CN113033678A - 一种基于自适应对抗网络的锂电池组故障诊断方法 - Google Patents
一种基于自适应对抗网络的锂电池组故障诊断方法 Download PDFInfo
- Publication number
- CN113033678A CN113033678A CN202110348139.5A CN202110348139A CN113033678A CN 113033678 A CN113033678 A CN 113033678A CN 202110348139 A CN202110348139 A CN 202110348139A CN 113033678 A CN113033678 A CN 113033678A
- Authority
- CN
- China
- Prior art keywords
- domain
- data
- network
- training
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 28
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 title claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 title claims description 11
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 230000036541 health Effects 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 239000004576 sand Substances 0.000 claims abstract description 5
- 230000006978 adaptation Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000013506 data mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract 1
- 230000001537 neural effect Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 6
- 230000032683 aging Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 229910000625 lithium cobalt oxide Inorganic materials 0.000 description 1
- BFZPBUKRYWOWDV-UHFFFAOYSA-N lithium;oxido(oxo)cobalt Chemical compound [Li+].[O-][Co]=O BFZPBUKRYWOWDV-UHFFFAOYSA-N 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于自适应对抗网络的锂电池组故障诊断方法，包括有以下步骤：设置可用的K个健康状况的有标签的源域数据{xs，ys}和没有标签的目标域数据{xt}，经诊断程序对源域和目标域数据进行分层和减少特征输出映射数目，同时对目标函数的联合分布差异和边缘分布差异进行优化；其中，所述的诊断程序包括有非对称卷积自编码网络和领域对抗训练。本发明具有以下优点和效果：本发明将普通的一维卷积网络设计为一个深度卷积神经网络的非对称卷积编码网络，对高维数据进行分层和缩放；不仅可以学习类别判别进行准确分类，还可以对分类器和鉴别器对于其目标函数对联合分布差异和边缘分布差异进行了优化。
Description
技术领域
本发明涉及机械故障诊断领域，特别涉及一种基于自适应对抗网络的锂电池组故障诊断方法。
背景技术
随着资源的日渐衰竭和环境保护力度的加强，以锂电池为代表的清洁能源被推广使用。然而伴随着锂电池的大规模应用，其安全问题也逐渐暴露出来。锂电池使用过程中，往往会因为使用人员的不当操作或者意外物理碰撞导致动力锂电池出现故障。锂电池故障多种多样，轻微故障可缩减锂电池的使用寿命，严重故障可导致电动汽车出现明火、自燃现象，威胁电动汽车使用安全。因此在电动汽车锂电池工作过程中，避免电动汽车锂电池故障最有效的方法的就是利用电池管理***对锂电池电流，电压，温度等实时参数进行分析，判断锂电池是否故障。锂电池故障的发生前期其电池参数有着明显的变化，这些变化反映了故障的种类。
电动汽车锂电池的安全至关重要，众多研究人员对锂电池故障状态进行了大量的研究。在锂电池工作过程中，其安全性受很多因素影响，其中过充电、过放电和老化是三个重要因素。由于电动车复杂的工况以及电池组的复杂网格构成，导致电池组中多个单体电池的故障具有时空耦合效应，造成电池组故障分类不准确，为了解决这些问题，研究了基于深度神经网络的锂电池故障分类算法。深度网络不仅具有强大的特征学***。但是只有当训练数据和测试数据共享相同的分布时，才能获得令人印象深刻的性能提升。然而，由于操作条件的变化、外部温度和噪声的干扰，这一假设在实际的应用中并不总是成立。也就是说，当源域和目标域具有不同的数据分布时，大多数方法的性能会急剧下降。有人可能会通过为目标任务重新训练或微调网络模型来解决这个问题，但在这种情况下需要有标签的数据。在实时诊断任务中，手动收集注释良好的数据或标记通常非常昂贵且不切实际。因此，需要有更有效的模型进行训练，该模型可以利用相关源域中丰富的已标记数据，并在新的目标域中重用，其中数据在不同域中的分布发生变化。
迁移学习的目的是建立学习机制，根据不同的概率分布在不同的领域进行学习。无监督领域自适应作为迁移学习领域的一个活跃分支，具有跨越不同领域的分布差异和探索领域不变特征的能力。领域自适应作为迁移学习的一种特殊情况，旨在通过探索领域不变特征和弥补分布差异来建立从源训练领域到目标测试领域的知识迁移。回顾文献，领域适应大致可以分为两种模式，即监督和非监督。因为在目标域中注释样本通常是昂贵的或者禁止的，所以我们在这项工作中主要关注无监督的域自适应(UDA)问题。现有的用于故障诊断的UDA方法主要包括两大类。第一种是基于矩匹配的方法；另一种是对抗适应法，包括一个特征生成器和一个域鉴别器。生成器被训练来学习一些特征，这些特征使得鉴别器不能区分源域和目标域，而鉴别器不能被欺骗。然而，有些问题仍然存在于基于诊断方法中。领域鉴别器通常只试图区分源领域或目标领域的特征，而不考虑类间特定任务的决策边界；因此，生成的特征在类边界附近可能是模糊的。实际上，每个领域的样本通常都有各自的特点，即每个领域的样本都与特定任务的决策边界有一定的关系。因此，如果不考虑这些特征，就很难完全匹配特征分布和构造强大的可转移诊断算法。
发明内容
本发明的目的是提供一种基于自适应对抗网络的锂电池组故障诊断方法，以解决背景技术中所存在的问题。
本发明的上述技术目的是通过以下技术方案得以实现的：一种基于自适应对抗网络的锂电池组故障诊断方法，包括有以下步骤：
设置可用的K个健康状况的有标签的源域数据{xs，ys}和没有标签的目标域数据{xt}，经诊断程序对源域和目标域数据进行分层和减少特征输出映射数目，同时对目标函数的联合分布差异和边缘分布差异进行优化；
其中，所述的诊断程序包括有非对称卷积自编码网络和领域对抗训练。
进一步设置是，所述的非对称卷积自编码网络包括有以下步骤：
设非对称的卷积自编码网络的输入向量为x∈R,第一层隐藏层学习输入层的数据映射为gi∈R，其编码函数为：
gi＝f(wigi-1+bi)i＝1，…，n (1)
在式(1)中，n代表隐藏层的个数；wi和bi为每个卷积核的参数，当i＝0时，g0＝x。f为激活函数，每层卷积之后都要进行激活操作，激活函数的表达式为：
在式(2)中，α为系数，可取为1；
输入数据x分别映射到输出Gs(xs)和Gt(xt)；新的高级功能的输出可以表示为：
在式(3)和式(4)中，
和
是卷积神经网络的特征映射，
和
是源域和目标域的卷积神经网络的第i层的权重矩阵，L是每个卷积网络的层数。
进一步设置是，所述的领域对抗训练包括有以下步骤：
对抗域自适应网络通常包含一个特征生成器G、一个标签分类器C和一个域鉴别器D，设参数分别为θg、θc和θd；
在训练过程中，其中一个是训练用来区分源域和目标域的鉴别器，另一个是训练用来混淆域鉴别器的特征生成器；同时，训练分类器来最小化源域数据的分类损失；域对抗网络的整体损失函数表达式为：
在式(5)中，Jy表示交叉熵损失函数，di代表域标签，Jd表示域分类丢失，λ表示两个损失之间的权衡参数；
在该优化目标中，训练生成规则以最小化标签预测损失，同时最大化域分类损失；训练分类器以最小化标签预测损失，训练域鉴别器以最小化域识别损失；
为了减少源域和目标域之间用于域自适应的联合分布差异，计算了最大均值差异，其计算如下：
在式(6)中，Jy表示交叉熵损失函数，f和fc分别表示全局汇集层和分类层的特征。
进一步设置是，所述的领域对抗训练还包括有以下步骤：
除了联合分布差异之外，还需考虑边缘分布差异，以便进行更全面的域调整；故需要优化来自与全局汇集层相连的域鉴别器，形成一个对抗性的适应损失，用来减少域之间的边缘分布差异；该损失函数的计算公式如下：
在式(7)中,Jd表示分类损失；di表示域标签，值为0或1；
因此最终优化的损失函数的表达式为：
在式(8)中,α和β为权重系数；
给定已标记的源域数据和未标记的目标数据，可以从相应的编码器网络中提取源任务特征Gs(xs)和目标任务特征Gt(xt)；然后将所有特征反馈入域鉴别器D实现训练；通过优化相应目标函数，可以找到满足以下条件的全部参数：
根据二进制分类器的判别梯度更新，固定域鉴别器D的参数以更新，可通过标准反向传播算法来执行。
本发明的有益效果在于：
本发明方法提出了一种基于自适应对抗网络的锂电池组故障诊断方法，本发明将普通的一维卷积网络设计为一个深度卷积神经网络的非对称卷积编码网络，对高维数据进行分层和缩放；不仅可以学习类别判别进行准确分类，还可以对分类器和鉴别器对于其目标函数对联合分布差异和边缘分布差异进行了优化。
附图说明
图1为实施例的诊断程序图；
图2为实施例中非对称卷积自编码网络的示意图；
图3为实施例中4.7V过充电期间电压数据；
图4为实施例中电池过放电期间电压数据；
图5为实施例中电池老化期间电压数据；
图6为实施例中NASA Pcoe实验室的电池测试数据；
图7为实施例中分类可视化结果。
具体实施方式
本实施例设计了一个深度卷积神经网络的非对称卷积自编码网络，用于特征提取，减小训练域和测试域之间的特征分布差异，该框架不仅可以学习类别判别进行准确分类，还对分类器和鉴别器目标函数进行了优化。
以下结合附图对本发明作进一步详细说明。
一种基于自适应对抗网络的锂电池组故障诊断方法，包括有以下步骤：
设置可用的K个健康状况的有标签的源域数据{xs，ys}和没有标签的目标域数据{xt}，经诊断程序对源域和目标域数据进行分层和减少特征输出映射数目，同时对目标函数的联合分布差异和边缘分布差异进行优化；
其中，所述的诊断程序包括有非对称卷积自编码网络和领域对抗训练。
对于所提出的故障诊断框架中，假设具有K个健康状况的有标签的源域数据{xs，ys}和没有标签的目标域数据{xt}可用，其主要的目的学习特征编码器模型和鉴别模型，从而正确识别目标域中K个故障类别。基本的诊断程序如附图1所示，主要有两个部分组成，非对称卷积自编码网络和领域对抗训练。
其中，为了学习源域和目标域的高级特征表示，首先引入特征编码器网络，该网络包括生成器G和分类器C。生成器G用于对输入数据进行编码以获得高级区分表示，分类器C将对源和目标任务进行最终分类。由于深层网络具有良好的特征学习和分类能力，构造了一维神经网络进行特征提取和故障分类。
本实施例提出了一种非对称的卷积自编码网络，卷积自编码器是在自编码器的基础上建立起来的，它在自编码器的基础上添加了卷积操作。结合了卷积神经网络和自编码器的优点，解决了卷积神经网络对权重的敏感程度以及对大规模标记数据的依赖。非对称的卷积自编码网络是由编码器-译码器(对称)只有编码器(非对称)的过程，主要的目的是在特征进行学习的过程中，可以减少特征输出映射数目，使神经网络结构筛选出最优特征优先输出，从而模型结构学习到每一层的最优特征。而且如果有正确的学习结构，可以减少计算量，提高模型的准确性。
本实施例使用非对称的卷积自编码网络对高维数据进行分层和缩放。其训练过程如附图2所示，展示了对称和非对称的卷积自编码网络；其中，g代表维度缩减的隐藏层，e代表编码阶段，d代表解码阶段。
非对称卷积自编码网络包括有以下步骤：
设非对称的卷积自编码网络的输入向量为x∈R,第一层隐藏层学习输入层的数据映射为gi∈R，其编码函数为：
gi＝f(wigi-1+bi)i＝1，…，n (1)
在式(1)中，n代表隐藏层的个数；wi和bi为每个卷积核的参数，当i＝0时，g0＝x。f为激活函数，每层卷积之后都要进行激活操作，激活函数的表达式为：
在式(2)中，α为系数，可取为1；
输入数据x分别映射到输出Gs(xs)和Gt(xt)；新的高级功能的输出可以表示为：
在式(3)和式(4)中，
和
是卷积神经网络的特征映射，
和
是源域和目标域的卷积神经网络的第i层的权重矩阵，L是每个卷积网络的层数。
在形式上，此网络结构包括源域和目标域共享特征生成器G、共享健康状况分类器C和域鉴别器D。为了有效提取特征，减轻复杂信号预处理算法的设计，设计了一维非对称卷积自编码网络作为特征生成器，直接处理原始机械信号。
在由G和C组成的CNN架构中，卷积层和汇聚层堆叠在一起，形成一维深度CNN。CNN的输入是2000个数据点的原始振动信号。第一个卷积核的大小通常选择为16-128。选择32的尺寸，步幅为16，来获得良好的抗噪声性能。在卷积层后加入批量归一化(BN)，加速训练收敛。池大小通常选择为2，步长为2。为了对故障模式进行分类，其中输出对应于K个健康状况。
在决策阶段，构建了一个域鉴别器D来实现对抗网络。连接输出输入到D中，获得概率，该概率估计来自真实的数据分布。设计了两个隐藏层，每个隐藏层有200个节点，用于获得非线性特征表示，其中输出是二进制分类器，输出0或1。训练时期的最大数量设置为200，批量为50。使用Tensorflow中优化器The Adam optimizer优化器来优化建议数据网络的参数。
其中，对于领域对抗训练，需关注基于无监督域自适应的故障诊断问题，其中标记数据只存在于源域，而目标域没有标记数据。给定一个源域
ns为标记示例和一个目标域
nt为未标记的例子。其中x和y分别代表数据示例和类别标签。对于源域和目标域，标签空间是相同的，而数据是从不同的分布中获得的。其目标是建立一个深度智能网络y＝F(x),它可以学习领域不变和类别区分特征，以最小化目标分类风险。
领域对抗训练包括有以下步骤：
对抗域自适应网络通常包含一个特征生成器G、一个标签分类器C和一个域鉴别器D，设参数分别为θg、θc和θd；
在训练过程中，其中一个是训练用来区分源域和目标域的鉴别器，另一个是训练用来混淆域鉴别器的特征生成器；同时，训练分类器来最小化源域数据的分类损失；域对抗网络的整体损失函数表达式为：
在式(5)中，Jy表示交叉熵损失函数，di代表域标签，Jd表示域分类丢失，λ表示两个损失之间的权衡参数；
在该优化目标中，训练生成规则以最小化标签预测损失(即特征是有区别的)，同时最大化域分类损失(即特征是域不变的)；训练分类器以最小化标签预测损失，训练域鉴别器以最小化域识别损失；
为了减少源域和目标域之间用于域自适应的联合分布差异，计算了最大均值差异，其计算如下：
在式(6)中，Jy表示交叉熵损失函数，f和fc分别表示全局汇集层和分类层的特征。
其中，除了联合分布差异之外，还需考虑边缘分布差异，以便进行更全面的域调整；故需要优化来自与全局汇集层相连的域鉴别器，形成一个对抗性的适应损失，用来减少域之间的边缘分布差异；该损失函数的计算公式如下：
在式(7)中,Jd表示分类损失；di表示域标签，值为0或1；
因此最终优化的损失函数的表达式为：
在式(8)中,α和β为权重系数；
给定已标记的源域数据和未标记的目标数据，可以从相应的编码器网络中提取源任务特征Gs(xs)和目标任务特征Gt(xt)；然后将所有特征反馈入域鉴别器D实现训练；通过优化相应目标函数，可以找到满足以下条件的全部参数：
根据二进制分类器的判别梯度更新，固定域鉴别器D的参数以更新，可通过标准反向传播算法来执行。
应用实施例
为验证基于非对称卷积自编码的自适应对抗网络的锂电池组故障诊断方法的正确性，本应用实施例以松下18650钴酸锂电池为研究对象，电池容量范围为2700mAh-2900mAh，电池工作的正常电压范围2.5V～4.2V，正常充电温度为0℃～45℃，正常放电温度为-20℃～60℃。25℃环境下,进行过充电、过放电和老化试验采集数据。该电池4.7V过充电期间电压数据如图3所示，电池过放电期间电压数据如图4所示，电池老化期间电压数据如图5所示。使用NASA Pcoe实验室的电池测试随机数据集第4组数据集作为目标域数据集如图6所示；使用该方法进行故障分类，即过充电、过放电和老化故障，可视化结果如图7所示。
从这些结果可以看出，本实施例所提出的方法使源域特征和目标域特征相当接近，此方法可以聚集相同健康状况的特征用于精确分类，取得了较好分类性能。可以发现基于领域自适应的方法对于实际诊断需求具有重要意义。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (4)
1.一种基于自适应对抗网络的锂电池组故障诊断方法，其特征在于，包括有以下步骤：
设置可用的K个健康状况的有标签的源域数据{xs，ys}和没有标签的目标域数据{xt}，经诊断程序对源域和目标域数据进行分层和减少特征输出映射数目，同时对目标函数的联合分布差异和边缘分布差异进行优化；
其中，所述的诊断程序包括有非对称卷积自编码网络和领域对抗训练。
2.根据权利要求1所述的一种基于自适应对抗网络的锂电池组故障诊断方法，其特征在于，所述的非对称卷积自编码网络包括有以下步骤：
设非对称的卷积自编码网络的输入向量为x∈R,第一层隐藏层学习输入层的数据映射为gi∈R，其编码函数为：
gi＝f(wigi-1+bi)i＝1，…，n (1)
在式(1)中，n代表隐藏层的个数；wi和bi为每个卷积核的参数，当i＝0时，g0＝x。f为激活函数，每层卷积之后都要进行激活操作，激活函数的表达式为：
在式(2)中，α为系数，可取为1；
输入数据x分别映射到输出Gs(xs)和Gt(xt)；新的高级功能的输出可以表示为：
在式(3)和式(4)中，
和
是卷积神经网络的特征映射，
和
是源域和目标域的卷积神经网络的第i层的权重矩阵，L是每个卷积网络的层数。
3.根据权利要求1所述的一种基于自适应对抗网络的锂电池组故障诊断方法，其特征在于，所述的领域对抗训练包括有以下步骤：
对抗域自适应网络通常包含一个特征生成器G、一个标签分类器C和一个域鉴别器D，设参数分别为θg、θc和θd；
在训练过程中，其中一个是训练用来区分源域和目标域的鉴别器，另一个是训练用来混淆域鉴别器的特征生成器；同时，训练分类器来最小化源域数据的分类损失；域对抗网络的整体损失函数表达式为：
在式(5)中，Jy表示交叉熵损失函数，di代表域标签，Jd表示域分类丢失，λ表示两个损失之间的权衡参数；
在该优化目标中，训练生成规则以最小化标签预测损失，同时最大化域分类损失；训练分类器以最小化标签预测损失，训练域鉴别器以最小化域识别损失；
为了减少源域和目标域之间用于域自适应的联合分布差异，计算了最大均值差异，其计算如下：
在式(6)中，Jy表示交叉熵损失函数，f和fc分别表示全局汇集层和分类层的特征。
4.根据权利要求3所述的一种基于自适应对抗网络的锂电池组故障诊断方法，其特征在于，所述的领域对抗训练还包括有以下步骤：
除了联合分布差异之外，还需考虑边缘分布差异，以便进行更全面的域调整；故需要优化来自与全局汇集层相连的域鉴别器，形成一个对抗性的适应损失，用来减少域之间的边缘分布差异；该损失函数的计算公式如下：
在式(7)中,Jd表示分类损失；di表示域标签，值为0或1；
因此最终优化的损失函数的表达式为：
在式(8)中,α和β为权重系数；
给定已标记的源域数据和未标记的目标数据，可以从相应的编码器网络中提取源任务特征Gs(xs)和目标任务特征Gt(xt)；然后将所有特征反馈入域鉴别器D实现训练；通过优化相应目标函数，可以找到满足以下条件的全部参数：
根据二进制分类器的判别梯度更新，固定域鉴别器D的参数以更新，可通过标准反向传播算法来执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110348139.5A CN113033678A (zh) | 2021-03-31 | 2021-03-31 | 一种基于自适应对抗网络的锂电池组故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110348139.5A CN113033678A (zh) | 2021-03-31 | 2021-03-31 | 一种基于自适应对抗网络的锂电池组故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113033678A true CN113033678A (zh) | 2021-06-25 |
Family
ID=76453331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110348139.5A Pending CN113033678A (zh) | 2021-03-31 | 2021-03-31 | 一种基于自适应对抗网络的锂电池组故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033678A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114034486A (zh) * | 2021-10-11 | 2022-02-11 | 中国人民解放军92578部队 | 基于无监督迁移学习的泵类机械设备轴承故障诊断方法 |
| CN114881318A (zh) * | 2022-04-28 | 2022-08-09 | 西安邮电大学 | 基于生成对抗网络的锂电池健康状态预测方法及*** |
| CN117686937A (zh) * | 2024-02-02 | 2024-03-12 | 河南科技学院 | 一种用于电池***内单体电池的健康状态估计方法 |
-
2021
- 2021-03-31 CN CN202110348139.5A patent/CN113033678A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114034486A (zh) * | 2021-10-11 | 2022-02-11 | 中国人民解放军92578部队 | 基于无监督迁移学习的泵类机械设备轴承故障诊断方法 |
| CN114034486B (zh) * | 2021-10-11 | 2024-04-23 | 中国人民解放军92578部队 | 基于无监督迁移学习的泵类机械设备轴承故障诊断方法 |
| CN114881318A (zh) * | 2022-04-28 | 2022-08-09 | 西安邮电大学 | 基于生成对抗网络的锂电池健康状态预测方法及*** |
| CN117686937A (zh) * | 2024-02-02 | 2024-03-12 | 河南科技学院 | 一种用于电池***内单体电池的健康状态估计方法 |
| CN117686937B (zh) * | 2024-02-02 | 2024-04-12 | 河南科技学院 | 一种用于电池***内单体电池的健康状态估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109753992B (zh) | 基于条件生成对抗网络的无监督域适应图像分类方法 | |
| CN113033678A (zh) | 一种基于自适应对抗网络的锂电池组故障诊断方法 | |
| CN108647716B (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
| CN112379269B (zh) | 电池异常检测模型训练及其检测方法、装置 | |
| CN112434628B (zh) | 基于主动学习和协同表示的小样本图像分类方法 | |
| CN116679211B (zh) | 一种锂电池健康状态的预测方法 | |
| CN113538037B (zh) | 监测电瓶车充电事件的方法及***、设备、存储介质 | |
| CN115631365A (zh) | 一种融合知识图谱的跨模态对比零样本学习方法 | |
| CN116304905B (zh) | 一种在多负载工况下的永磁同步电机退磁故障诊断方法 | |
| CN116484299A (zh) | 基于梯度提升树与多层感知机融合的充电桩故障诊断方法 | |
| CN113283491A (zh) | 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 | |
| CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
| CN114266676A (zh) | 一种遗传优化Bagging异质集成模型的异常用电检测方法 | |
| CN117272230A (zh) | 一种基于多任务学习模型的非侵入式负荷监测方法和*** | |
| CN115659258B (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
| CN117113243A (zh) | 一种光伏设备异常检测方法 | |
| CN116317937A (zh) | 一种分布式光伏电站运行故障诊断方法 | |
| CN114841266A (zh) | 一种小样本下基于三元组原型网络的电压暂降识别方法 | |
| Lu et al. | Anomaly Recognition Method for Massive Data of Power Internet of Things Based on Bayesian Belief Network | |
| Xia et al. | Smart substation network fault classification based on a hybrid optimization algorithm | |
| CN116050583B (zh) | 一种耦合时空上下文信息的水环境质量深度学习预测方法 | |
| CN114501525B (zh) | 基于条件生成对抗网络的无线网络中断检测方法 | |
| CN115865627B (zh) | 一种基于模式提取进行表征学习的蜂窝网络故障诊断方法 | |
| CN118260700B (zh) | 一种dc/dc设备异常预警的方法及终端 | |
| CN117493568B (zh) | 一种端到端软件功能点提取与识别方法 |
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 |