CN118070023A - 电池故障预测方法、训练方法、装置、设备、介质及产品 - Google Patents
电池故障预测方法、训练方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN118070023A CN118070023A CN202410499545.5A CN202410499545A CN118070023A CN 118070023 A CN118070023 A CN 118070023A CN 202410499545 A CN202410499545 A CN 202410499545A CN 118070023 A CN118070023 A CN 118070023A
- Authority
- CN
- China
- Prior art keywords
- task
- learning model
- sample
- battery
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000011156 evaluation Methods 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 43
- 208000032953 Device battery issue Diseases 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 16
- 238000009826 distribution Methods 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 238000012163 sequencing technique Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004146 energy storage Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 235000015842 Hesperis Nutrition 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 235000012633 Iberis amara Nutrition 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本申请提供一种电池故障预测方法、训练方法、装置、设备、介质及产品,属于电池领域。多任务学习模型的训练方法包括:获取多个样本电池的样本特征集;样本特征集为与第一任务和第二任务关联的目标特征组合,目标特征组合包括至少一个基础特征,以及按照递归特征组合方式确定的至少一个优化特征;将样本特征集输入预构建的多任务学习模型,并对多任务学习模型进行训练,得到经训练的多任务学习模型;第一任务为预测电池是否会发生特定故障,第二任务为预测电池发生特定故障的时间。本申请的训练方法可以更好的利用不同特征之间的联合分布信息,提高模型的故障预测能力,而且有利于维护人员或***按电池的风险紧急程度进行维护,降低维护成本。
Description
技术领域
本申请涉及电池技术领域,尤其涉及一种电池故障预测方法、训练方法、装置、设备、介质及产品。
背景技术
节能减排是汽车产业可持续发展的关键,电动车辆由于其节能环保的优势成为汽车产业可持续发展的重要组成部分。对于电动车辆而言,电池技术又是关乎其发展的一项重要因素。
随着电池在工作过程中不断的充电和放电,电池内部会逐渐老化,进而可能导致电池出现故障,从而对电池的性能产生不利影响。因此,如何有效识别电池运行过程中发生故障的风险,对于提高电池运行的可靠性、减小电池故障产生的损失有着重要意义。
发明内容
本申请旨在至少解决背景技术中存在的技术问题之一。为此,本申请的一个目的在于提供一种电池故障预测方法、训练方法、装置、设备、介质及产品,以提高预测电池发生故障的准确性。
本申请第一方面的实施例提供一种多任务学习模型的训练方法,多任务学习模型用于电池故障预测,该训练方法包括:获取多个样本电池的样本特征集,多个样本电池包括发生特定故障的失效电池,样本特征集为与第一任务和第二任务关联的目标特征组合,目标特征组合包括根据第一任务和第二任务从多个样本电池的运行数据中确定的至少一个基础特征,以及按照递归特征组合方式从运行数据中未被确定为基础特征的非基础特征中确定的至少一个优化特征;将样本特征集输入预构建的多任务学习模型,并对预构建的多任务学习模型进行训练,得到经训练的多任务学习模型;其中,多任务学习模型包括共享层和任务层,任务层至少包括与第一任务对应的第一子网络和与第二任务对应的第二子网络;共享层用于根据样本特征集确定共享特征参数,第一子网络用于根据至少部分共享特征参数确定第一任务的预测结果,第二子网络用于根据至少部分共享特征参数确定第二任务的预测结果;第一任务为预测电池是否会发生特定故障,第二任务为预测电池发生特定故障的时间。
本申请实施例的技术方案中,通过训练得到的多任务学习模型来对电池故障进行预测,可以实现从端到端解决是否有发生特定故障风险的预测以及何时发生特定故障的预测,多任务学习模型可以更好的利用不同特征之间的联合分布信息,通过选定与第一任务和第二任务关联性强、影响力大的基础特征和优化特征组成的目标特征组合来构建样本特征集,有助于模型专注于学习对第一任务和第二任务都重要的特征,提高训练效率以及模型的故障预测能力,而且有利于维护人员或***按电池的风险紧急程度进行维护,降低维护成本。
在一些实施例中,获取多个样本电池的样本特征集包括:获取多个样本电池的运行数据,基于轻量级梯度提升机器算法确定运行数据中每个特征的重要性分数;基于多项式核函数对特征的重要性分数进行拟合,并计算拟合曲线的二阶导数,以二阶导数的最小值点作为拐点,将拐点前的特征确定为基础特征。通过轻量级梯度提升机器算法确定每个特征重要性分数,可以更精确地识别出对模型性能影响最大的特征,通过识别拐点,可以确定哪些特征是对模型性能提升起关键作用的,将这些特征构成模型的核心部分,有助于优化模型结构,减少不必要的复杂性。通过识别和选择最有价值的特征,可以减少模型中的噪声和不相关信息,从而降低过拟合的风险,提高模型的预测准确性和泛化能力。
在一些实施例中,获取多个样本电池的样本特征集还包括:将运行数据中的非基础特征逐个添加到基础特征的组合中,得到新的特征组合;利用新的特征组合重新训练多任务学***均绝对误差中的一项或多项;基于更新前后的模型评价指标将新添加的非基础特征确定为优化特征。通过设定对应的模型评价指标来对新添加的非基础特征对模型提升效果进行量化表征,可以更准确的筛选出合适的优化特征,提高模型的性能,使模型能够更好地从数据中学习和做出准确的预测。
在一些实施例中,获取多个样本电池的样本特征还包括:将非基础特征逐个添加到基础特征的组合中,得到新的特征组合;利用新的特征组合重新训练多任务学习模型,并基于多任务学习模型的预测结果进行故障排序;响应于故障排序中失效电池的排序名次位于预设名次范围内,将新添加的非基础特征确定为优化特征,故障排序为根据样本电池对应的预测结果的大小进行排序。通过根据失效电池的预测结果的排序名次来确定优化特征,可以确保所选特征与实际任务目标(如发生故障的优先级)紧密相关。通过将预测结果与实际的故障排序相结合,模型的输出更加贴近实际应用需求。
在一些实施例中,获取多个样本电池的样本特征集,多个样本电池包括发生特定故障的失效电池还包括:获取多个样本电池的运行数据,多个样本电池包括发生特定故障的失效电池和未发生特定故障的非失效电池;响应于失效电池的样本数量与非失效电池的样本数量的比值小于或等于预设阈值,对失效电池的运行数据进行过采样,以合成新的失效电池的运行数据。通过过采样可以增加少数类别的样本数量,使之与多数类别的样本数量接近或相等,以此来改善模型对所有类别的公平性和预测性能,提高模型的识别能力和预测能力。
在一些实施例中,获取多个样本电池的样本特征集还包括:将样本特征集划分为训练集和预测集;其中,训练集中失效电池发生特定故障的时间早于预测集中的失效电池发生特定故障的时间。
在一些实施例中,将样本特征集输入预构建的多任务学习模型,并对预构建的多任务学习模型进行训练,得到经训练的多任务学习模型包括:将训练集输入预构建的多任务学习模型,计算预构建的多任务学习模型的目标函数,并基于最小化目标函数对多任务学习模型的模型参数进行调整,得到调整后的多任务学习模型;将预测集输入调整后的多任务学习模型,得到第一任务的预测结果和第二任务的预测结果,并根据预测结果确定多任务学习模型的模型评价指标,基于模型评价指标对调整后的多任务学习模型的模型参数进行调整,得到经训练的多任务学习模型。通过不断地调整模型参数和优化模型结构,可以不断提升多任务学习模型的第一任务和第二任务的预测能力,从而有利于提高对电池故障预测的准确性。
在一些实施例中,目标函数包括基于与第一任务对应的分类损失函数和第一权重系数确定的第一目标损失项、基于与第二任务对应的回归损失函数和第二权重系数得到的第二目标损失项,以及基于第一权重系数和第二权重系数确定的模型正则项。目标函数结合了分类损失和回归损失,并通过权重系数和正则项来平衡不同任务和模型复杂度的影响,模型可以从不同类型的数据中学习,这有助于提高模型对噪声和异常值的鲁棒性,使模型在面对不同类型的预测误差时更加稳健。
在一些实施例中,模型评价指标包括与第一任务对应的分类任务评价指标,以及与第二任务对应的回归任务评价指标。通过针对两个任务的构建模型评价指标,并在模型训练时以此对模型参数进行调整,有助于平衡模型这两个任务的性能,减少过拟合的风险,提高模型的整体性能和适用性。
在一些实施例中,模型评价指标为分类任务评价指标与第一参数的乘积、和回归任务评价指标与第二参数的乘积之和;其中,分类任务评价指标包括召回率,且召回率指示被多任务学习模型正确识别出的失效电池的数量占预测集中样本电池数量的90%及以上,并且第一参数大于或等于第二参数。模型评价指标是多任务学习模型的综合评价方法,它通过加权和的形式结合了分类任务的召回率和回归任务的评价指标,第一参数和第二参数的设定允许模型根据不同任务的重要性进行调整,从而提升模型针对第一任务和第二任务的整体预测性能。
在一些实施例中,将样本特征集输入预构建的多任务学习模型,并对预构建的多任务学习模型进行训练,得到经训练的多任务学习模型还包括:将预测集输入调整后的多任务学习模型,得到第一任务的预测结果和/或第二任务的预测结果;响应于预测结果不满足预设应用条件,对调整后的多任务学习模型的模型参数和/或样本特征集中的特征类型进行调整;其中,预设应用条件为按照样本特征集中每个样本电池对应预测结果进行排序,失效电池的排序名次位于预设范围内。通过设置模型应用条件对模型的适用能力进行评估,可以使得训练完后的多任务学习模型能够更好的满足电池故障预测的应用场景下的预测要求,提高模型的适配能力。
本申请第二方面的实施例提供一种基于多任务学习模型的电池故障预测方法,电池故障预测方法包括:获取目标电池的预测特征集;将预测特征集输入经训练的多任务学习模型,经训练的多任务学习模型为采用上述训练方法训练得到的多任务学习模型;输出第一任务的预测结果和第二任务的预测结果。采用多任务学习模型可以实现从端到端解决是否有发生特定故障风险的预测以及何时发生特定故障的预测,多任务学习模型可以更好的利用不同特征之间的联合分布信息,提高模型的故障预测能力,而且有利于维护人员或***按电池的风险紧急程度进行维护,降低维护成本。
本申请第三方面的实施例提供一种多任务学习模型的训练装置,该装置包括第一获取单元和训练单元;第一获取单元被配置用于获取多个样本电池的样本特征集;多个样本电池包括发生特定故障的失效电池,样本特征集为与第一任务和第二任务关联的目标特征组合,目标特征组合包括根据第一任务和第二任务从多个样本电池的运行数据中确定的至少一个基础特征,以及按照递归特征组合方式从运行数据中未被确定为基础特征的非基础特征中确定的至少一个优化特征;训练单元被配置用于将样本特征集输入预构建的多任务学习模型,并对多任务学习模型进行训练,得到经训练的多任务学习模型;其中,多任务学习模型包括共享层和任务层,任务层至少包括与第一任务对应的第一子网络和与第二任务对应的第二子网络;共享层用于根据样本特征集确定共享特征参数,第一子网络用于根据至少部分共享特征参数确定第一任务的预测结果,第二子网络用于根据至少部分共享特征参数确定第二任务的预测结果;第一任务为预测电池是否会发生特定故障,第二任务为预测电池发生特定故障的时间。本实施例的训练装置可以训练得到对电池特定故障进行全面、准确的预测结果的多任务学习模型,有利于降低电池的维护成本,提高电池运行的可靠性。
本申请第四方面的实施例提供一种电池故障预测装置,其包括第二获取单元、确定单元和输出单元;第二获取单元被配置用于获取目标电池的预测特征集,预测特征集与用于训练多任务学习模型的样本特征集具有相同的特征组合;确定单元被配置用于将预测特征集输入经训练的多任务学习模型,得到第一任务的预测结果和第二任务的预测结果;其中,经训练的多任务学习模型为采用上述训练方法训练得到的多任务学习模型;输出单元被配置用于输出第一任务的预测结果和第二任务的预测结果。本实施例的电池故障预测装置可以对电池特定故障进行全面、准确的预测结果的多任务学习模型,有利于降低电池的维护成本,提高电池运行的可靠性。
本申请第五方面的实施例提供一种计算设备,其包括:至少一个处理器;以及与至少一个处理器通信连接的至少一个存储器,至少一个存储器存储有指令,该指令当被至少一个处理器单独或共同执行时,使计算设备执行以上实施例描述的训练方法或电池故障预测方法。
本申请第六方面的实施例提供一种计算机可读存储介质,存储有指令,该指令当被计算设备的一个或多个处理器单独或共同执行时,使计算设备执行以上实施例描述的训练方法或电池故障预测方法。
本申请第七方面的实施例提供一种计算机程序产品,包括指令,该指令当被计算设备的一个或多个处理器单独或共同执行时,使计算设备执行以上实施例描述的训练方法或电池故障预测方法。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本申请公开的一些实施方式,而不应将其视为是对本申请范围的限制。
图1为本申请一些实施例提供的多任务学习模型的训练方法的流程图;
图2为本申请一些实施例提供的多任务学习模型的示意图;
图3为本申请一些实施例的电池故障预测方法的流程图;
图4为本申请一些实施例提供的多任务学习模型的训练装置的结构框图;
图5为本申请一些实施例提供的电池故障预测装置的结构框图;
图6为本申请一些实施例提供的基于多任务学习模型进行电池故障预测的流程图。
附图标记说明:
多任务学习模型10,归一化层11,共享层12,任务层13,第一子网络131,第二子网络132;训练装置300,第一获取单元310,训练单元320;电池故障预测装置400,第二获取单元410,确定单元420,输出单元430。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
在本申请实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请实施例的描述中,术语“多个”指的是两个以上(包括两个),同理,“多组”指的是两组以上(包括两组),“多片”指的是两片以上(包括两片)。
在本申请实施例的描述中,技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请实施例的限制。
在本申请实施例的描述中,除非另有明确的规定和限定,技术术语“安装”“相连”“连接”“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;也可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请实施例中的具体含义。
目前,从市场形势的发展来看,电池的应用越加广泛。电池不仅被应用于水力、火力、风力和太阳能电站等储能电源***,而且还被广泛应用于电动自行车、电动摩托车、电动汽车等电动交通工具,以及军事装备和航空航天等多个领域。随着电池应用领域的不断扩大,其市场的需求量也在不断地扩增。
基于机器学习算法的预测模型大多数都是单任务学习,把现实问题当作一个个独立的单任务处理,并分别构建多个模型,比如电压风险模型、电流风险模型、温度风险模型,然而电池发生故障的原因复杂,很多时候并非是单一因子造成的,分别采用多个模型进行预测其实忽略了问题之间的关联信息,导致预测结果偏差较大。此外,多个模型联合寻参时间复杂度较高,调参困难度高。
对于电池的某种特定故障的预测,除了需要预测“是否会发生故障”,还需要预测“何时会发生热失控”,这样才更能够准确了解电池发生故障的风险并做好应对措施。然而单任务模型无法满足上述预测要求。
为了解决上述问题,本申请提出一种多任务学习模型的训练方法以及基于多任务学习模型的电池故障预测方法,训练方法包括:获取多个样本电池的样本特征集,多个样本电池包括发生特定故障的失效电池;将样本特征集输入预构建的多任务学习模型,并对多任务学习模型进行训练,得到经训练的多任务学习模型;其中,多任务学习模型包括共享层和任务层,任务层至少包括与第一任务对应的第一子网络和与第二任务对应的第二子网络;共享层用于根据样本特征集确定共享特征参数,第一子网络用于根据至少部分共享特征参数确定第一任务的预测结果,第二子网络用于根据至少部分共享特征参数确定第二任务的预测结果;第一任务为预测电池是否会发生特定故障,第二任务为预测电池发生特定故障的时间。电池故障预测方法包括:获取目标电池的预测特征集;将预测特征集输入经训练的多任务学习模型,以及输出第一任务的预测结果和第二任务的预测结果。通过构建多任务学习模型来预测目标电池是否会发生故障以及目标电池发生故障的时间,可以更好的利用不同特征之间的联合分布信息,提高模型的故障预测能力,而且有利于维护人员或***按电池的风险紧急程度进行维护,降低维护成本。
本申请实施例公开的电池可以但不限用于车辆、船舶、飞行器或储能装置等用电装置中。使用本申请公开的电池故障预测方法不仅可以用于对电池进行故障预测,还可以用于对用电装置中的电池进行故障预测。
本申请实施例提供一种使用电池作为电源的用电装置,用电装置可以为但不限于手机、平板、笔记本电脑、电动玩具、电动工具、电瓶车、电动汽车、轮船、航天器等等。其中,电动玩具可以包括固定式或移动式的电动玩具,例如,游戏机、电动汽车玩具、电动轮船玩具和电动飞机玩具等等,航天器可以包括飞机、火箭、航天飞机和宇宙飞船等等。储能装置可以包括分布式户用储能装置、工商业储能装置或储能电站。
请参照图1和图2,图1为本申请一些实施例提供的多任务学习模型的训练方法的流程图。 图2为本申请一些实施例提供的多任务学习模型的示意图。
本申请实施例提供了一种多任务学习模型的训练方法100,多任务学习模型用于电池故障预测,该训练方法100包括:
步骤S110:获取多个样本电池的样本特征集。
多个样本电池包括发生特定故障的失效电池,样本特征集为与第一任务和第二任务关联的目标特征组合,目标特征组合包括根据第一任务和第二任务从多个样本电池的运行数据中确定的至少一个基础特征,以及按照递归特征组合方式从运行数据中未被确定为基础特征的非基础特征中确定的至少一个优化特征。
步骤S120:将样本特征集输入预构建的多任务学习模型,并对多任务学习模型进行训练,得到经训练的多任务学习模型。
多任务学习模型包括共享层和任务层,任务层至少包括与第一任务对应的第一子网络和与第二任务对应的第二子网络;共享层用于根据样本特征集确定共享特征参数,第一子网络用于根据至少部分共享特征参数确定第一任务的预测结果,第二子网络用于根据至少部分共享特征参数确定第二任务的预测结果;第一任务为预测电池是否会发生特定故障,第二任务为预测电池发生特定故障的时间。
样本特征集可以包括样本电池在多个不同的工况下的运行数据。样本电池的样本特征集还包括与第一任务对应的第一标签和与第二任务对应的第二标签,第一标签用于指示所属的样本电池是否发生特定故障,第二标签用于指示所属的样本电池发生特定故障的失效时间,这里失效时间指的是发生特定故障的时间点与电池出厂时间(或第一次上电时间)的时间间隔。失效电池指的样本电池中第一标签指示已发生特定故障的电池。
在一些实施例中,步骤S110包括:获取多个样本电池的运行数据;基于多个样本电池的运行数据确定目标特征组合,包括将运行数据中将一个或多个特征确定为基础特征;按照递归特征组合方式从运行数据中的非基础特征中确定一个或多个优化特征,并与基础特征一起构成目标特征组合;基于目标特征组合构建样本特征集。
样本电池的运行数据包括在多个不同的工况下的运行参数,例如电压、电流、温度、电池荷电状态等,工况可以包括充电、放电和静置。运行数据还可以包括对运行参数进行数据处理后得到的特征参数,特征参数可以包括但不限于统计特征、机理特征、微分特征等,例如位于同一电池包(或电池模组)中的多个电池单体的最高电压、最低电压、最大压差等等。这些运行数据通常是在样本电池的整个使用周期内实时监测和记录的,可以提供样本电池性能和健康状况的重要信息。
目标特征组合为从运行数据中选取的、与多任务学习模型的任务层相适配的特征组合,目标特征组合中的特征都是与第一任务和第二任务相关的和有作用的,能够提升模型训练的效率。
基础特征是在模型预测中的贡献较大的特征,在一些实施例中,基础特征是对第一任务和第二任务重要性最高、影响力最大的特征。根据运行数据中包含的多个特征,需要先识别并确定出对模型任务影响最大的基础特征,具体可以采用决策树来确定基础特征。
对于剩余的非基础特征,可以通过递归方式逐一验证,从而确定一个或多个优化特征,确定的方法可以通过对加入非基础特征以后的特征组合对模型的影响来判断。优化特征和基础特征一起构成目标特征组合,目标特征组合是与多任务学习模型最适配的最优特征组合。
采用递归方式确定优化特征可以准确评估每个新添加的特征对模型的影响,有助于准确确定对模型提升最明显的特征作为优化特征,进而提升模型的预测性能。
如图2所示,多任务学习模型10的共享层12是供多个任务共同使用的网络层,共享层12可以从输入的样本特征集中提取对所有任务有用的共享特征参数。共享层12可以包括n个全连接层,n为大于或等于1的正整数,其中n为多任务学习模型的超参数,用于控制网络深度,n的大小可以在模型训练时寻优确定。
任务层13是在模型架构中专门为特定任务设计的网络层。任务层13包括针对第一任务的第一子网络131和针对第二任务的第二子网络132,第一子网络131用于从共享特征参数中捕捉与第一任务相关的独特特征,第二子网络132用于从共享特征参数捕捉与第二任务相关的独特特征。
第一任务为预测电池是否会发生特定故障,第二任务为预测电池发生特定故障的时间,特定故障可以是预先设置的某种故障类型,例如电池热失控。第一任务属于分类任务,这样第一子网络可以选用Sigmoid激活层,Sigmoid激活层的输出范围在0到1之间,这使得它特别适合用于二分类问题的输出层,第一子网络的输出结果可以是发生特定故障的概率,并将概率超过某一预设阈值的电池认定为会发生特定故障,而将概率低于该预设阈值的电池认定为不会发生特定故障。第二任务属于回归任务,第二子网络的输出结果可以是发生特定故障的失效时间,具体输出结果可以是电池的出厂时间(或者第一次上电时间)到发生特定故障失效的时间点之间的时间间隔。
在一些实施例中,多任务学***的基础上进行特征学习,从而提高模型在多个任务上的整体性能。
通过训练得到的多任务学习模型来对电池故障进行预测,可以实现从端到端解决是否有发生特定故障风险的预测以及何时发生特定故障的预测,多任务学习模型可以更好的利用不同特征之间的联合分布信息,通过选定与第一任务和第二任务关联性强、影响力大的基础特征和优化特征组成的目标特征组合来构建样本特征集,有助于模型专注于学习对第一任务和第二任务都重要的特征,提高训练效率以及模型的故障预测能力,而且有利于维护人员或***按电池的风险紧急程度进行维护,降低维护成本。
根据本申请的一些实施例,步骤S110包括:获取多个样本电池的运行数据;基于轻量级梯度提升机器算法确定运行数据中每个特征的重要性分数;基于多项式核函数对特征的重要性分数进行拟合,并计算拟合曲线的二阶导数,以二阶导数的最小值点作为拐点,将拐点前的特征确定为基础特征。
多任务学习模型为基于轻量级梯度提升机器算法构建的多任务预测模型。轻量级梯度提升机器算法(Light Gradient Boosting Machine, LightGBM)是一种基于梯度提升决策树的算法,它通过迭代地构建一系列弱学习器(通常是决策树),每个学习器用于纠正前一个学习器的错误。
在基于轻量级梯度提升机器算法的多任务学习模型中,可以通过模型训练过程中的内部机制来评估每个特征对预测结果的影响程度。本实施例中,模型会为每个特征分配一个重要性分数,这些分数反映了特征在模型预测中的贡献大小。在轻量级梯度提升机器算法中,特征重要性可以通过观察每个特征在树结构中***节点时带来的增益(gain)来计算。增益越大,表示特征在区分数据点方面的效能越高,因此其重要性分数也越高。
在得到每个特征的重要性分数后,本实施例采用多项式核函数来拟合这些分数,以便更好地理解特征重要性的分布和趋势。多项式核函数可以捕捉特征重要性分数与特征之间可能存在的非线性关系。在采用多项式核函数拟合了特征重要性分数之后,可以通过计算这个函数的二阶导数来找到曲线的拐点。本申请实施例取二阶导数的最小值点作为拐点,将拐点之前的特征(即那些在拐点之前的特征重要性分数较高的特征)选为基础特征。这些基础特征被认为是对模型预测最为关键的特征,因为它们对模型性能的贡献最大。使用多项式核函数对特征重要性分数进行拟合并确定拐点,是一种灵活的确定方法,可以根据不同的数据集和任务特性进行调整。这种适应性强的方法有助于在各种场景下找到最优的特征组合。
通过轻量级梯度提升机器算法确定每个特征重要性分数,可以更精确地识别出对模型性能影响最大的特征,通过识别拐点,可以确定哪些特征是对模型性能提升最关键的,将这些特征构成模型的核心部分,有助于优化模型结构,减少不必要的复杂性,并且能够提高训练速度,减小内存负担。通过识别和选择最有价值的特征,可以减少模型中的噪声和不相关信息,从而降低过拟合的风险,提高模型的预测准确性和泛化能力。
根据本申请的一些实施例,步骤S110还包括:将运行数据中的非基础特征逐个添加到基础特征的组合中,得到新的特征组合;利用新的特征组合重新训练多任务学***均绝对误差中的一项或多项;基于更新前后的模型评价指标将新添加的非基础特征确定为优化特征。
在基础特征确定后,对于运行数据中的非基础特征,将其逐一添加到基础特征的组合中,形成新的特征组合,并将新的特征组合输入到多任务学习模型中,对模型重新训练,在训练过程中可以调整模型的参数,以便模型能够学习到新的特征表示。
在模型重新训练完成后可以通过设定的模型评价指标对模型的性能进行评估,模型评价指标可以根据多任务学***均绝对误差(MAE)等中的一项或多项。这些指标能够从不同的角度反映模型的预测能力,如分类任务中的精确性和回归任务中的误差大小。
通过比较使用新的特征组合前后的模型评价指标,可以评估添加的非基础特征是否真正提高了模型的性能。如果更新后的模型在评价指标上有所提升,这表明新添加的非基础特征对于模型来说是有价值的,可以被确定为优化特征。这些优化特征将被保留在模型中,作为最终的目标特征组合的一部分。
通过设定对应的模型评价指标来对新添加的非基础特征对模型提升效果进行量化表征,可以更准确的筛选出合适的优化特征,提高模型的性能,使模型能够更好地从数据中学习和做出准确的预测。
根据本申请的一些实施例,步骤S110还包括:将所述非基础特征逐个添加到所述基础特征的组合中,得到新的特征组合;利用新的特征组合重新训练多任务学习模型,并基于多任务学习模型的预测结果进行故障排序;响应于故障排序中失效电池的排序名次位于预设名次范围内,将新添加的非基础特征确定为优化特征;故障排序为根据所述失效电池对应的预测结果的大小进行排序。
故障排序可以采用多任务学习模型的第一子网络输出的第一任务的预测结果的大小进行排序,例如每个样本电池发生特定故障的概率,也可以采用第二子网络输出的第二任务的预测结果的大小进行排序,例如每个样本电池发生特定故障的失效时间。也可以同时基于第一任务的预测结果和第二任务的预测结果的加权值进行排序。
根据预测结果的大小进行排序,并对失效电池的排序名次进行判定,若失效电池的排名位于预设名次范围内,例如发生特定故障的概率排名位于所有样本电池的前10%以内,则判定新添加的特征符合模型任务预测要求,将这种即能够让模型性能提升,又能够满足任务预测要求的特征作为优化特征。
通过根据失效电池的预测排序名次来确定优化特征,可以确保所选特征与实际任务目标(如发生故障的优先级)紧密相关。通过将预测结果与实际的故障排序相结合,模型的输出更加贴近实际应用需求。
根据本申请的一些实施例,步骤S110还包括;
获取多个样本电池的运行数据,多个样本电池包括发生特定故障的失效电池和未发生特定故障的非失效电池;
响应于失效电池的样本数量与非失效电池的样本数量的比值小于或等于预设阈值,对失效电池的运行数据进行过采样,以合成新的失效电池的运行数据。
获取运行数据的方式可以是接收外部的输入,也可以是调取存储器中的运行数据。由于发生故障的失效电池通常都是极少数,这样就会导致样本数据集存在明显的不平衡,这可能导致机器学***性和预测性能。
本实施例可以采用人工少数类过采样法(Synthetic Minority Over-samplingTechnique, SMOTE)对失效电池的样本进行过采样,首先选择选取k个最近邻少数类样本,记作,在相邻少数类样本之间插值合成新的少数类样本,新生成少数类样本点的方式如下:
其中,为k个近邻样本中任意两个样本,新生成样本 即通过两个少数类点之间的距离进行随机生成,能够保证少数类样本的多样性,直至采样到与多数类样本数量一致。
通过过采样可以增加少数类别的样本数量,使之与多数类别的样本数量接近或相等,以此来改善模型对所有类别的公平性和预测性能,提高模型的识别能力和预测能力。
根据本申请的一些实施例,步骤S110还包括:获取多个样本电池的运行数据,将样本数据集划分为训练集和预测集;其中,训练集中失效电池发生特定故障的时间早于预测集中的失效电池发生特定故障的时间。
在一些实施例中,步骤S120包括:将训练集输入预构建的多任务学习模型,计算预构建的多任务学习模型的目标函数,并基于最小化目标函数对预构建的多任务学习模型的模型参数进行调整,得到调整后的多任务学习模型;将预测集输入调整后的多任务学习模型,得到第一任务的预测结果和第二任务的预测结果,并根据预测结果确定调整后的多任务学习模型的模型评价指标,基于模型评价指标对调整后的多任务学习模型的模型参数进行调整,得到经训练的多任务学习模型。
由于本申请实施例的多任务学习模型应用的场景涉及到时序场景,在训练集和预测集划分时,需要按照样本电池的失效时间划分,例如将样本电池按照失效时间进行排序,将前70%划入训练集,将后30%划入预测集,这样可以保证后续预测集进行训练时数据不会泄露。
将训练集输入到多任务学习模型中,根据得到的预测结果计算目标函数。这里目标函数指的是模型的目标损失函数,它是多个任务的损失函数的组合,这些损失函数衡量了模型在各个任务上的预测误差。根据计算出的目标函数值,使用优化算法(如梯度下降)来调整模型的参数。这个过程目的是最小化目标函数,即减少预测误差。在这个过程中,模型的权重和偏置等模型参数会被更新,以便模型能够更好地拟合训练数据。
再将预测集输入到调整后的多任务学习模型中,模型会输出每个任务的预测结果。对于分类任务,这可能是概率分布或类别标签;对于回归任务,这可能是连续值,模型评价指标用于对模型的实际效果进行评价。并进一步根据模型评价指标对模型参数进行调整,这一过程可能涉及调整模型结构或超参数调优等。
通过不断地调整模型参数和优化模型结构,可以不断提升多任务学习模型的第一任务和第二任务的预测能力,从而有利于提高对电池故障预测的准确性。
根据本申请的一些实施例,目标函数包括基于与第一任务对应的分类损失函数和第一权重系数确定的第一目标损失项、基于与第二任务对应的回归损失函数和第二权重系数得到的第二目标损失项,以及基于第一权重系数和第二权重系数确定的模型正则项。
在一些实施例中,目标函数Loss可以采用如下公式计算:
;
其中,为第一目标损失项,/>为第二目标损失项;/>为与第一任务对应的分类损失函数;/>为与第二任务对应的回归损失函数;/>为第一权重系数,/>为第二权重系数,/>为模型正则项。
分类损失函数可以交叉熵损失,采用以下公式计算:
;
回归损失函数可以是最小二乘损失,采用如下公式计算:
;
其中,为输入的训练特征集,具体可以表示为/>,其中,/>分别代表样本电池在运行过程产生的电压、电池荷电状态、温度、电流数据,其中/>可以包括代表充电/放电/静置过程中的电压数据特征等特征集合,例如可以包括/>,代表电池单体列表中的最高电压、/>代表电池单体列表中的最低电压、/>代表电池单体列表中的最大压差。电池荷电状态、温度、电流也可以包含类似特征集合。/>表示样本电池是否发生过特定故障,/>表示样本电池发生特定故障的失效时间。
本实施例中的目标函数结合了分类损失和回归损失,并通过权重系数和正则项来平衡不同任务和模型复杂度的影响,模型可以从不同类型的数据中学习,这有助于提高模型对噪声和异常值的鲁棒性,使模型在面对不同类型的预测误差时更加稳健。
根据本申请的一些实施例,模型评价指标包括与第一任务对应的分类任务评价指标,以及与第二任务对应的回归任务评价指标。
分类任务评价指标可以包括准确率、召回率、F1分数(F1-score)、几何平均数(Geometric Mean, Gmean)。回归任务评价指标可以包括均方误差(Mean Squared Error,MSE)、均方根误差(Root Mean Squared Error, RMSE)、平均绝对误差(Mean AbsoluteError, MAE)、平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)或R平方(R-squared, R2)。
通过针对两个任务的构建模型评价指标,并在模型训练时以此对模型参数进行调整,有助于平衡模型这两个任务的性能,减少过拟合的风险,提高模型的整体性能和适用性。
根据本申请的一些实施例,模型评价指标为分类任务评价指标与第一参数的乘积、和回归任务评价指标与第二参数的乘积之和;其中,分类任务评价指标包括召回率,且召回率指示被多任务学习模型正确识别出的失效电池的数量占预测集中样本电池数量的90%及以上,并且第一参数大于或等于第二参数。
在一些实施例中,分类任务评价指标为召回率,第一参数为/>,回归任务评价指标为/>,第二参数为/>,则模型评价指标/>可以按照以下公式计算:
。
其中,召回率这是指在设定的概率阈值下,模型正确识别出的失效电池数量占预测集中所有失效电池总数的比例。概率阈值可以取一定值,例如0.5。在一些实施例中,模型输出的第一任务的预测结果指示对应的样本电池会发生故障,并且这一预测结果可以跟该样本电池的第一标签进行比对,如果二者一致,就认为该样本电池为失效电池并且能够被模型正确识别出。为了使训练后的模型能够满足应用要求,召回率的取值应该大于或等于90%,也就是说模型需要能够识别出至少90%的失效电池。
第一参数的取值范围可以是[0.5,1],例如取值可以是0.5、0.6、0.7、0.8或0.9,第二参数/>的取值范围可以是[0,0.5],例如取值可以是0.1、02、03、04和0.5,第一参数/>和第二参数/>是用于加权分类任务和回归任务评价指标的系数,这种加权和的设计允许模型根据任务的重要性来调整对每个任务的关注程度。第一参数/>和第二参数/>可以采取网络搜索的方式确定。
本实施例中第一参数大于或等于第二参数,这是由于在电池故障预测的场景中,分类任务的预测结果错误的后果比回归任务的预测结果错误更加严重,错误预测一个目标电池可能就会导致整个电池包或者用电装置出现故障或风险,而提高分类任务的权重可以降低这种风险。另一方面,由于样本电池中发生特定故障的失效电池毕竟属于少数类样本,分类任务可能面临更严重的类别不平衡问题,在这种情况下,提高分类任务的权重有助于模型更好地学习分类特征。
本实施例中的模型评价指标是多任务学习模型的综合评价方法,它通过加权和的形式结合了分类任务的召回率和回归任务的评价指标,第一参数和第二参数的设定允许模型根据不同任务的重要性进行调整,从而提升模型针对第一任务和第二任务的整体预测性能。
根据本申请的一些实施例,步骤120还包括:将预测集输入调整后的多任务学习模型,得到第一任务的预测结果和/或第二任务的预测结果;响应于预测结果不满足预设应用条件,对多任务学习模型的模型参数和/或样本特征集中的特征类型进行调整;其中,预设应用条件为按照样本特征集中每个样本电池对应的预测结果进行排序,失效电池的排序名次位于预设范围内。
预设应用条件是用于判断模型是否符合应用要求而设定的判定条件。具体可以根据多任务模型输出的预测结果进行排序,例如,第一任务的预测结果输出的是每个样本电池发生特定故障的概率,将所有样本电池按照故障概率从高到低进行排序,其中失效电池的排序名次需要在预设范围内,例如前10%以内,这样就判定模型的预测结果满足预设应用条件,如果失效电池的排序名次在预设范围之外,则判定模型的预测结果不满足预设应用条件,还无法应用于实际电池的预测,需要调整模型的参数,例如模型超参数,或者是调整样本特征集中的特征类型,也就是调整目标特征组合中的特征。
在另一些实施例中,预设应用条件可以根据第二任务的预测结果进行排序,并进行后续的判定。在又一些实施例中,预设应用条件可以同时根据第一任务的预测结果和第二任务的预测结果的加权计算值进行排序,这样可以同时兼顾模型对不同任务的应用能力的判定,提高在具体应用场景下的模型预测能力。
在一些实施例中,利用预设应用条件进行判定的步骤可以在训练完成后进行,即利用训练集和预测集分别训练后,再单独执行上述预设应用条件的判定,也可以与采用预测集进行预测评价的步骤相结合,即向模型输入预测集后,根据模型的预测结果同时或先后计算模型评价指标和判定模型应用条件,并根据计算结果和/或判定结果决定是否需要返回重新训练。
通过设置模型应用条件对模型的适用能力进行评估,可以使得训练完后的多任务学习模型能够更好的满足电池故障预测的应用场景下的预测要求,提高模型的适配能力。
请参阅图3,图3为本申请一些实施例的电池故障预测方法的流程图。
本申请实施例提供了一种基于多任务学习模型的电池故障预测方法200,电池故障预测方法200包括:
步骤S210:获取目标电池的预测特征集。
步骤S220:将预测特征集输入经训练的多任务学习模型。
步骤S230:输出第一任务的预测结果和第二任务的预测结果。
目标电池可以是正在服役的电池,例如装载在车辆中的电池或电池单体。预测特征集与训练特征集具有相同的特征组合。
步骤S220中多任务学习模型可以是经上述训练方法100训练得到的多任务学习模型。特定故障可以是预先设定的某种故障类型,例如热失控故障。
步骤S230中第一任务的预测结果可以是会发生特征故障或不会发生特征故障,也可以是发生特定故障的概率。第二任务的预测结果可以是目标电池发生特定故障的失效时间,即发生特定故障的时间点与出厂时间(或第一次上电时间)之间的时间间隔。
采用多任务学习模型可以实现从端到端解决是否有发生特定故障风险的预测以及何时发生特定故障的预测,多任务学习模型可以更好的利用不同特征之间的联合分布信息,提高模型的故障预测能力,而且有利于维护人员或***按电池的风险紧急程度进行维护,降低维护成本。
请参阅图4,图4为本申请一些实施例提供的多任务学习模型的训练装置的结构框图。
本申请实施例提供了一种多任务学习模型的训练装置300,训练装置300包括第一获取单元310和训练单元320;第一获取单元310被配置用于获取多个样本电池的样本特征集; 多个样本电池包括发生特定故障的失效电池;训练单元320被配置用于将样本特征集输入预构建的多任务学习模型,并对多任务学习模型进行训练,得到经训练的多任务学习模型;其中,多任务学习模型包括共享层和任务层,任务层至少包括与第一任务对应的第一子网络和与第二任务对应的第二子网络;共享层用于根据样本特征集确定共享特征参数,第一子网络用于根据至少部分共享特征参数确定第一任务的预测结果,第二子网络用于根据至少部分共享特征参数确定第二任务的预测结果;第一任务为预测电池是否会发生特定故障,第二任务为预测电池发生特定故障的时间。
第一获取单元310可以是以直接输入或调用存储器中的存储数据方式获取样本特征集,并提供给训练单元320,也可以是先获取样本电池的样本数据,并对样本数据进行预处理,例如对数据进行清洗、归一化处理等,然后将预处理后的数据提供给训练单元。
训练单元320中可以包含上述实施例中描述的多任务学习模型10,并可以采用上述实施例中描述的训练方法100对多任务学习模型10进行训练。
本实施例的训练装置300可以训练得到对电池特定故障进行全面、准确的预测结果的多任务学习模型,有利于降低电池的维护成本,提高电池运行的可靠性。
请参阅图5,图5为本申请一些实施例提供的电池故障预测装置的结构框图。
本申请实施例提供了一种电池故障预测装置400,其包括第二获取单元410、确定单元420和输出单元430。
第二获取单元410被配置用于获取目标电池的预测特征集;确定单元420被配置用于将预测特征集输入经训练的多任务学习模型,得到第一任务的预测结果和第二任务的预测结果;其中,多任务学习模型包括共享层和任务层,任务层至少包括与第一任务对应的第一子网络和与第二任务对应的第二子网络;共享层用于根据预测特征集确定共享特征参数,第一子网络用于根据至少部分共享特征参数确定第一任务的预测结果,第二子网络用于根据至少部分共享特征参数确定第二任务的预测结果;第一任务为预测目标电池是否会发生特定故障,第二任务为预测目标电池发生特定故障的时间;输出单元430被配置用于输出第一任务的预测结果和第二任务的预测结果。
第二获取单元410可以包括预处理模块,用于对输入的目标电池的运行数据进行预处理,例如清洗和归一化处理,并根据目标特征组合的要求构建预测特征集以提供给确定单元420。在一些实施例中,第二获取单元410还可以直接获取已构建完成的预测特征集。
确定单元420可以包括已完成训练的多任务学习模型10,其中多任务学习模型10可以是按照上述训练方法100进行模型训练。在一些实施例中,确定单元420内可以设置一个上述实施例中的训练装置300,以用于对预构建的多任务学习模型进行训练。
本实施例的电池故障预测装置400可以对电池特定故障进行全面、准确的预测结果的多任务学习模型,有利于降低电池的维护成本,提高电池运行的可靠性。
本申请实施例提供了一种计算设备,其包括:至少一个处理器;以及与至少一个处理器通信连接的至少一个存储器,至少一个存储器存储有指令,该指令当被至少一个处理器单独或共同执行时,使计算设备执行以上实施例描述的训练方法100或电池故障预测方法200。
本申请中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置和该至少一个输出装置。
本申请实施例提供了一种计算机可读存储介质,存储有指令,该指令当被计算设备的一个或多个处理器单独或共同执行时,使计算设备执行以上实施例描述的训练方法100或电池故障预测方法200。
计算机可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
本申请实施例提供了一种计算机程序产品,包括指令,该指令当被计算设备的一个或多个处理器单独或共同执行时,使计算设备执行以上实施例描述的训练方法100或电池故障预测方法200。
下面结合一个具体实施方式对本申请的实施例做进一步详细的描述。
如图1-6所示,基于多任务学习模型的电池故障预测主要包括多任务学习模型的训练,以及采用训练后的多任务学习模型进行电池故障预测。
多任务学习模型的训练方法100主要包括:
步骤S110:获取多个样本电池的样本特征集。多个样本电池包括发生特定故障的失效电池,样本特征集为与第一任务和第二任务关联的目标特征组合,目标特征组合包括根据第一任务和第二任务从多个样本电池的运行数据中确定的至少一个基础特征,以及按照递归特征组合方式从运行数据中未被确定为基础特征的非基础特征中确定的至少一个优化特征。
样本电池可以同时包括发生特定故障的失效电池,和未发生特定故障的非失效电池。如图6所示,步骤S110可以包括以下步骤:
获取样本电池的运行数据。样本电池的运行数据包括在多个不同的工况下的运行参数,例如电压、电流、温度、电池荷电状态等,工况可以包括充电、放电和静置。运行数据还可以包括对运行参数进行数据处理后得到的特征参数,特征参数可以包括但不限于统计特征、机理特征、微分特征等。响应于失效电池的样本数量与非失效电池的样本数量的比值小于或等于预设阈值,对失效电池的运行数据进行过采样,以合成新的失效电池的样本特征集。
基于多个样本电池的运行数据确定目标特征组合并作为样本特征集。其中,目标特征组合包括基于多任务学习模型的轻量级梯度提升机器算法确定的基础特征,以及按照递归特征组合方式从运行数据中未被确定为基础特征的非基础特征中确定一个或多个优化特征。
将样本电池按照失效时间进行排序,将前70%划入训练集,将后30%划入预测集;这样训练集中失效电池发生特定故障的时间早于预测集中的失效电池发生特定故障的时间。
步骤S120:将样本特征集输入预构建的多任务学习模型,并对多任务学习模型进行训练,得到经训练的多任务学习模型。
多任务学习模型包括共享层和任务层,任务层至少包括与第一任务对应的第一子网络和与第二任务对应的第二子网络;共享层用于根据样本特征集确定共享特征参数,第一子网络用于根据至少部分共享特征参数确定第一任务的预测结果,第二子网络用于根据至少部分共享特征参数确定第二任务的预测结果;第一任务为预测电池是否会发生特定故障,第二任务为预测电池发生特定故障的时间。
步骤S120中可以包括以下步骤:
将训练集输入预构建的多任务学习模型,计算多任务学习模型的目标函数,并基于最小化目标函数对多任务学习模型的模型参数进行调整,得到调整后的多任务学习模型。
目标函数Loss可以采用如下公式计算:
;
其中,为第一目标损失项,/>为第二目标损失项;/>为与第一任务对应的分类损失函数;/>为与第二任务对应的回归损失函数;/>为第一权重系数,/>为第二权重系数,/>为模型正则项。
分类损失函数可以交叉熵损失,采用以下公式计算:
;
回归损失函数可以是最小二乘损失,采用如下公式计算:
;
其中,为输入的训练特征集,具体可以表示为/>,其中,/>分别代表样本电池在运行过程产生的电压、电池荷电状态、温度、电流数据,其中/>可以包括代表充电/放电/静置过程中的电压数据特征等特征集合,例如可以包括,/>,代表电池单体列表中的最高电压、/>代表电池单体列表中的最低电压、/>代表电池单体列表中的最大压差。电池荷电状态、温度、电流也可以包含类似特征集合。/>表示样本电池是否发生过特定故障,/>表示样本电池发生特定故障的失效时间。
将预测集输入调整后的多任务学习模型,得到第一任务的预测结果和第二任务的预测结果,并根据预测结果确定多任务学习模型的模型评价指标,基于模型评价指标对多任务学习模型的模型参数进行调整,得到经训练的多任务学习模型。
模型评价指标可以按照以下公式计算:
;
其中,为用作分类任务评价指标的召回率,/>为用作回归任务评价指标的均方根误差,/>为第一参数,/>为第二参数,召回率的取值应该大于或等于90%,第一参数/>大于或等于第二参数/>。
根据预测集输入后模型输出的预测结果,判断是否满足预设应用条件。响应于预测结果不满足预设应用条件,对多任务学习模型的模型参数和/或样本特征集中的特征类型进行调整;其中,预设应用条件为按照预测集中每个样本电池对应预测结果进行排序,失效电池的排序名次位于预设范围内。例如按照第一任务的预测结果,即发生特定故障的概率进行排序,失效电池的排序名次应当位于前10%以内。
对于训练完成的多任务学习模型,可以将其用于执行电池故障预测方法200,主要包括:
步骤S210:获取目标电池的预测特征集。目标电池可以是正在服役的电池,例如装载在车辆中的电池或电池单体。预测特征集与训练特征集具有相同的特征组合。
步骤S220:将预测特征集输入经训练的多任务学习模型,多任务学习模型为前述经训练的多任务学习模型,即按训练方法100训练得到的模型。
步骤S230:输出第一任务的预测结果和第二任务的预测结果。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,其均应涵盖在本申请的权利要求和说明书的范围当中。尤其是,只要不存在结构冲突,各个实施例中所提到的各项技术特征均可以任意方式组合起来。本申请并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (16)
1.一种多任务学习模型的训练方法,所述多任务学习模型用于电池故障预测,其特征在于,包括:
获取多个样本电池的样本特征集;所述多个样本电池包括发生特定故障的失效电池,所述样本特征集为与第一任务和第二任务关联的目标特征组合,所述目标特征组合包括根据所述第一任务和所述第二任务从所述多个样本电池的运行数据中确定的至少一个基础特征,以及按照递归特征组合方式从所述运行数据中未被确定为基础特征的非基础特征中确定的至少一个优化特征;
将所述样本特征集输入预构建的多任务学习模型,并对所述预构建的多任务学习模型进行训练,得到经训练的多任务学习模型;
其中,所述多任务学习模型包括共享层和任务层,所述任务层至少包括与所述第一任务对应的第一子网络和与所述第二任务对应的第二子网络;所述共享层用于根据所述样本特征集确定共享特征参数,所述第一子网络用于根据至少部分所述共享特征参数确定所述第一任务的预测结果,所述第二子网络用于根据至少部分所述共享特征参数确定所述第二任务的预测结果;所述第一任务为预测电池是否会发生特定故障,所述第二任务为预测电池发生特定故障的时间。
2.根据权利要求1所述的训练方法,其特征在于,所述获取多个样本电池的样本特征集包括:
获取所述多个样本电池的运行数据;
基于轻量级梯度提升机器算法确定所述运行数据中每个特征的重要性分数;
基于多项式核函数对所述特征的重要性分数进行拟合,并计算拟合曲线的二阶导数,以二阶导数的最小值点作为拐点,将所述拐点前的特征确定为所述基础特征。
3.根据权利要求2所述的训练方法,其特征在于,所述获取多个样本电池的样本特征集还包括:
将所述非基础特征逐个添加到所述基础特征的组合中,得到新的特征组合;
利用所述新的特征组合重新训练所述多任务学***均绝对误差中的一项或多项;
基于更新前后的模型评价指标将新添加的所述非基础特征确定为所述优化特征。
4.根据权利要求2所述的训练方法,其特征在于,所述获取多个样本电池的样本特征集还包括:
将所述非基础特征逐个添加到所述基础特征的组合中,得到新的特征组合;
利用所述新的特征组合重新训练所述多任务学习模型,并基于所述多任务学习模型的预测结果进行故障排序,
响应于所述故障排序中失效电池的排序名次位于预设名次范围内,将新添加的所述非基础特征确定为所述优化特征,其中所述故障排序为根据所述样本电池对应的预测结果的大小进行排序。
5.根据权利要求1-4中任一项所述的训练方法,其特征在于,所述获取多个样本电池的样本特征集还包括:
获取多个样本电池的运行数据,所述多个样本电池包括发生特定故障的失效电池和未发生特定故障的非失效电池;
响应于所述失效电池的样本数量与所述非失效电池的样本数量的比值小于或等于预设阈值,对所述失效电池的运行数据进行过采样,以合成新的失效电池的运行数据。
6.根据权利要求1-4中任一项所述的训练方法,其特征在于,所述获取多个样本电池的样本特征集还包括:
将所述样本特征集划分为训练集和预测集;其中,所述训练集中失效电池发生特定故障的时间早于所述预测集中的失效电池发生特定故障的时间;
并且其中,所述将所述样本特征集输入预构建的多任务学习模型,并对所述预构建的多任务学习模型进行训练,得到经训练的多任务学习模型包括:
将训练集输入预构建的多任务学习模型,计算所述预构建的多任务学习模型的目标函数,并基于最小化所述目标函数对所述预构建的多任务学习模型的模型参数进行调整,得到调整后的多任务学习模型;
将所述预测集输入所述调整后的多任务学习模型,得到所述第一任务的预测结果和所述第二任务的预测结果,并根据所述预测结果确定所述调整后的多任务学习模型的模型评价指标,基于所述模型评价指标对所述调整后的多任务学习模型的模型参数进行调整,得到经训练的多任务学习模型。
7.根据权利要求6所述的训练方法,其特征在于,所述目标函数包括基于与所述第一任务对应的分类损失函数和第一权重系数确定的第一目标损失项、基于与所述第二任务对应的回归损失函数和第二权重系数得到的第二目标损失项,以及基于所述第一权重系数和所述第二权重系数确定的模型正则项。
8.根据权利要求7所述的训练方法,其特征在于,所述模型评价指标包括与所述第一任务对应的分类任务评价指标,以及与所述第二任务对应的回归任务评价指标。
9.根据权利要求8所述的训练方法,其特征在于,所述模型评价指标为所述分类任务评价指标与第一参数的乘积、和所述回归任务评价指标与第二参数的乘积之和;
其中,所述分类任务评价指标包括召回率,且所述召回率指示被多任务学习模型正确识别出的失效电池的数量占所述预测集中失效电池数量的90%及以上;并且所述第一参数大于或等于所述第二参数。
10.根据权利要求6所述的训练方法,其特征在于,所述将所述样本特征集输入预构建的多任务学习模型,并对所述预构建的多任务学习模型进行训练,得到经训练的多任务学习模型还包括:
将所述预测集输入所述调整后的多任务学习模型,得到所述第一任务的预测结果和/或所述第二任务的预测结果;
响应于所述预测结果不满足预设应用条件,对所述调整后的多任务学习模型的模型参数和/或所述样本特征集中的特征类型进行调整;其中,所述预设应用条件为按照所述样本特征集中每个样本电池对应所述预测结果进行排序,所述失效电池的排序名次位于预设范围内。
11.一种基于多任务学习模型的电池故障预测方法,其特征在于,包括:
获取目标电池的预测特征集; 所述预测特征集与训练多任务学习模型的样本特征集具有相同的特征组合;
将所述预测特征集输入经训练的多任务学习模型,所述经训练的多任务学习模型为采用权利要求1-10中任一项所述的训练方法训练得到的多任务学习模型;
输出所述第一任务的预测结果和所述第二任务的预测结果。
12.一种多任务学习模型的训练装置,其特征在于,包括:
第一获取单元,被配置用于获取多个样本电池的样本特征集;所述多个样本电池包括发生特定故障的失效电池,所述样本特征集为与第一任务和第二任务关联的目标特征组合,所述目标特征组合包括根据所述第一任务和所述第二任务从所述多个样本电池的运行数据中确定的至少一个基础特征,以及按照递归特征组合方式从所述运行数据中未被确定为基础特征的非基础特征中确定的至少一个优化特征;
训练单元,被配置用于将所述样本特征集输入预构建的多任务学习模型,并对所述多任务学习模型进行训练,得到经训练的多任务学习模型;其中,所述多任务学习模型包括共享层和任务层,所述任务层至少包括与第一任务对应的第一子网络和与第二任务对应的第二子网络;所述共享层用于根据所述样本特征集确定共享特征参数,所述第一子网络用于根据至少部分所述共享特征参数确定所述第一任务的预测结果,所述第二子网络用于根据至少部分所述共享特征参数确定所述第二任务的预测结果;所述第一任务为预测电池是否会发生特定故障,所述第二任务为预测电池发生特定故障的时间。
13.一种电池故障预测装置,其特征在于,包括:
第二获取单元,被配置用于获取目标电池的预测特征集;所述预测特征集与用于训练多任务学习模型的样本特征集具有相同的特征组合;
确定单元,被配置用于将所述预测特征集输入经训练的多任务学习模型,得到所述第一任务的预测结果和所述第二任务的预测结果;其中,所述经训练的多任务学习模型为采用权利要求1-10中任一项所述的训练方法训练得到的多任务学习模型;
输出单元,被配置用于输出所述第一任务的预测结果和所述第二任务的预测结果。
14.一种计算设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的至少一个存储器,所述至少一个存储器存储有指令,所述指令当被所述至少一个处理器单独或共同执行时,使所述计算设备执行权利要求1至11中任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,存储有指令,所述指令当被计算设备的一个或多个处理器单独或共同执行时,使所述计算设备执行权利要求1至11中任一项所述的方法。
16.一种计算机程序产品,其特征在于,包括指令,所述指令当被计算设备的一个或多个处理器单独或共同执行时,使所述计算设备执行权利要求1至11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410499545.5A CN118070023A (zh) | 2024-04-24 | 2024-04-24 | 电池故障预测方法、训练方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410499545.5A CN118070023A (zh) | 2024-04-24 | 2024-04-24 | 电池故障预测方法、训练方法、装置、设备、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118070023A true CN118070023A (zh) | 2024-05-24 |
Family
ID=91102414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410499545.5A Pending CN118070023A (zh) | 2024-04-24 | 2024-04-24 | 电池故障预测方法、训练方法、装置、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118070023A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022143903A1 (zh) * | 2020-12-31 | 2022-07-07 | 奥动新能源汽车科技有限公司 | 车用电池的安全评估方法、***、设备及可读存储介质 |
CN115980585A (zh) * | 2022-11-16 | 2023-04-18 | 上海朱光亚战略科技研究院 | 电池故障的检测方法、装置、计算机设备和存储介质 |
EP4207432A2 (en) * | 2021-12-30 | 2023-07-05 | Chongqing Changan New Energy Vehicles Technology Co., Ltd | Method and system for predicting thermal runaway of battery based on machine learning |
CN116819328A (zh) * | 2023-02-16 | 2023-09-29 | 中国计量大学 | 一种电动汽车动力电池故障诊断方法、***、设备及介质 |
WO2023226355A1 (zh) * | 2022-05-27 | 2023-11-30 | 深圳先进技术研究院 | 基于多源感知的双向锂离子电池故障检测方法及*** |
CN117150276A (zh) * | 2023-11-01 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 机器学习模型构建方法、车辆行驶风险预测方法以及装置 |
CN117874511A (zh) * | 2023-12-12 | 2024-04-12 | 合众新能源汽车股份有限公司 | 深度学习模型训练方法、电池故障检测方法、装置及设备 |
-
2024
- 2024-04-24 CN CN202410499545.5A patent/CN118070023A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022143903A1 (zh) * | 2020-12-31 | 2022-07-07 | 奥动新能源汽车科技有限公司 | 车用电池的安全评估方法、***、设备及可读存储介质 |
EP4207432A2 (en) * | 2021-12-30 | 2023-07-05 | Chongqing Changan New Energy Vehicles Technology Co., Ltd | Method and system for predicting thermal runaway of battery based on machine learning |
WO2023226355A1 (zh) * | 2022-05-27 | 2023-11-30 | 深圳先进技术研究院 | 基于多源感知的双向锂离子电池故障检测方法及*** |
CN115980585A (zh) * | 2022-11-16 | 2023-04-18 | 上海朱光亚战略科技研究院 | 电池故障的检测方法、装置、计算机设备和存储介质 |
CN116819328A (zh) * | 2023-02-16 | 2023-09-29 | 中国计量大学 | 一种电动汽车动力电池故障诊断方法、***、设备及介质 |
CN117150276A (zh) * | 2023-11-01 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 机器学习模型构建方法、车辆行驶风险预测方法以及装置 |
CN117874511A (zh) * | 2023-12-12 | 2024-04-12 | 合众新能源汽车股份有限公司 | 深度学习模型训练方法、电池故障检测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及*** | |
CN111856287A (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
US20230118702A1 (en) | Method, device and computer readable storage medium for estimating SOC of lithium battery | |
Razavi-Far et al. | Data-driven prognostic techniques for estimation of the remaining useful life of lithium-ion batteries | |
CN115366683B (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和*** | |
CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
CN113608140A (zh) | 一种电池故障诊断方法及*** | |
CN116087787A (zh) | 一种基于主成分分析法的电池故障判断方法和*** | |
CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、***、设备及介质 | |
Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
Li et al. | An optimal stacking ensemble for remaining useful life estimation of systems under multi-operating conditions | |
CN117031310A (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
Li et al. | A Novel Method for Lithium‐Ion Battery Fault Diagnosis of Electric Vehicle Based on Real‐Time Voltage | |
CN117150276B (zh) | 机器学习模型构建方法、车辆行驶风险预测方法以及装置 | |
CN114693096A (zh) | 一种基于场景匹配的动力电池梯级利用决策方法及*** | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN118070023A (zh) | 电池故障预测方法、训练方法、装置、设备、介质及产品 | |
CN117310500A (zh) | 电池状态分类模型构建方法及电池状态分类方法 | |
Li et al. | Degradation Pattern Recognition and Features Extrapolation for Battery Capacity Trajectory Prediction | |
Fei et al. | Deep learning powered rapid lifetime classification of lithium-ion batteries | |
Zraibi et al. | Comparing single and hybrid methods of deep learning for remaining useful life prediction of lithium-ion batteries | |
Li et al. | Hybrid data-driven approach for predicting the remaining useful life of lithium-ion batteries | |
Liu et al. | A denoising svr-mlp method for remaining useful life prediction of lithium-ion battery | |
CN117150275B (zh) | 机器学习模型构建方法、电池健康度预测方法以及装置 |
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 |