CN116930759A - 动力电池电压时间序列异常检测方法、电子设备、存储介质 - Google Patents
动力电池电压时间序列异常检测方法、电子设备、存储介质 Download PDFInfo
- Publication number
- CN116930759A CN116930759A CN202310593194.XA CN202310593194A CN116930759A CN 116930759 A CN116930759 A CN 116930759A CN 202310593194 A CN202310593194 A CN 202310593194A CN 116930759 A CN116930759 A CN 116930759A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- time sequence
- time
- abnormal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 230000005856 abnormality Effects 0.000 title claims abstract description 18
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 239000000523 sample Substances 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 15
- 238000007599 discharging Methods 0.000 abstract description 5
- 238000004880 explosion Methods 0.000 abstract description 2
- 238000012797 qualification Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 241001522296 Erithacus rubecula Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种动力电池电压时间序列异常检测方法、电子设备、存储介质。化成工艺和分容工艺是动力电池生产后段中必需过程，在生产过程若未及时发现异常可能会导致电池鼓包，电芯温度飙升而起火***的安全事故；研究引起事故的电池发现基本上都是因为在充放电过程中电池电压，或探针电压剧烈变化导致的。本发明基于深度学习的时间序列异常检测算法，结合动力电池充放电的电压数据来训练模型，模型可用后对电池生产的充放电过程进行实时异常检测，及时发现异常电压数据并给出警告，提高电池生产的合格率且降低安全事故发生概率，提高了电池质量和减少生产成本起到了显著成效。
Description
技术领域
本发明涉及车用动力电池生产领域，尤其涉及一种基于深度学习的动力电池电压时间序列异常检测方法。
背景技术
时间序列异常检测旨在捕捉数据中的意外或罕见的实例。其在工业上有着非常广泛的应用，例如在线零售行业的交易数据中发现恶意买家、在网络安全的流量数据中找到入侵者、在生物基因中找到突变等。新能源汽车越来越多，对动力电池的需求也必定剧增；而电池生产过程中的安全事故造成的损失也更大，所以急需一种对动力电池生产的充放电过程产生的数据进行实时异常检测的方法。
现有的时间序列异常检测方法可分为传统机器学***衡的，而传统方法很难在这类数据上学得较好的模型；另外，随着工业应用程序的自动化和智能化水平的提高，数据的维度变得越来越大，而传统方法的性能往往随着数据维度增大而下降。深度学习方法通常包括基于预测的方法和基于重构的方法；基于预测的方法主要包括两种，一种是预测数据标签，观察其是否和真实标签匹配；另一种是预测下一个时间步长的期望值，观察期望值和观测值之间的误差；而基于重构的方法主要包括基于自编码器、变分编码器，基于注意力机制的异常检测算法。
本发明采用重构的方式，拟开发一种面向动力电池电压时间序列的无监督异常检测方法；因为在研究大量引起安全事故的异常电池充放电数据后，发现电压都是最敏感、波动最大的，所以实时检测电压的变化能提前预警绝大多数安全事故。
发明内容
本发明主要的目的是改进现有的电池生产充放电过程电池电压的检测技术的不良之处，促进企业提高锂电池的质量以及降低生产安全事故的发生概率。为此提出了一种基于深度学习的动力电池电压时间序列异常检测方法，通过使用大量的正常和异常的电池数据样本，结合场景贴切、性能优异的深度学习算法，能对电池生产后段的事故进行及时可靠的预警。
为实现所述目的，本发明的技术方案为：
依据本发明的一个方面，提供一种动力电池电压时间序列异常检测方法，包括：
S1.在化成和分容工艺中，获取正常和异常的动力电池时间序列数据，并在异常数据中标注异常标签；
S2.对数据进行筛选以剔除损坏的数据样本，构建特征增加数据维度，并对数据进行标准化处理；
S3.采用GRU循环神经网络算法进行时间序列分析，结合门控机制捕获历史时序特征；
S4.把步骤S3捕获的正常数据样本的时序特征输入到无监督深度学习算法模型中训练，并在网络顶层添加logistic回归分类器获得分类功能，所述无监督深度学习算法模型被配置为SAAE模型；
S5.使用带Label的异常数据样本对训练好的SAAE模型进行参数微调；
S6.把待检测的数据进行步骤S2所述处理后，放到训练出的无监督深度学习算法模型中进行实时异常检测。
依据本发明的另一个方面，提供了一种电子设备，其中，该电子设备包括：
处理器；以及，
被安排成存储计算机可执行指令的存储器，可执行指令在被执行时使处理器执行所述的方法。
依据本发明的另一个方面，提供了一种计算机可读存储介质，其中，计算机可读存储介质存储一个或多个程序，一个或多个程序当被处理器执行时，实现所述的方法。
所述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的所述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的台件。
在附图中：
图1示出了本发明之实施例的训练模型流程图；
图2示出了对GRU算法原理的说明示意；
图3示出了SAAE的架构图；
图4示出了基于堆栈自编码器的手写数字分类(10个类别)应用的训练过程；
图5示出了自编码器(AE)算法的流程图；
图6示出了本发明之实施例的电池电压异常示图；
图7示出了本发明之实施例电压异常检测预警成功图；
图8为本发明的电子设备的结构示意图；
图9为本发明的计算机可读存储介质的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1为本实施例提供的方法的训练模型流程图。本实施例基于电子设备实施，如计算机设备，电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序可以在服务器上应用。处理器执行程序时可以实现动力电池电压时间序列异常检测方法，包括以下步骤：
S1.在化成和分容工艺中，获取正常和异常的动力电池时间序列数据，并在异常数据中标注异常标签；
S2.对数据进行筛选以剔除损坏的数据样本，构建特征增加数据维度，并对数据进行标准化处理；
S3.采用GRU循环神经网络算法进行时间序列分析，结合门控机制捕获历史时序特征；
S4.把步骤S3捕获的正常数据样本的时序特征输入到无监督深度学习算法模型中训练，并在网络顶层添加logistic回归分类器获得分类功能，无监督深度学习算法模型被配置为SAAE模型；
S5.使用带Label的异常数据样本对训练好的SAAE模型进行参数微调；
S6.把待检测的数据进行步骤S2处理后，放到训练出的无监督深度学习算法模型中进行实时异常检测。
本发明对比现有技术有如下显著优势：
1、泛化能力强大，无监督算法的初始正常电池训练数据无需标注Label，大大降低数据收集的难度。
2、对可能产生风险的电池进行提前预警，且可靠性很高；提前避免了电芯起火等安全事故的发生以及设备出现问题能及时检测出来。
3、通过异常反转机制进行异常判断阈值的自主更新；避免了人为设置的繁琐、不准确、易出错的缺点。
4、多层的隐藏层可以学习到更复杂、本源的特征信息，具有很强的模型健壮性。
作为一种改进方案，所述步骤S1，包括：
S11、收集化成设备、分容设备的上位机上传的数据集，区分出正常数据集和异常数据集；提取其中的工步号、步次时间、电芯电压、探针电压、端口电压、压差及其它维度数据；
S12、在异常数据样本中增加标签列，指明是哪些时间点出现异常标注1，正常时间点的数据标注0。
作为另一种改进方案，所述步骤S2，包括：
S21、清洗数据集；使用PCA方法进行特征筛选，剔除损坏的数据样本，避免引入额外的噪声，影响模型的训练学习；
S22、采用一阶差分、二阶差分、求平方等方式中的一者或多者构造特征，达到数据升维的目的；当数据维度较大(大于设定阈值)的时候，可运用主成分分析技术进行降维操作；
将处理好后的正常电池的时间序列数据记为S∈RB×T×d，异常电池的时间序列数据记为Z∈RB×T×d；其中B表示数据样本个数、T表示生产时间记录行数，d为最后选取特征的个数；
S23、对数据进行标准化处理，使数据缩放到相同的数据范围，消除数据量纲的影响，同时提升模型的收敛速度，其中标准化公式为：
式中，μ∈Rd表示各个特征的平均值，σ∈Rd表示各个特征的标准差；
S24、设置时间窗口g:n×d为二维数组，其中n为窗口的时间记录行数，d为特征的个数；对时间序列数据进行裁剪，即采用滑动窗口方式，对序列数据进行滑动采样，从而将一条长序列数据划分成多条短序列数据H∈Rn×d。
进一步的，所述步骤S3，包括：
S31、将上述短序列数据H输入到线性层中，进行线性变化，增加模型容量，提升模型的拟合能力；
S32、采用激活函数将线性层的输出非线性化，进一步提升模型的拟合能力和收敛速度，同时也能在一定程度上缓解循环神经网络反向传播中的梯度消失和梯度***问题；
S33、将激活函数的输出输入至GRU中，再取网络输出层的最后一个时间步的输出；这时经过第一个时间窗口g1后S的输出O1的维度为：B×d。
在此基础上，作为该改进方案的一种进一步改进，所述步骤S4，包括：
S41、把步骤S3提取的时序特征O1输入到SAAE模型中训练；
S42、在网络顶层添加logistic回归分类器获得分类功能，包括：
a.使用第一个样本的d维时序特征训练第一个稀疏自编码器，能学得其一阶特征表示h(1)；
b.h(1)作为输入训练第二个稀疏自编码器，可学得二阶特征表示h(2)；
c.同上方法能学得h(3)，且它们的维度是递减的；
d.最后将h(3)作为logistic回归分类器(此时默认类别0，表示正常)的输入，
e.移动时间窗口，得到新的d维时序特征，重复上述步骤；
f.继续剩余B-1个样本的训练，通过BP算法进行迭代优化网络参数，降低重构误差值；最后使得Decoder能最好的还原初始输入(能在一定误差允许范围内还原初始输入)，获取此时的样本的d维时序特征。
作为该改进方案的另一种进一步改进，所述步骤S5，包括：
S51、使用少量带Label的异常数据样本对训练好的SAAE模型进行有监督的参数微调，来优化模型网络的分类功能，具体包括：
a.将异常数据样本进行步骤S2、S3的处理后提取的时序特征p,输入到S4步骤训练出的初始SAAE模型中；
b.读取该时刻的标签，进行有监督的训练调试模型网络参数，提高对异常时刻数据的检测准确率，并得到合适的重构误差值用来作为判定异常时刻点的阈值v；
c.移动时间窗口，持续优化上述内容，直到对异常时刻的判定的准确率达到要求后，输出完善的SAAE模型。
更优选地，所述步骤S6，包括：
S61、把待检测的数据进行上述处理后，放到训练出的SAAE模型中进行实时异常检测，具体包括：
a.将数据样本进行步骤S2、S3的处理后提取的时序特征u，输入到SAAE模型中；
b.重构输入的误差值与阈值v进行对比，小于v时判定该时刻电压正常，否则判定为电压异常。
S62、计算模型在异常检测任务上的准确率、召回率、F1-score，来验证模型的鲁棒性和泛化能力。
异常检测效果的评价指标采用的是准确率(Accuracy)、召回率(Recall)、F1-Score。
TP(True Positive)：正确的正例，本为正类也判定为正类。
FN(False Negative)：错误的反例，本为正类但判定为假类。
FP(False Positive)：错误的正例，本为假类但判定为正类。
TN(True Negative)：正确的反例，本为假类也判定成假类。
上述中，步骤S3中提到的GRU(Gate Recurrent Unit,循环门单元)算法，是一种循环神经网络算法、也是目前流行运用的，可以综合分析当前时间步信息和历史时间步信息以整合时间序列特征，通过将当前时间步和历史隐藏单元作为输入，结合更新门和重置门机制，充分捕获历史时序特征。图2是对GRU算法原理的说明示意。
如图2所示，GRU算法数学表达式如下：
zt＝σ(Wz·[ht-1，xt])
rt＝σ(Wr·[ht-1，xt])
其中，zt表示更新门，用于控制t-1时刻的隐藏状态输出ht-1以及t时刻候选集的输入Xt有多少流入时刻t的隐藏状态ht中，zt值越小，说明更多的历史事件信息被输入到网络中，更有助于模型学习长期依赖关系。rt表示重置门，用于控制t-1时刻的隐藏状态输出ht-1有多大比例流入到t时刻候选集/>中，该值越小，说明历史信息被遗忘的越多，更有助于学习时间序列中的短期依赖关系。
σ(·)和tanh(·)分别表示sigmoid和tanh激活函数；sigmoid取值范围为(0,1)，为更新门和重置门进行比例映射，tanh用于增加模型的非线性表达能力。结合更新门和重置门机制，长短期历史信息以自适应方式进行获取，更有利于模型进行异常时间点的检测。
步骤S4中的SAAE(Stack AutoEncoder)堆栈自编码器，也称为深度自编码器；由多层稀疏自编码器(仅仅获得网络的初始化参数)组成的神经网络算法，前一层网络的输出作为后一层的输入，总的来看就是无监督训练网络参数，再有监督进行参数微调。图3公开了SAAE的架构图。
基于堆栈自编码器的手写数字分类(10个类别)应用的训练过程如图4所示。首先，训练784->1000->784的稀疏自编码器，固定已经训练好的参数和1000维的结果，训练第二个稀疏自编码器：1000->1000->1000，固定已经训练好的参数和中间层结果，训练第三个稀疏自编码器：1000->500->1000，固定参数和中间隐层的结果。此时，前3层的参数已经训练完毕，此时，最后一层接一个分类器，将整体网络使用反向传播进行训练，对参数进行微调。这便是使用栈式自编码器进行分类的整体过程。encoder和decoder的参数可以是对称的，也可以是非对称的。
而堆栈自编码器SAAE的基础，自编码器(AE)算法，是神经网络的一种，基于BP算法和最优化方法(梯度下降法)，经过训练后能尝试把输出近似输入；其由编码器Encoder、解码器Decoder组成，如图5所示。其中，X表示输入，h＝f(x)表示编码器，r＝g(h)＝g(f(x))表示解码器，自编码的目标便是优化损失函数L(x,g(f(x)))，也就是减小图中的Error(一般用MSE均方误差来衡量)。
BP算法，也就是反向传播算法，是神经网络算法的基础。
Logistic回归分类器，由线性回归和sigmoid函数组成，常用于二分类的场景。
下述表格显示了随机异常数据测试样本预测结果。
由表格结果可知，本发明的异常检测的准确率、精确率、查全率、F1得分都很高；表明本发明的异常检测方法能大大提高对电池生产过程中的事故预警的准确度，能完全达到上线的标准。
结合图6、图7可知，本发明的方法可以智能判断大概率会发生安全事故的时刻及时发出预警信号给上位机，再由其控制该通道停止对电芯的充放电，避免事故的发生，大大降低生产的损失；对因工步切换引起的电压突变，模型会自动的过滤，不认定为电池电压发生了异常，也就是对电芯生产的物理化学规律引起的数据变化也能充分拟合。
需要说明的是：
本实施例所用的方法，可转化为可存储于计算机存储介质中的程序步骤及装置，通过被控制器调用执行的方式进行实施，其中所述装置应当被理解为计算机程序实现的功能模块。
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
例如，图8示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备传统上包括处理器81和被安排成存储计算机可执行指令(程序代码)的存储器82。存储器82可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器82具有存储用于执行实施例中的任何方法步骤的程序代码84的存储空间83。例如，用于程序代码的存储空间83可以包括分别用于实现上面的方法中的各种步骤的各个程序代码84。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图9所述的计算机可读存储介质。该计算机可读存储介质可以具有与图8的电子设备中的存储器82类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常，存储单元存储有用于执行根据本发明的方法步骤的程序代码91，即可以由诸如81之类的处理器读取的程序代码，当这些程序代码由电子设备运行时，导致该电子设备执行上面所描述的方法中的各个步骤。
应该注意的是所述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种动力电池电压时间序列异常检测方法，其特征在于,所述方法包括以下步骤：
S1.在化成和分容工艺中，获取正常和异常的动力电池时间序列数据，并在异常数据中标注异常标签；
S2.对数据进行筛选以剔除损坏的数据样本，构建特征增加数据维度，并对数据进行标准化处理；
S3.采用GRU循环神经网络算法进行时间序列分析，结合门控机制捕获历史时序特征；
S4.把步骤S3捕获的正常数据样本的时序特征输入到无监督深度学习算法模型中训练，并在网络顶层添加logistic回归分类器获得分类功能，所述无监督深度学习算法模型被配置为SAAE模型；
S5.使用带Label的异常数据样本对训练好的SAAE模型进行参数微调；
S6.把待检测的数据进行步骤S2所述处理后，放到训练出的无监督深度学习算法模型中进行实时异常检测。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1进一步包括：
S11、收集化成设备、分容设备的上位机上传的数据集，区分出正常数据集和异常数据集，提取其中的工步号、时间、电芯电压、探针电压中的一者或多者；
S12、在异常数据样本中增加标签列，对出现异常的时间点进行标注。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2进一步包括：
S21、清洗数据集剔除损坏的数据样本；
S22、采用一阶差分、二阶差分、求平方中的一者或多者构造特征；
S23、对数据进行标准化处理以控制数据缩放到相同的数据范围；
S24、设置时间窗口，对时间序列数据以滑动窗口方式进行滑动采样从而将一条长序列数据划分成多条短序列数据。
4.根据权利要求1所述的方法，其特征在于，所述步骤S22进一步包括：在数据维度大于设定阈值时，运用主成分分析技术进行降维操作。
5.根据权利要求1所述的方法，其特征在于，所述步骤S3进一步包括：
S31、将短序列数据输入到线性层进行线性变化；
S32、采用激活函数将线性层的输出非线性化；
S33、将激活函数的输出输入至GRU中，再提取网络输出层的最后一个时间步的输出送入步骤S4。
6.根据权利要求1所述的方法，其特征在于，步骤S4中的所述在网络顶层添加logistic回归分类器获得分类功能，进一步包括：
a.使用第一个样本的d维时序特征训练第一个稀疏自编码器，能学得其一阶特征表示h(1)；
b.h(1)作为输入训练第二个稀疏自编码器，可学得二阶特征表示h(2)；
c.同上方法能学得h(3)，且它们的维度是递减的；
d.将h(3)作为logistic回归分类器的输入；
e.移动时间窗口，得到新的d维时序特征，重复上述步骤；
f.继续剩余样本的训练，通过BP算法进行迭代优化网络参数，最后使得Decoder能在一定误差允许范围内还原初始输入，获取此时的样本的d维时序特征。
7.根据权利要求1所述的方法，其特征在于，所述步骤S5进一步包括：
a.将异常数据样本进行步骤S2、S3的处理后提取的时序特征p,输入到S4步骤训练出的初始SAAE模型中；
b.读取该时刻的标签，进行有监督的训练调试模型网络参数，并获得重构误差值用来作为判定异常时刻点的阈值v；
c.移动时间窗口，持续优化上述内容，直到对异常时刻的判定的准确率达标后，输出SAAE模型。
8.根据权利要求1所述的方法，其特征在于，所述步骤S6进一步包括：
a.将待检测的数据样本进行步骤S2、S3的处理后提取的时序特征u，输入到SAAE模型中；
b.重构输出的误差值与阈值v进行对比，小于v时判定该时刻电压正常，否则判定为电压异常；
c.计算模型在异常检测任务上的准确率、召回率、F1-score对模型进行评估。
9.一种存储介质，其中，所述存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1～8中任一项所述的方法。
10.一种电子设备，其特征在于，包括：
处理器；以及，
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1～8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310593194.XA CN116930759A (zh) | 2023-05-24 | 2023-05-24 | 动力电池电压时间序列异常检测方法、电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310593194.XA CN116930759A (zh) | 2023-05-24 | 2023-05-24 | 动力电池电压时间序列异常检测方法、电子设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116930759A true CN116930759A (zh) | 2023-10-24 |
Family
ID=88379563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310593194.XA Pending CN116930759A (zh) | 2023-05-24 | 2023-05-24 | 动力电池电压时间序列异常检测方法、电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116930759A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118033467A (zh) * | 2024-04-15 | 2024-05-14 | 北汽福田汽车股份有限公司 | 动力电池的异常识别方法、装置、车辆、介质及程序 |
-
2023
- 2023-05-24 CN CN202310593194.XA patent/CN116930759A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118033467A (zh) * | 2024-04-15 | 2024-05-14 | 北汽福田汽车股份有限公司 | 动力电池的异常识别方法、装置、车辆、介质及程序 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112655004B (zh) | 用于异常检测和/或预测性维护的计算机实现的方法 | |
| CN109302410B (zh) | 一种内部用户异常行为检测方法、***及计算机存储介质 | |
| CN110766059A (zh) | 一种变压器故障的预测方法、装置和设备 | |
| CN108445752B (zh) | 一种自适应选择深度特征的随机权神经网络集成建模方法 | |
| Aziz et al. | A study on gradient boosting algorithms for development of AI monitoring and prediction systems | |
| CN114015825B (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
| CN114563150A (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
| CN114118225A (zh) | 发电机剩余寿命预测方法、***、电子设备和存储介质 | |
| CN116167010A (zh) | 具有智能迁移学习能力的电力***异常事件快速识别方法 | |
| CN112149884A (zh) | 一种面向大规模学员的学业预警监测方法 | |
| CN115496384A (zh) | 工业设备的监控管理方法、装置和计算机设备 | |
| CN110956331A (zh) | 数字工厂运营状态预测方法、***、装置 | |
| CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
| CN111079348A (zh) | 一种缓变信号检测方法和装置 | |
| CN114003422A (zh) | 主机异常检测方法、计算机设备和存储介质 | |
| CN116930759A (zh) | 动力电池电压时间序列异常检测方法、电子设备、存储介质 | |
| Dervilis et al. | Damage detection in carbon composite material typical of wind turbine blades using auto-associative neural networks | |
| Giurgiutiu et al. | Comparative study of neural network damage detection from a statistical set of electro-mechanical impedance spectra | |
| CN111816404B (zh) | 一种消磁方法及*** | |
| CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
| CN114357855A (zh) | 基于平行卷积神经网络的结构损伤识别方法和装置 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| Nureni et al. | Loan approval prediction based on machine learning approach | |
| Florbäck | Anomaly detection in logged sensor data | |
| CN117151867B (zh) | 一种基于大数据的企业异常识别方法及*** |
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 |