CN110414604A - 感知对抗生成网络驱动的锂电池故障数据生成方法 - Google Patents
感知对抗生成网络驱动的锂电池故障数据生成方法 Download PDFInfo
- Publication number
- CN110414604A CN110414604A CN201910695455.2A CN201910695455A CN110414604A CN 110414604 A CN110414604 A CN 110414604A CN 201910695455 A CN201910695455 A CN 201910695455A CN 110414604 A CN110414604 A CN 110414604A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- network
- fault data
- perception
- confrontation
- 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
Classifications
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及感知对抗生成网络驱动的锂电池故障数据生成方法,属于电池技术领域。在本发明中以外部电气参数表示的实测标注故障小样本数据为对象,考虑随机变量注入小样本故障数据的感知残差效应。以感知生成网络为对象,构建适应故障小样本数据分布的深度神经网络结构,及其感知损失函数设计策略。以对抗鉴别网络为对象,构建反映真实故障数据分布的网络结构,及其对抗损失函数构建范式,理解故障数据生成模型中真实分布与感知分布的误差传播关系及其可能的博弈模式,生成与真实故障锂电池分布接近的数据。该方法解决了目前有效可用的动力锂电池故障数据稀缺问题,提高了神经网络的训练效果,提高锂电池故障诊断模型的泛化能力弱与表达能力。
Description
技术领域
本发明属于电池技术领域,涉及感知对抗生成网络驱动的锂电池故障数据生成方法。
背景技术
在现实环境中,从电动汽车电池管理系统得到的动力锂电池状态数据大多数属于正常工况下的数据,仅有少量的故障前兆数据,有效可用的动力锂电池故障状态数据并不充足,这将严重影响深度神经网络的训练,致使获得的锂电池故障诊断模型因泛化能力弱与表达能力不足而无法实际应用。所以本发明采用对抗神经网络驱动生成锂电池故障数据解决目前存在的问题,在本发明中利用对抗神经网络,通过实测标注的锂电池故障小样本数据,生成与真实故障数据同分布的候选锂电池工况数据,解决了在锂电池故障环境下,候选锂电池故障数据稀缺的问题。目前存在的方法,生成故障数据的质量较低,生成数据的分布与实际故障数据的分布差异较大。本发明采用一种基于感知对抗生成神经网络驱动的动力锂电池故障数据生成方法,研究反映真实故障数据分布的网络结构,及其对抗损失函数构建范式,构建对抗生成网络,使生成的动力锂电池候选数据分布趋近于真实锂电池故障数据。本发明成功解决锂电池真实故障数据不足的问题,提高了锂电池故障诊断模型的泛化能力和表达能力,同时增强了锂电池故障诊断模型的实用性。
发明内容
有鉴于此,本发明的目的在于提供一种感知对抗生成网络驱动的锂电池故障数据生成方法。针对动力锂电池故障诊断建模过程中的高价值故障数据稀缺难题,研究感知对抗生成神经网络驱动的动力锂电池故障数据生成机制。以电流、电压、温度等外部电气参数表示的实测标注故障小样本数据为对象,研究随机变量注入小样本故障数据的感知残差效应;以感知生成网络为对象,研究适应故障小样本数据分布的深度神经网络结构,及其感知损失函数设计策略;以对抗鉴别网络为对象,研究反映真实故障数据分布的网络结构,及其对抗损失函数构建范式,理解故障数据生成模型中真实分布与感知分布的误差传播关系及其可能的博弈模式。
为达到上述目的,本发明提供如下技术方案:
感知对抗生成网络驱动的锂电池故障数据生成方法,该方法包括以下步骤:
S1:提取锂电池故障数据,建立真实锂电池故障数据集;
S2:采用最大最小博弈策略设计感知生成与鉴别对抗损失函数;
S3:引入超参数,得到感知网络和判别网络的损失函数;
S4:通过训练对抗生成网络,得到候选锂电池故障数据。
进一步,所述步骤S2具体为:
S21:定义感知对抗网络的生成对抗损失来惩罚生成候选锂电池故障数据和标注的真实锂电池故障数据分布之间的差异;
S22:通过生成对抗损失来惩罚生成的候选锂电池故障数据和标注的真实锂电池故障数据分布之间的差异;
该生成对抗损失定义为:
进一步,所述步骤S3具体为:
S31:引入超参数θ,用于平衡感知生成损失和对抗鉴别损失的影响;
S32:当时,D的参数θ用来限制最小的与最大的是一致的;
S33:当时,m为正余量,的第二项具有零梯度;
S34:判别网络D将锂电池故障数据感知网络T(x)与已标注真实锂电池故障数据y从静态和动态感知区分开;
a)锂电池故障数据感知网络T的感知生成损失定义为:
其中,表示第j个隐藏层D测量的差异,定义为:
此处,dj(·)为判别网络D的第j个隐藏层上的数据表示;
b)在给定正余量m后,判别网络D的隐藏层的损失定义为:
这里,[·]+=max(0,·),表示平衡F不同隐藏层影响的超参数;
基于感知生成损失和对抗鉴别损失,感知网络损失函数与判别网络损失函数分别为:
其中θ是超参数,用于平衡感知生成损失和对抗鉴别损失的影响;当时,D的参数θ用来限制最小的与最大的是一致的;否则,当时,m为正余量,的第二项将具有零梯度;判别网络D旨在将锂电池故障数据感知网络T(x)与已标注真实锂电池故障数据y从静态,即的第一项和动态感知,即的第二项区分开。
进一步,所述步骤S4具体为:
S41:通过训练对抗生成网络,判别网络判断生成数据与真实锂电池故障数据的差异,使网络输出的锂电池数据和真实数据之间的差异不断减少;
S42:对抗生成网络训练好后,通过生成网络生成候选锂电池故障数据。
本发明的有益效果在于:在进行锂电池故障数据的生成时,本发明根据有限的已标注锂电池故障真实数据,引入随机变量的残差约束,利用最大最小博弈的策略构造感知生成与鉴别对抗损失函数,并构建适应实测锂电池故障数据分布的感知对抗生成网络拓扑结构。利用定义的感知对抗网络的生成对抗损失,来惩罚生成的预候选锂电池故障数据和标注的真实锂电池故障数据分布之间的差异。判别网络在损失函数约束下,辨别生成的预候选锂电池故障数据是否成为满足需要的候选锂电池故障数据.。使生成的预候选锂电池故障数据与标注的真实锂电池故障数据分布越来越接近,最终生成与真实故障数据分布相同的候选锂电池工况数据。本发明通过利用以上的方法,成功地解决了动力锂电池故障数据稀缺的问题,从而提高了锂电池故障诊断模型的泛化能力和表达能力。
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为用于生成候选锂电池故障数据的感知对抗网络整体结构流程框图;
图2为对抗生成网络结构图。
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。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”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发明和简化描述,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,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,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的具体含义。
如图1和图2所示,本发明各部分具体实施细节如下:
1、通过提取到的锂电池故障数据,建立真实锂电池故障数据集。
2、采用最大最小博弈策略设计感知生成与鉴别对抗损失函数。该过程包括以下2个步骤:
(1)定义感知对抗网络的生成对抗损失来惩罚生成候选锂电池故障数据和标注的真实锂电池故障数据分布之间的差异;
(2)通过生成对抗损失来惩罚生成的候选锂电池故障数据和标注的真实锂电池故障数据分布之间的差异;
3、得到感知网络和判别网络的损失函数。该过程包含以下4个步骤:
(1)引入超参数θ,用于平衡感知生成损失和对抗鉴别损失的影响;
(2)当时,D的参数θ用来限制最小的与最大的是一致的;
(3)当时,因为m为正余量,的第二项将具有零梯度;
(4)判别网络D将锂电池故障数据感知网络T(x)与已标注真实锂电池故障数据y从静态和动态感知区分开。
4、通过训练对抗生成网络,生成的候选锂电池故障数据。该过程包含以下2个步骤:
(1)通过训练对抗生成网络,判别网络判断生成数据与真实锂电池故障数据的差异,使网络输出的锂电池数据和真实数据之间的差异不断减少;
(2)对抗生成网络训练好后,通过生成网络生成候选锂电池故障数据。
具体包括以下步骤:
1)采用最大最小博弈策略设计感知生成与鉴别对抗损失函数。通过定义感知对抗网络的生成对抗损失来惩罚生成的预候选锂电池故障数据和标注的真实锂电池故障数据分布之间的差异。该生成对抗损失定义为:
2)定义感知网络的感知生成损失和判别网络隐藏层的损失。
a)锂电池故障数据感知网络T的感知生成损失定义为:
其中,表示第j个隐藏层D测量的差异,它定义为:
此处,dj(·)为判别网络D的第j个隐藏层上的数据表示。
b)在给定正余量m后,判别网络D的隐藏层的损失可定义为:
这里,[·]+=max(0,·),表示平衡F不同隐藏层影响的超参数。
3)得到感知网络损失函数与判别网络损失函数。基于上述感知生成损失和对抗鉴别损失,感知网络损失函数与判别网络损失函数分别为:
其中θ是超参数,用于平衡感知生成损失和对抗鉴别损失的影响。当时,D的参数θ用来限制最小的与最大的是一致的。否则,当时,因为m为正余量,的第二项将具有零梯度。判别网络D旨在将锂电池故障数据感知网络T(x)与已标注真实锂电池故障数据y从静态(的第一项)和动态感知(的第二项)区分开。
4)通过训练锂电池故障数据感知网络T减少输出和真实数据之间的差异,以复合期望的候选锂电池故障数据。
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 (4)
1.感知对抗生成网络驱动的锂电池故障数据生成方法,其特征在于:该方法包括以下步骤:
S1:提取锂电池故障数据,建立真实锂电池故障数据集;
S2:采用最大最小博弈策略设计感知生成与鉴别对抗损失函数;
S3:引入超参数,得到感知网络和判别网络的损失函数;
S4:通过训练对抗生成网络,得到候选锂电池故障数据。
2.根据权利要求1所述的感知对抗生成网络驱动的锂电池故障数据生成方法,其特征在于:所述步骤S2具体为:
S21:定义感知对抗网络的生成对抗损失来惩罚生成候选锂电池故障数据和标注的真实锂电池故障数据分布之间的差异;
S22:通过生成对抗损失来惩罚生成的候选锂电池故障数据和标注的真实锂电池故障数据分布之间的差异;
该生成对抗损失定义为:
3.根据权利要求1所述的感知对抗生成网络驱动的锂电池故障数据生成方法,其特征在于:所述步骤S3具体为:
S31:引入超参数θ,用于平衡感知生成损失和对抗鉴别损失的影响;
S32:当时,D的参数θ用来限制最小的与最大的是一致的;
S33:当时,m为正余量,的第二项具有零梯度;
S34:判别网络D将锂电池故障数据感知网络T(x)与已标注真实锂电池故障数据y从静态和动态感知区分开;
a)锂电池故障数据感知网络T的感知生成损失定义为:
其中,表示第j个隐藏层D测量的差异,定义为:
此处,dj(·)为判别网络D的第j个隐藏层上的数据表示;
b)在给定正余量m后,判别网络D的隐藏层的损失定义为:
这里,表示平衡F不同隐藏层影响的超参数;
基于感知生成损失和对抗鉴别损失,感知网络损失函数与判别网络损失函数分别为:
其中θ是超参数,用于平衡感知生成损失和对抗鉴别损失的影响;当时,D的参数θ用来限制最小的与最大的是一致的;否则,当时,m为正余量,的第二项将具有零梯度;判别网络D旨在将锂电池故障数据感知网络T(x)与已标注真实锂电池故障数据y从静态,即的第一项和动态感知,即的第二项区分开。
4.根据权利要求1所述的感知对抗生成网络驱动的锂电池故障数据生成方法,其特征在于:所述步骤S4具体为:
S41:通过训练对抗生成网络,判别网络判断生成数据与真实锂电池故障数据的差异,使网络输出的锂电池数据和真实数据之间的差异不断减少;
S42:对抗生成网络训练好后,通过生成网络生成候选锂电池故障数据。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910695455.2A CN110414604A (zh) | 2019-07-30 | 2019-07-30 | 感知对抗生成网络驱动的锂电池故障数据生成方法 |
PCT/CN2020/070964 WO2021017416A1 (zh) | 2019-07-30 | 2020-01-08 | 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910695455.2A CN110414604A (zh) | 2019-07-30 | 2019-07-30 | 感知对抗生成网络驱动的锂电池故障数据生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414604A true CN110414604A (zh) | 2019-11-05 |
Family
ID=68364077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910695455.2A Pending CN110414604A (zh) | 2019-07-30 | 2019-07-30 | 感知对抗生成网络驱动的锂电池故障数据生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414604A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021017416A1 (zh) * | 2019-07-30 | 2021-02-04 | 重庆邮电大学 | 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 |
US11550682B2 (en) | 2020-10-20 | 2023-01-10 | International Business Machines Corporation | Synthetic system fault generation |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1629867A (zh) * | 2003-12-19 | 2005-06-22 | 株式会社东芝 | 维护支持方法与维护支持设备 |
CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
-
2019
- 2019-07-30 CN CN201910695455.2A patent/CN110414604A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1629867A (zh) * | 2003-12-19 | 2005-06-22 | 株式会社东芝 | 维护支持方法与维护支持设备 |
CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
Non-Patent Citations (1)
Title |
---|
CHAOYUE WANG等: "Perceptual Adversarial Networks for", 《HTTPS://ARXIV.ORG/ABS/1706.09138》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021017416A1 (zh) * | 2019-07-30 | 2021-02-04 | 重庆邮电大学 | 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 |
US11550682B2 (en) | 2020-10-20 | 2023-01-10 | International Business Machines Corporation | Synthetic system fault generation |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106649550B (zh) | 一种基于代价敏感学习的联合知识嵌入方法 | |
CN108182489A (zh) | 一种基于在线学习行为分析的个性化学习推荐方法 | |
Hartati et al. | Electre methods in solving group decision support system bioinformatics on gene mutation detection simulation | |
CN109598279A (zh) | 基于自编码对抗生成网络的零样本学习方法 | |
CN110414604A (zh) | 感知对抗生成网络驱动的锂电池故障数据生成方法 | |
Yang et al. | Combining users’ cognition noise with interactive genetic algorithms and trapezoidal fuzzy numbers for product color design | |
CN108961888A (zh) | 一种个性化重构知识体系学习系统及方法 | |
Peng | Research on online learning behavior analysis model in big data environment | |
Shou et al. | On learning path planning algorithm based on collaborative analysis of learning behavior | |
Chen et al. | BIM-aided large-scale group decision support: Optimization of the retrofit strategy for existing buildings | |
CN114861069A (zh) | 一种基于知识图谱的网络学习资源分析及个性化推荐方法 | |
Fan | Research on deep learning energy consumption prediction based on generating confrontation network | |
Balasankar et al. | Empirical statistical analysis and cluster studies on socio-economic status (SES) dataset | |
CN107122919A (zh) | 一种基于智能运营的配网效能评估方法及系统 | |
CN107506359A (zh) | 试题高阶属性挖掘方法及系统 | |
CN106599541B (zh) | 一种动态电力负荷模型的结构和参数在线辨识方法 | |
CN109376236B (zh) | 一种基于聚类分析的学术论文作者权重分析方法 | |
Büchs | Methodological and conceptual issues in researching the Open Method of Co-ordination | |
CN106327404A (zh) | 一种灾害综合评估中多源数据冲突检测与消解方法 | |
Yang et al. | Vague linguistic matrix game approach for multi-criteria decision making with uncertain weights | |
CN109299849A (zh) | 一种社会网络中群体需求层次计算方法 | |
Jiao et al. | [Retracted] Football Teaching Quality Evaluation and Promotion Strategy Based on Intelligent Algorithms in Higher Vocational Colleges | |
Goldstein et al. | Developing a measure of quality for engineering design artifacts | |
CN111667195A (zh) | 基于房产大数据的城乡住房空间质量评估方法 | |
Vennila et al. | Multi-level group key management technique for multicast security in Manet |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |