播算法实现网络的学习。网络训练的目的在于更新每层中所有与门控连接的权重，使损失函数最小化。本实施例假设反向传播误差项源自损失函数对AST-LSTM块输出的导数。AST-LSTM反向传播算法过程如下：
1)误差
Figure BDA00022464083300000810
沿时间反向传播到前一刻，在第l层的AST-LSTM块内，计算为：
Figure BDA00022464083300000811
其中，Δt表示上一层传递的误差向量，对应于
Figure BDA00022464083300000812
E表示误差，但没有循环依赖关系；
Figure BDA00022464083300000813
Figure BDA00022464083300000814
分别表示第l层中候选门、遗忘门和输出门在t时刻的门控权重矩阵；
2)反向传播中，t时刻输入的增量，计算为：
Figure BDA00022464083300000815
其中，分别表示第l层中候选门、遗忘门和输出门在t时刻的输入权重矩阵，误差项
Figure BDA00022464083300000817
计算公式：
Figure BDA0002246408330000091
Figure BDA0002246408330000092
其中，计算公式为：
Figure BDA0002246408330000095
3)根据以上的误差项，在l层t时刻，
Figure BDA0002246408330000096
和计算公式为：
Figure BDA0002246408330000098
Figure BDA0002246408330000099
Figure BDA00022464083300000910
Figure BDA00022464083300000911
其中，
Figure BDA00022464083300000912
表示任意的
Figure BDA00022464083300000913
o表示输出门，z表示候选门，f表示遗忘门；
Figure BDA00022464083300000914
其中，Fl-1是第l-1层AST-LSTM单元内的门控激活函数；
4)输入权重矩阵和门控权重矩阵更新规则，AST-LSTM的更新规则为：
Figure BDA00022464083300000915
Figure BDA00022464083300000916
其中，ηΔh和ηΔx表示用于更新输入权值和门控权值的相应的学习率。
S3：基于AST-LSTM神经网络模型的锂电池健康状态(State-of-health，SOH)估计。基于AST-LSTM神经网络的锂电池SOH估计的拓扑结构有五层，包括一个输入层，三个AST-LSTM隐含层和一个输出层。具体步骤为：
S31：定义锂电池SOH为：
Figure BDA00022464083300000917
其中，Ci表示i个充放电周期的电池容量，C0表示电池初始容量；
S32：处理容量丢失；若出现容量丢失，将上一周期容量值赋予丢失周期；
S33：选择最佳输入；选择以电压、电压；温度、电压；温度、时间和电压、温度、时间、电流等四种输入方式分别作为网络输入，以计算根均方误差；选择根均方误差最小的作为输入；结果证明。电压，电流，时间，温度作为输入效果最好，相对应的容量作为输入标签；
S34：将采集相对应锂电池充放电电压、电流、温度和容量数据进行归一化处理；
Figure BDA0002246408330000101
其中，min表示样本数据最小值，max表示样本数据最大值；
S35：交叉验证选择网络超参数；将数据集按照6:1:3划分作为训练集、验证集和测试级；使用训练集和验证集进行10折交叉验证，计算网络损失平均值；当网络损失平均值小于设定的阈值时，结束验证，获得网络滑动窗口、批处理大小和学习率等超参数；
S36：训练模型；将数据集按照7:3划分，使用上一步得到的网络超参数和70％的数据对模型进行训练，并保存模型；
S37：使用30％数据集进行测试，并保存预测的电池容量值，计算电池SOH。
S4：基于AST-LSTM神经网络模型的锂电池剩余使用寿命(remaining usefullife，RUL)预测。基于AST-LSTM神经网络的锂电池RUL预测拓扑结构为三层，包括一个输入层、一个AST-LSTM隐含层和一个输出层。具体步骤为：
S41：定义电池的寿命终止容量CEOL为：
CEOL＝C0×0.8
其中，C0表示电池初始容量；
S42：采集多个与SOH估计同型号的电池的从初始容量到EOL的容量值作为容量数据集；
S43：将容量数据集进行归一化处理，表达式为：
其中，Ci表示i个充放电周期的电池容量；
S44：选择RUL预测模型超参数；按7:2:1的划分，将容量数据集划分为训练集，测试级和验证集；然后使用训练集合验证集进行10折交叉验证，计算计算网络损失平均值；当损失平均值低于设定的阈值时，结束验证，获得RUL预测模型神经元代价函数，正则化参数，隐含层神经元个数等超参数；
S45：训练模型：将容量数据集按照7:3划分，使用上一步得到的网络超参数和70％的训练集数据对模型进行训练，并保存模型；
S46：使用30％的测试数据集进行测试，证明模型有效性，并保存模型；
S47：将SOH估计模型得到的容量值在线导致训练完成的RUL预测模型；
S48：多步预测RUL。假设从SOH估计模型获得初始容量C0到第i个周期的容量值Ci，利用RUL预测模型预测Ci+1；然后使用初始容量C0到第i+1个周期的容量值Ci+1，利用RUL预测模型预测Ci+2；以此类推，得到CEOL；最后，依据充放电周期nt容量为Ci，充放电周期nEOL容量为CEOL，由以下公式得到电池RUL；
假设电池充放电周期为n的时候电池到达EOL，电池的RUL在t时刻的计算公式为：
RUL＝nEOL-nt
其中，nt表示t时刻充放电周期数，nEOL表示电池容量达到CEOL时的充放电周期。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法，其特征在于，该方法包括以下步骤：
S1：数据采集：在充放电周期内，测试并收集锂电池放电端电压、电流、温度数据和对应的电池容量数据；
S2：构建深度主动状态追踪长短时记忆(Active States Tracking long-short-termmemory，AST-LSTM)神经网络模型，包括建立AST-LSTM神经元和AST-LSTM反向传播算法；
S3：基于AST-LSTM神经网络模型的锂电池健康状态(State-of-health，SOH)估计；
S4：基于AST-LSTM神经网络模型的锂电池剩余使用寿命(remaining useful life，RUL)预测。
2.根据权利要求1所述的一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法，其特征在于，步骤S2中，所述建立AST-LSTM神经元具体包括：
1)遗忘门与输入门的固定耦合：遗忘门和输入门通过固定连接“1-”进行耦合，从遗忘门输出到候选单元状态，数学表达式为：
Figure FDA0002246408320000011
Figure FDA0002246408320000012
it＝(1-ft)⊙σ(ct-1⊙pi)
其中，
Figure FDA0002246408320000013
是遗忘门激活向量，ft是遗忘门输出向量，it是输入门输出向量，ct-1是t-1时刻记忆单元状态，σ是sigmoid函数，⊙表示按元素乘，
Figure FDA0002246408320000014
是t时刻网络的输入向量，M表示输入维度，
Figure FDA0002246408320000015
是t-1时刻N个AST-LSTM单元的输出状态，
Figure FDA0002246408320000016
和
Figure FDA0002246408320000017
分别是遗忘门的输入权重矩阵、门控权重矩阵和偏置矩阵，pi是窥视孔状态矩阵；
2)候选门的主动状态跟踪：以元素的方式将新的输入值和以前的单元状态相乘，数学表达式为：
Figure FDA0002246408320000018
Figure FDA0002246408320000019
ct＝ct-1⊙ft+it+zt
其中，
Figure FDA00022464083200000110
是当前输入激活向量，zt是经tan函数激活后输出向量，ct是t时刻记忆单元状态，
Figure FDA00022464083200000111
和
Figure FDA00022464083200000112
分别是候选门的输入权重矩阵、门控权重矩阵和偏置矩阵；
3)输出门记忆单元状态的筛选：将窥视孔直接连接到输出门上，只保留关键的记忆单元状态，数学表达式为：
Figure FDA0002246408320000022
其中，
Figure FDA0002246408320000023
和
Figure FDA0002246408320000024
分别是输出门输入权重矩阵、门控权重矩阵、窥视孔状态矩阵和偏置矩阵；
4)AST-LSTM单元隐藏状态输出，数学表达式为：
ht＝ot⊙tanh(ct)。
3.根据权利要求2所述的一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法，其特征在于，步骤S2中，所述AST-LSTM反向传播算法具体包括：
1)误差
Figure FDA0002246408320000025
沿时间反向传播到前一刻，在第l层的AST-LSTM块内，计算为：
Figure FDA0002246408320000026
其中，Δt表示上一层传递的误差向量，
Figure FDA0002246408320000027
分别表示第l层中候选门、遗忘门和输出门在t时刻的门控权重矩阵；
2)反向传播中，t时刻输入的增量，计算为：
Figure FDA0002246408320000028
其中，分别表示第l层中候选门、遗忘门和输出门在t时刻的输入权重矩阵，误差项
Figure FDA00022464083200000210
计算公式：
Figure FDA00022464083200000211
Figure FDA00022464083200000212
Figure FDA00022464083200000213
其中，
Figure FDA00022464083200000214
计算公式为：
Figure FDA00022464083200000215
3)在l层t时刻，
Figure FDA00022464083200000216
和
Figure FDA00022464083200000217
计算公式为：
Figure FDA0002246408320000031
Figure FDA0002246408320000032
Figure FDA0002246408320000033
其中，
Figure FDA0002246408320000035
表示任意的o表示输出门，z表示候选门，f表示遗忘门；
Figure FDA0002246408320000037
其中，Fl-1是第l-1层AST-LSTM单元内的门控激活函数；
4)输入权重矩阵和门控权重矩阵更新规则，AST-LSTM的更新规则为：
Figure FDA0002246408320000039
其中，ηΔh和ηΔx表示用于更新输入权值和门控权值的相应的学习率。
4.根据权利要求3所述的一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法，其特征在于，步骤S3中，基于AST-LSTM神经网络的锂电池SOH估计的拓扑结构有五层，包括一个输入层、三个AST-LSTM隐含层和一个输出层。
5.根据权利要求4所述的一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法，其特征在于，步骤S3中，基于AST-LSTM神经网络模型的锂电池SOH估计，具体包括以下步骤：
S31：定义锂电池SOH为：
Figure FDA00022464083200000310
其中，Ci表示i个充放电周期的电池容量，C0表示电池初始容量；
S32：处理容量丢失；若出现容量丢失，将上一周期容量值赋予丢失周期；
S33：选择最佳输入；选择以电压、电压；温度、电压；温度、时间和电压、温度、时间、电流四种输入方式分别作为网络输入，以计算根均方误差；选择根均方误差最小的作为输入；相对应的容量作为输入标签；
S34：将采集相对应锂电池充放电电压、电流、温度和容量数据进行归一化处理；
S35：交叉验证选择网络超参数；将数据集按照6:1:3划分作为训练集、验证集和测试级；使用训练集和验证集进行10折交叉验证，计算网络损失平均值；当网络损失平均值小于设定的阈值时，结束验证，获得网络滑动窗口、批处理大小和学习率；
S36：训练模型；将数据集按照7:3划分，使用上一步得到的网络超参数和70％的数据对模型进行训练，并保存模型；
S37：使用30％数据集进行测试，并保存预测的电池容量值，计算电池SOH。
6.根据权利要求3所述的一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法，其特征在于，步骤S4中，基于AST-LSTM神经网络的锂电池RUL预测拓扑结构为三层，包括一个输入层、一个AST-LSTM隐含层和一个输出层。
7.根据权利要求6所述的一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法，其特征在于，步骤S4中，基于AST-LSTM神经网络模型的锂电池RUL预测，具体包括以下步骤：
S41：定义电池的寿命终止容量CEOL为：
CEOL＝C0×0.8
其中，C0表示电池初始容量；
S42：采集多个与SOH估计同型号的电池的从初始容量到EOL的容量值作为容量数据集；
S43：将容量数据集进行归一化处理，表达式为：
其中，Ci表示i个充放电周期的电池容量；
S44：选择RUL预测模型超参数；按7:2:1的划分，将容量数据集划分为训练集，测试级和验证集；然后使用训练集合验证集进行10折交叉验证，计算计算网络损失平均值；当损失平均值低于设定的阈值时，结束验证，获得RUL预测模型神经元代价函数，正则化参数，隐含层神经元个数；
S45：训练模型：将容量数据集按照7:3划分，使用上一步得到的网络超参数和70％的训练集数据对模型进行训练，并保存模型；
S46：使用30％的测试数据集进行测试，证明模型有效性，并保存模型；
S47：将SOH估计模型得到的容量值在线导致训练完成的RUL预测模型；
S48：多步预测RUL。
8.根据权利要求7所述的一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法，其特征在于，步骤S48中，多步预测RUL具体包括：假设从SOH估计模型获得初始容量C0到第i个周期的容量值Ci，利用RUL预测模型预测Ci+1；然后使用初始容量C0到第i+1个周期的容量值Ci+1，利用RUL预测模型预测Ci+2；以此类推，得到CEOL；最后，依据充放电周期nt容量为Ci，充放电周期nEOL容量为CEOL，由以下公式得到电池RUL；
假设电池充放电周期为n的时候电池到达EOL，电池的RUL在t时刻的计算公式为：
RUL＝nEOL-nt
其中，nt表示t时刻充放电周期数，nEOL表示电池容量达到CEOL时的充放电周期。
CN201911018344.4A 2019-10-24 2019-10-24 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 Active CN110824364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911018344.4A CN110824364B (zh) 2019-10-24 2019-10-24 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911018344.4A CN110824364B (zh) 2019-10-24 2019-10-24 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法

Publications (2)

Publication Number Publication Date
CN110824364A true CN110824364A (zh) 2020-02-21
CN110824364B CN110824364B (zh) 2021-11-19

Family

ID=69550456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911018344.4A Active CN110824364B (zh) 2019-10-24 2019-10-24 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法

Country Status (1)

Country Link
CN (1) CN110824364B (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414709A (zh) * 2020-04-14 2020-07-14 上海交通大学 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法
CN111579993A (zh) * 2020-05-21 2020-08-25 北京航空航天大学 一种基于卷积神经网络的锂电池容量在线估计方法
CN111722139A (zh) * 2020-06-29 2020-09-29 重庆邮电大学 基于可微连续映射的锂电池健康监测模型自学习方法
CN111832220A (zh) * 2020-06-16 2020-10-27 天津大学 一种基于编解码器模型的锂离子电池健康状态估算方法
CN111983457A (zh) * 2020-07-15 2020-11-24 江苏大学 一种基于lstm神经网络的电池组soh估算方法
CN111999648A (zh) * 2020-08-20 2020-11-27 浙江工业大学 一种基于长短期记忆网络的锂电池剩余寿命预测方法
CN112098878A (zh) * 2020-09-15 2020-12-18 重庆邮电大学 一种锂电池soh估算和rul预测的端到端神经网络建立方法
CN112213643A (zh) * 2020-09-30 2021-01-12 蜂巢能源科技有限公司 电池初始容量、电池健康状态的预测方法、系统及设备
CN112684346A (zh) * 2020-12-10 2021-04-20 西安理工大学 基于遗传卷积神经网络的锂电池健康状态估计方法
CN112782591A (zh) * 2021-03-22 2021-05-11 浙江大学 基于多电池数据融合的锂电池soh长期预测方法
CN113064093A (zh) * 2021-03-22 2021-07-02 山东建筑大学 储能电池荷电状态与健康状态联合估算方法及系统
CN113176518A (zh) * 2021-03-24 2021-07-27 西安理工大学 一种锂电池健康状态估算方法
CN113376541A (zh) * 2021-06-04 2021-09-10 辽宁工程技术大学 一种基于crj网络的锂离子电池健康状态预测方法
CN113408138A (zh) * 2021-06-29 2021-09-17 广东工业大学 一种基于二次融合的锂电池soh估计方法和系统
CN113419187A (zh) * 2021-06-08 2021-09-21 上海交通大学 一种锂离子电池健康估计方法
CN114089206A (zh) * 2021-10-24 2022-02-25 郑州云海信息技术有限公司 一种电池冗余模块的寿命预测方法、系统、介质及设备
CN114580262A (zh) * 2021-11-18 2022-06-03 吉林大学 一种锂离子电池健康状态估计方法
CN114683964A (zh) * 2022-03-29 2022-07-01 北京芯虹科技有限责任公司 一种电池状态信息确定方法及充电设备
CN114859249A (zh) * 2022-07-06 2022-08-05 苏州清研精准汽车科技有限公司 一种电池包容量的检测方法和装置
CN114994543A (zh) * 2022-08-01 2022-09-02 湖南华大电工高科技有限公司 储能电站电池故障诊断方法、装置及存储介质
CN115099275A (zh) * 2022-06-29 2022-09-23 西南医科大学 一种基于人工神经网络的心律失常诊断模型的训练方法
CN115616415A (zh) * 2022-12-06 2023-01-17 北京志翔科技股份有限公司 电池组状态的评估方法、装置、设备及存储介质
EP4145157A1 (en) 2021-09-06 2023-03-08 Dukosi Limited Battery system state of health monitoring system

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180136285A1 (en) * 2016-11-16 2018-05-17 Samsung Electronics Co., Ltd. Method and apparatus for estimating state of battery
CN108279383A (zh) * 2017-11-30 2018-07-13 深圳市科列技术股份有限公司 电池寿命预测方法、电池数据服务器及电池数据处理系统
CN109991542A (zh) * 2019-03-27 2019-07-09 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN110187290A (zh) * 2019-06-27 2019-08-30 重庆大学 一种基于融合型算法的锂离子电池剩余寿命预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180136285A1 (en) * 2016-11-16 2018-05-17 Samsung Electronics Co., Ltd. Method and apparatus for estimating state of battery
CN108279383A (zh) * 2017-11-30 2018-07-13 深圳市科列技术股份有限公司 电池寿命预测方法、电池数据服务器及电池数据处理系统
CN109991542A (zh) * 2019-03-27 2019-07-09 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN110187290A (zh) * 2019-06-27 2019-08-30 重庆大学 一种基于融合型算法的锂离子电池剩余寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JIANTAO QU 等: ""A Neural-Network-Based Method for RUL Prediction and SOH Monitoring of Lithium-Ion Battery"", 《IEEE ACCESS》 *

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414709A (zh) * 2020-04-14 2020-07-14 上海交通大学 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法
CN111579993B (zh) * 2020-05-21 2021-05-28 北京航空航天大学 一种基于卷积神经网络的锂电池容量在线估计方法
CN111579993A (zh) * 2020-05-21 2020-08-25 北京航空航天大学 一种基于卷积神经网络的锂电池容量在线估计方法
CN111832220A (zh) * 2020-06-16 2020-10-27 天津大学 一种基于编解码器模型的锂离子电池健康状态估算方法
CN111722139A (zh) * 2020-06-29 2020-09-29 重庆邮电大学 基于可微连续映射的锂电池健康监测模型自学习方法
CN111722139B (zh) * 2020-06-29 2022-08-09 重庆邮电大学 基于可微连续映射的锂电池健康监测模型自学习方法
CN111983457A (zh) * 2020-07-15 2020-11-24 江苏大学 一种基于lstm神经网络的电池组soh估算方法
CN111999648A (zh) * 2020-08-20 2020-11-27 浙江工业大学 一种基于长短期记忆网络的锂电池剩余寿命预测方法
CN112098878B (zh) * 2020-09-15 2023-11-03 重庆邮电大学 一种锂电池soh估算和rul预测的端到端神经网络建立方法
CN112098878A (zh) * 2020-09-15 2020-12-18 重庆邮电大学 一种锂电池soh估算和rul预测的端到端神经网络建立方法
CN112213643B (zh) * 2020-09-30 2023-06-23 蜂巢能源科技有限公司 电池初始容量、电池健康状态的预测方法、系统及设备
CN112213643A (zh) * 2020-09-30 2021-01-12 蜂巢能源科技有限公司 电池初始容量、电池健康状态的预测方法、系统及设备
CN112684346A (zh) * 2020-12-10 2021-04-20 西安理工大学 基于遗传卷积神经网络的锂电池健康状态估计方法
CN112684346B (zh) * 2020-12-10 2023-06-20 西安理工大学 基于遗传卷积神经网络的锂电池健康状态估计方法
CN112782591B (zh) * 2021-03-22 2022-07-22 浙江大学 基于多电池数据融合的锂电池soh长期预测方法
CN113064093A (zh) * 2021-03-22 2021-07-02 山东建筑大学 储能电池荷电状态与健康状态联合估算方法及系统
CN112782591A (zh) * 2021-03-22 2021-05-11 浙江大学 基于多电池数据融合的锂电池soh长期预测方法
CN113064093B (zh) * 2021-03-22 2024-03-08 百思科新能源技术(青岛)有限公司 储能电池荷电状态与健康状态联合估算方法及系统
CN113176518A (zh) * 2021-03-24 2021-07-27 西安理工大学 一种锂电池健康状态估算方法
CN113176518B (zh) * 2021-03-24 2023-08-15 西安理工大学 一种锂电池健康状态估算方法
CN113376541A (zh) * 2021-06-04 2021-09-10 辽宁工程技术大学 一种基于crj网络的锂离子电池健康状态预测方法
CN113376541B (zh) * 2021-06-04 2023-06-06 辽宁工程技术大学 一种基于crj网络的锂离子电池健康状态预测方法
CN113419187B (zh) * 2021-06-08 2022-05-31 上海交通大学 一种锂离子电池健康估计方法
CN113419187A (zh) * 2021-06-08 2021-09-21 上海交通大学 一种锂离子电池健康估计方法
CN113408138A (zh) * 2021-06-29 2021-09-17 广东工业大学 一种基于二次融合的锂电池soh估计方法和系统
EP4145157A1 (en) 2021-09-06 2023-03-08 Dukosi Limited Battery system state of health monitoring system
WO2023030894A1 (en) 2021-09-06 2023-03-09 Dukosi Limited Battery system state of health monitoring system
CN114089206A (zh) * 2021-10-24 2022-02-25 郑州云海信息技术有限公司 一种电池冗余模块的寿命预测方法、系统、介质及设备
CN114580262A (zh) * 2021-11-18 2022-06-03 吉林大学 一种锂离子电池健康状态估计方法
CN114683964A (zh) * 2022-03-29 2022-07-01 北京芯虹科技有限责任公司 一种电池状态信息确定方法及充电设备
CN114683964B (zh) * 2022-03-29 2024-04-26 北京芯虹科技有限责任公司 一种电池状态信息确定方法及充电设备
CN115099275A (zh) * 2022-06-29 2022-09-23 西南医科大学 一种基于人工神经网络的心律失常诊断模型的训练方法
CN114859249B (zh) * 2022-07-06 2022-10-18 苏州清研精准汽车科技有限公司 一种电池包容量的检测方法和装置
CN114859249A (zh) * 2022-07-06 2022-08-05 苏州清研精准汽车科技有限公司 一种电池包容量的检测方法和装置
CN114994543A (zh) * 2022-08-01 2022-09-02 湖南华大电工高科技有限公司 储能电站电池故障诊断方法、装置及存储介质
CN115616415A (zh) * 2022-12-06 2023-01-17 北京志翔科技股份有限公司 电池组状态的评估方法、装置、设备及存储介质
CN115616415B (zh) * 2022-12-06 2023-04-07 北京志翔科技股份有限公司 电池组状态的评估方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110824364B (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN110824364B (zh) 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法
Zhou et al. Hybrid genetic algorithm method for efficient and robust evaluation of remaining useful life of supercapacitors
Li et al. An end-to-end neural network framework for state-of-health estimation and remaining useful life prediction of electric vehicle lithium batteries
CN113777496B (zh) 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
Li et al. Lithium battery state-of-health estimation and remaining useful lifetime prediction based on non-parametric aging model and particle filter algorithm
Liu et al. A novel remaining useful life prediction method for lithium-ion battery based on long short-term memory network optimized by improved sparrow search algorithm
Ji et al. An RUL prediction approach for lithium-ion battery based on SADE-MESN
Pan et al. Transfer learning-based hybrid remaining useful life prediction for lithium-ion batteries under different stresses
Fan et al. A novel machine learning method based approach for Li-ion battery prognostic and health management
Jiang et al. Li-ion battery temperature estimation based on recurrent neural networks
CN114325450A (zh) 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法
Mamo et al. Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries
Lipu et al. Real-time state of charge estimation of lithium-ion batteries using optimized random forest regression algorithm
CN110501646A (zh) 一种离线锂电池剩余电量估计方法
Zhang et al. Weight optimized unscented Kalman filter for degradation trend prediction of lithium-ion battery with error compensation strategy
CN115201686B (zh) 一种不完备充放电数据下的锂离子电池健康状态评估方法
Dou et al. Extreme learning machine model for state-of-charge estimation of lithium-ion battery using salp swarm algorithm
Venugopal et al. Analysis of optimal machine learning approach for battery life estimation of Li-ion cell
Xue et al. Estimating state of health of lithium-ion batteries based on generalized regression neural network and quantum genetic algorithm
Li et al. A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression
Li et al. The state-of-charge predication of lithium-ion battery energy storage system using data-driven machine learning
Bak et al. Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index
Namdari et al. A multiscale entropy-based long short term memory model for lithium-ion battery prognostics
Savargaonkar et al. A novel neural network with gaussian process feedback for modeling the state-of-charge of battery cells
Xu et al. State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant