CN111340975A - 异常数据特征提取方法、装置、设备及存储介质 - Google Patents

异常数据特征提取方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111340975A
CN111340975A CN202010104447.9A CN202010104447A CN111340975A CN 111340975 A CN111340975 A CN 111340975A CN 202010104447 A CN202010104447 A CN 202010104447A CN 111340975 A CN111340975 A CN 111340975A
Authority
CN
China
Prior art keywords
data
vehicle battery
layer
abnormal data
neural network
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
Application number
CN202010104447.9A
Other languages
English (en)
Inventor
李鹏飞
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.)
Neusoft Reach Automotive Technology Shenyang Co Ltd
Original Assignee
Neusoft Reach Automotive Technology Shenyang Co Ltd
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 Neusoft Reach Automotive Technology Shenyang Co Ltd filed Critical Neusoft Reach Automotive Technology Shenyang Co Ltd
Priority to CN202010104447.9A priority Critical patent/CN111340975A/zh
Publication of CN111340975A publication Critical patent/CN111340975A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Abstract

本发明实施例公开了一种异常数据特征提取方法、装置、设备及存储介质，所述方法包括：获取车辆电池数据；根据所述车辆电池数据时序性与高维度性的特点构建神经网络模型；根据所述神经网络模型提取所述车辆电池数据的特征向量。采用本申请提供的技术方案，根据车辆电池数据的特点构建了神经网络模型，采用所述模型结构可以从大量的车辆电池数据中自动提取数据的特征向量，不再需要人为制定大量详细的规则，降低了工作量，根据模型自动提取的特征向量确定的异常数据也更加准确。

Description

异常数据特征提取方法、装置、设备及存储介质
技术领域
本发明涉及大数据处理领域，尤其是涉及一种异常数据特征提取方法、装置、设备及存储介质。
背景技术
在国家的高度重视和大力支持下，我国的新能源汽车产业发展已经从培育期进入增长期，中国汽车工业协会发布最新产销数据显示，截至9月份，新能源汽车产销分别完成88.8万辆和87.2万辆，比上年同期分别增长20.9％和20.8％。
我国的新能源汽车巨大的产销也带来了许多安全问题，截至2019年8月18日，新能源汽车国家大数据联盟发布《新能源汽车国家监管平台大数据安全监管成果报告》显示，自今年5月起，新能源汽车国家监管平台共发现79起安全事故，涉及车辆96辆，几乎平均每1.5天就有一起烧车事故发生。专家称，电池失控是近期新能源汽车起火事故的主因。面对愈演愈烈的安全问题，如何预防新能源汽车由于电池异常发生火灾成为重中之重。
现有技术中经常采用异常树方法识别电池数据中的异常数据，即利用人工积累的知识生成规则，从而筛选出异常数据，工作量大，准确性低，而且通过人工制定的规则只能筛选出人们根据知识已知的异常数据，无法发现未知的异常数据。
发明内容
针对上述问题，本申请提出了一种异常数据特征提取方法、装置、设备及存储介质，用于自动提取电池数据中的特征向量，自动提取的特征向量更加符合数据的特点，能发现人们未知的异常数据。
在本申请第一方面提供了一种异常数据特征提取方法，所述方法包括：
获取车辆电池数据；
根据所述车辆电池数据时序性与高维度性的特点构建神经网络模型；
根据所述神经网络模型提取所述车辆电池数据的特征向量。
可选的，所述根据所述车辆电池数据时序性与高维度性的特点构建神经网络模型，包括：
根据所述车辆电池数据时序性特点选择长短期记忆算法，根据所述车辆电池数据高纬度性特点选择自编码算法，将两种算法融合构建适合所述车辆电池数据特点的神经网络模型；
其中，所述融合后的神经网络模型为：第一层是输入层；第二层是算法编码器层，采用长短期记忆算法构建自编码算法中的编码器；第三层是隐变量层，作为特征向量层；第四层是嵌入层，采用所述自编码算法将所述第一层的数据与所述第三层的特征向量叠加在一起；第五层算法解码器层采用所述长短期记忆算法构建所述自编码算法中的解码器，第六层是输出层。
可选的，所述方法还包括：
根据所述特征向量，通过聚类方式，在所述车辆电池数据中获得异常数据。
可选的，所述方法还包括：
采用专家鉴定方法判断所述异常数据与异常数据所处的工况是否对应，若是，将所述异常数据与所述异常数据所处的工况进行关联。
可选的，所述方法还包括：
采用交叉验证方法评估所述神经网络模型。
在本申请第二方面提供了一种异常数据特征提取装置，所述装置包括：
获取单元、建模单元与提取单元；
所述获取单元，用于获取车辆电池数据；
所述建模单元，用于根据所述车辆电池数据时序性与高维度性的特点构建神经网络模型；
所述提取单元，用于根据所述神经网络模型提取所述车辆电池数据的特征向量。
可选的，所述装置还包括：
工况关联单元，用于采用专家鉴定方法判断所述异常数据与异常数据所处的工况是否对应，若是，将所述异常数据与所述异常数据所处的工况进行关联。
可选的，所述装置还包括：
交叉验证单元，用于采用交叉验证方法评估所述神经网络模型。
在本申请第三方面提供了一种异常数据特征提取设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述异常数据特征提取方法。
在本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述异常数据特征提取方法。
相对于现有技术，本申请上述技术方案的优点在于：
在本申请提供的技术方法中，首先获取车辆电池数据，然后根据所述车辆电池数据时序性与高维度性的特点构建神经网络模型，最后根据所述神经网络模型提取所述车辆电池数据的特征向量。在本申请实施例提供的异常数据特征提取方法中，由于根据车辆电池数据时序性与高维度性的特点构建了神经网络模型，通过所述神经网络模型可以自动从电池数据中提取数据的特征向量，不再需要人积累大量的经验，从经验中制定规则或者从经验中设定特征向量。同时，使用根据模型自动提取的特征向量确定的异常数据，未采用人工制定的规则，排除了人的主观因素，且特征向量是根据车辆电池数据通过建立的神经网络模型学习得到的，也就意味着根据所述模型结构可以在数据中发现人们未知的异常数据。
进一步，采用通过构建的神经网络提取的特征向量进行预测，不再需要人为制定大量详细的规则进行筛选异常数据，降低了工作量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本申请提供的一种异常数据特征提取方法的流程图；
图2为本申请提供的一种六层神经网络模型的示意图；
图3为本申请提供的又一种异常数据特征提取方法的流程图；
图4为本申请提供的一种异常数据特征提取装置结构的示意图；
图5为本申请提供的一种异常数据特征提取设备结构的示意图；
图6为本申请提供的又一种异常数据特征提取设备结构的示意图；
图7为本申请提供的一种计算机可读存储介质的示意图。
具体实施方式
申请人经过研究发现，采用异常树方法识别电池数据中的异常时，经常会出现误判、漏判等情况，准确性较低，且通过人工制定规则，因为考虑的因素较多，需要制定大量详细的规则，耗费时间较长，工作量较大。在出现误判、漏判等情况后还需要人工进行纠正，增加了大量额外的工作量。更为重要的是，通过人工制定的规则只能筛选出人们根据知识判断出的异常数据，即，人们已经发现的异常数据，而人们还未发现的未知异常数据却无法预测出来。例如，一般情况下，探针温度曲线表现为聚合，只有在异常时才会表现为放射。但是这条规则在冬天的时候经常会出现误判，通过实验申请人发现，如果给电池充电，电池会先进行加热，探针温度曲线会表现为放射，但此时探针是正常状态。由此可知，在不同工况下，电池数据异常的体现形式各不相同，人工制定的规则会导致在对大量电池数据进行分析时，只能对人工已分析出的异常进行识别(上述温度曲线一般情况下)，而无法分析出人工未发现的异常(上述温度曲线的特例情况)，所以电池还会存在安全隐患。
基于此，申请人提出了一种异常数据自动检测的方法及装置，所述方法包括：获取车辆电池数据；根据所述车辆电池数据时序性与高维度性的特点构建神经网络模型；根据所述神经网络模型提取所述车辆电池数据的特征向量。采用本申请提供的技术方案，由于根据车辆电池数据时序性与高维度性的特点构建了神经网络模型，通过所述神经网络模型可以自动从电池数据中提取数据的特征向量，不再需要人积累大量的经验，从经验中制定规则或者从经验中设定特征向量。同时，使用根据模型自动提取的特征向量确定的异常数据，未采用人工制定的规则，排除了人的主观因素，且特征向量是根据车辆电池数据通过建立的神经网络模型学习得到的，也就意味着根据所述模型结构可以在数据中发现人们未知的异常数据。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本申请提供的一种异常数据特征提取方法的流程图，该方法可以包括以下步骤101-103。
步骤101：获取车辆电池数据。
本申请实施例不限定电池数据的具体内容，例如，电池数据包括：电池温度数据、电流数据、剩余电量、充电温度、充电的地理环境、和电池健康度中的至少一个。其中，充电温度用于记录在本次充电过程中电池的环境温度。充电的地理环境用于记录在本申请充电过程中目标车辆所处的地理位置(例如，经纬度等)。
本申请实施例不限定车辆电池数据的获取方式，例如可以是接收传感器发送的目标车辆的当前电池数据。
在本申请实施例中，在传感器采集到车辆电池数据之后，可以由传感器将采集到车辆电池数据发送给本申请实施例构建模型结构的执行设备，以便该执行设备能够根据所述车辆电池数据构建模型结构。
需要说明的是，不同的车辆电池数据可以采用不同的传感器进行采集，也可以采用相同的传感器进行采集，本申请实施例对传感器采集数据不做具体限定。例如，电池剩余电量可以由能够检测电池剩余电量的传感器进行采集。充电温度可以由能够检测电池环境温度的传感器进行采集，例如，温度传感器。充电的地理环境可以由能够对目标车辆进行定位的传感器进行采集。电池健康度可以由能够检测电池健康状态的传感器进行采集。
还需要说明的是，在本申请实施例中，不限定传感器与本申请实施例构建模型结构的执行设备之间的通信方式。例如，传感器与本申请实施例构建模型结构的执行设备之间的通信方式可以为有线通信、无线通信、控制器局域网络总线通信。
步骤102：根据所述车辆电池数据时序性与高维度性的特点构建神经网络模型。
模型结构与数据息息相关，例如人脸检测和人体检测虽然都是检测识别，但其设计思路大相径庭，是因为人体数据与人脸数据有着本质的区别。如果直接将现有技术中的模型结构应用于本申请实施例中车辆电池数据，而不加以改进，这个模型结构很大程度上会导致最后得出的差，例如准确率还有优化空间、或者运行速度还有优化空间等等。所以，本申请基于车辆电池数据时序性与高维度性的特点构建其适合的神经网络模型。
需要说明的是，可以采用采用交叉验证方法评估所述神经网络模型。
步骤103：根据所述神经网络模型提取所述车辆电池数据的特征向量。
由上述可知所述模型结构是基于车辆电池数据特点构建的模型结构，根据适合数据的模型结构提取的特征向量具有代表性，没有人为主观因素的影响，客观性较强、可信度较高。同时，采用根据车辆电池数据的特点构建的神经网络模型可以从大量的车辆电池数据中自动提取数据的特征向量，不再需要人为制定大量详细的规则，降低了工作量。
作为一种实施例，可以根据所述特征向量，通过聚类方式，在所述车辆电池数据中获得异常数据。
根据模型自动提取的特征向量，通过聚类算法方法获得所述车辆电池数据中的异常数据也更加准确；同时，根据模型自动提取的特征向量确定的异常数据，未采用人工制定的规则，排除了人的主观因素，也就意味着根据所述模型结构可以在数据中发现人们未知的异常数据。
需要说明的是，相比浅层机器学习算法，深层网络在处理高维数据时，因为其复杂的网络结构更加容易产生过拟合问题，从而限制模型的泛化能力。可以采用dropout方法，以便防止模型出现过拟合现象，其基本思想为：在模型训练时随机选择一部分节点不工作，这些节点将保存上一次迭代的权值，并将输出置为0。这些被选择的节点在下次迭代的过程中又会恢复之前保留的权值，再次随机选择部分节点重复此过程。网络结构在每次迭代过程中都将发生一定的变化，这就减少了特定节点之间的共同作用，减轻了网络输出对特定节点状态的依赖，从而防止过拟合。
还需要说明的是，在本申请实施例中，可以采用专家鉴定方法判断所述异常数据与异常数据所处的工况是否对应，若是，将所述异常数据与所述异常数据所处的工况进行关联。
由此，根据车辆电池数据的特点构建了神经网络模型，采用所述模型结构可以从大量的车辆电池数据中自动提取数据的特征向量，不再需要人为制定大量详细的规则，降低了工作量，根据模型自动提取的特征向量确定的异常数据也更加准确。
为了更清楚的解释本申请提出的异常数据检测方法，下面结合具体应用场景对本申请提出的异常数据检测方法作进一步解释说明。
申请人通过研究车辆电池充电温度数据发现，该数据具有时序性、维度高、无标签等特性，为了可以获取到代表充电数据的特征向量，申请人发现长短期记忆模型(long-short term memory，LSTM)是一种用于处理序列数据的神经网络；自编码算法模型是用于信号降维，同时降维之后的信号能够很好地重建原信号的一种无监督模型。将上述两种模型重新构建成新的网络结构可以获取到特征向量特征来代表所述车辆电池充电温度数据。
通过大量的实验申请人构建了六层神经网络模型结构，如图2所示，第一层是输入层，用于数据的输入；第二层是算法编码器层，采用LSTM算法作为自编码算法模型的encoder编码器；第三层是隐变量层，可以在该层获得经过编码的特征向量；第四层是嵌入层，用于降低从第三层获得的特征向量的维度；第五层是算法解码器层，采用LSTM算法作为自编码算法模型的decoder解码器，用于将在第三层编码的特征向量解码；第六层是输出层，用于输出特征向量。
下面以上述两种算法结合构建的神经网络模型为例进行说明。
参见图3，图3是本申请提供的又一种异常数据特征提取方法的流程图，该方法可以包括以下步骤301-304。
步骤301：获取车辆电池充电温度数据与电流数据。
步骤302：根据所述车辆电池充电温度数据与电流数据构建六层神经网络模型结构。
所述车辆电池充电温度数据与电流数据作为输入数据输入到上述六层的神经网络中，即算法编码器层的输入数据为电流和温度数据；算法编码器层的输出就是隐变量层，即特征向量；算法解码器层的初始输入数据为初始温度，每个时间段输入为电流，算法解码器层的输出就是温度。
需要说明的是，算法编码器层与算法解码器层的参数是通过优化算法如Adagrad算法学习不断更新的。
步骤303：根据所述模型结构提取所述车辆电池充电温度数据与电流数据的特征向量。
自编码算法模型一般是输出数据向输入数据进行学习，输出数据不断重构输入数据。假设前后5次的充电数据本质不会有大的变化，即本次充电数据作为输入分别和前后2次的充电数据作为输出。
由于是根据黑盒模式提取特征向量，是深度学习筛选出的特征，并不是人为选出的特征，有效解决了数据量少和特征向量没有找到本质的问题。
步骤304：根据所述特征向量，通过聚类方式获得车辆电池充电温度数据与电流数据中的异常数据。
由此，根据电池充电数据的特点，通过LSTM算法与自编码算法结合构建了适合充电数据的六层的神经网络模型，根据模型可以自动提取特征向量，再通过聚类方式获得车辆电池充电温度数据与电流数据中的异常数据。本申请实施例对聚类方式不做具体限定，可以采用基于密度的离群点检测模型、基于近邻度的离群点检测模型、基于聚类的方法来做异常点检测模型等。
基于以上实施例提供的方法，本发明实施例还提供了对应的装置，下面结合附图来对其进行说明。
参见图4，图4是本申请提供的一种异常数据自动检测装置的结构图，该装置可以包括以下单元：
获取单元410、建模单元420与提取单元430；
所述获取单元410，用于获取车辆电池数据；
所述建模单元420，用于根据所述车辆电池数据时序性与高维度性的特点构建神经网络模型；
所述提取单元430，用于根据所述神经网络模型提取所述车辆电池数据的特征向量。
需要说明的是，所述装置还包括工况关联单元440，用于采用专家鉴定方法判断所述异常数据与异常数据所处的工况是否对应，若是，将所述异常数据与所述异常数据所处的工况进行关联。
需要说明的是，所述装置还包括交叉验证单元450，用于采用交叉验证方法评估所述神经网络模型
需要说明的是，所述装置还可以设置与管理主机中。
本申请公开的实施例中的异常数据自动检测装置可以由各种计算机系统来实现，下面结合图5和图6进行描述。
图5为本申请公开的异常数据自动检测设备的一些实施例的结构图。如图5所示，该实施例设备包括：存储器510以及耦接至该存储器510的处理器520，处理器520被配置为基于存储在存储器510中的指令，执行本申请中任意一些实施例中的异常数据特征提取方法。
其中，存储器510例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序、数据库以及其他程序等。
图6为本申请公开的异常数据自动检测设备的另一些实施例的结构图。如图6所示，该实施例的设备包括：存储器610以及处理器620，分别于存储器510以及处理器520类似。还可以包括输入输出接口630、网络接口640、存储接口650等等。这些接口630、640、650以及存储器610和处理器620之间例如可以通过总线660连接。其中，输入输出接口630为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口，例如可以连接到数据库服务器或者云端存储服务器等。存储接口650可以为SD卡、U盘等外置存储设备提供连接接口。
本申请还提供一种计算机可读存储介质，下面结合图7进行描述。
图7为本申请公开的一种计算机可读存储介质的一些实施例的结构图。如图7所示，该实施例的计算机可读存储介质包括：前述任一个实施例中异常数据自动检测装置；以及主机710。主机710可以包括线上环境对应的主机和测试环境对应的主机。主机710用于接收所述异常数据自动检测装置下发的任务进行对应内容的异常数据自动检测。
异常数据检测装置可以设置与管理主机中，管理主机可以是持续集成服务器。为进一步保证部署更新的准确性，可以将持续集成服务器进一步分为线上环境的持续集成服务器和测试环境的持续集成服务器。用于异常数据自动检测的相关文件(例如，RPM文件)可以存储于管理主机中，也可以单独存储于存储服务器，存储服务器可以进一步划分为测试环境存储服务器和线上环境存储服务器，便于不同环境查找相关文件。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元及模块可以是或者也可以不是物理上分开的。另外，还可以根据实际的需要选择其中的部分或者全部单元和模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种异常数据特征提取方法，其特征在于，所述方法包括：
获取车辆电池数据；
根据所述车辆电池数据时序性与高维度性的特点构建神经网络模型；
根据所述神经网络模型提取所述车辆电池数据的特征向量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述车辆电池数据时序性与高维度性的特点构建神经网络模型，包括：
根据所述车辆电池数据时序性特点选择长短期记忆算法，根据所述车辆电池数据高纬度性特点选择自编码算法，将两种算法融合构建适合所述车辆电池数据特点的神经网络模型；
其中，所述融合后的神经网络模型为：第一层是输入层；第二层是算法编码器层，采用长短期记忆算法构建自编码算法中的编码器；第三层是隐变量层，作为特征向量层；第四层是嵌入层，采用所述自编码算法将所述第一层的数据与所述第三层的特征向量叠加在一起；第五层算法解码器层采用所述长短期记忆算法构建所述自编码算法中的解码器，第六层是输出层。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述特征向量，通过聚类方式，在所述车辆电池数据中获得异常数据。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
采用专家鉴定方法判断所述异常数据与异常数据所处的工况是否对应，若是，将所述异常数据与所述异常数据所处的工况进行关联。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
采用交叉验证方法评估所述神经网络模型。
6.一种异常数据特征提取装置，其特征在于，所述装置包括：
获取单元、建模单元与提取单元；
所述获取单元，用于获取车辆电池数据；
所述建模单元，用于根据所述车辆电池数据时序性与高维度性的特点构建神经网络模型；
所述提取单元，用于根据所述神经网络模型提取所述车辆电池数据的特征向量。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
工况关联单元，用于采用专家鉴定方法判断所述异常数据与异常数据所处的工况是否对应，若是，将所述异常数据与所述异常数据所处的工况进行关联。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
交叉验证单元，用于采用交叉验证方法评估所述神经网络模型。
9.一种异常数据特征提取设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-5任一项所述的异常数据特征提取方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-5任一项所述的异常数据特征提取方法。
CN202010104447.9A 2020-02-20 2020-02-20 异常数据特征提取方法、装置、设备及存储介质 Pending CN111340975A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010104447.9A CN111340975A (zh) 2020-02-20 2020-02-20 异常数据特征提取方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010104447.9A CN111340975A (zh) 2020-02-20 2020-02-20 异常数据特征提取方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111340975A true CN111340975A (zh) 2020-06-26

Family

ID=71185367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010104447.9A Pending CN111340975A (zh) 2020-02-20 2020-02-20 异常数据特征提取方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111340975A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329911A (zh) * 2020-10-20 2021-02-05 上海钧正网络科技有限公司 一种充电异常确定方法和装置
CN114179946A (zh) * 2022-01-12 2022-03-15 金华市路骑电动科技有限公司 一种电动车数据链路的智能化监测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106154182A (zh) * 2016-08-26 2016-11-23 上海电力学院 一种基于改进d‑s证据理论的锂电池故障诊断方法
CN107091986A (zh) * 2017-05-23 2017-08-25 河海大学 Anfis风电双馈异步电机气隙偏心故障诊断分类方法
CN109001631A (zh) * 2018-04-27 2018-12-14 张家港莫特普数据科技有限公司 电池性能在线评估系统和方法
EP3444626A1 (en) * 2017-08-17 2019-02-20 Samsung Electronics Co., Ltd. Method and apparatus for estimating state of battery
CN109919306A (zh) * 2019-03-25 2019-06-21 中国科学院上海高等研究院 高维数据异常检测系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106154182A (zh) * 2016-08-26 2016-11-23 上海电力学院 一种基于改进d‑s证据理论的锂电池故障诊断方法
CN107091986A (zh) * 2017-05-23 2017-08-25 河海大学 Anfis风电双馈异步电机气隙偏心故障诊断分类方法
EP3444626A1 (en) * 2017-08-17 2019-02-20 Samsung Electronics Co., Ltd. Method and apparatus for estimating state of battery
CN109001631A (zh) * 2018-04-27 2018-12-14 张家港莫特普数据科技有限公司 电池性能在线评估系统和方法
CN109919306A (zh) * 2019-03-25 2019-06-21 中国科学院上海高等研究院 高维数据异常检测系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HOUDE DAI: "A Novel Estimation Method for the State of Health of Lithium-Ion Battery Using Prior Knowledge-Based Neural Network and Markov Chain", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 *
施彦等: "《神经网络设计方法与实例分析》", 31 December 2009, 北京邮电大学出版社 *
柳青秀等: "基于长短时记忆—自编码神经网络的风电机组性能评估及异常检测", 《计算机集成制造系统》 *
潘宏侠: "《粒子群优化及智能故障诊断》", 31 July 2010 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329911A (zh) * 2020-10-20 2021-02-05 上海钧正网络科技有限公司 一种充电异常确定方法和装置
CN112329911B (zh) * 2020-10-20 2023-04-07 上海钧正网络科技有限公司 一种充电异常确定方法和装置
CN114179946A (zh) * 2022-01-12 2022-03-15 金华市路骑电动科技有限公司 一种电动车数据链路的智能化监测方法及系统
CN114179946B (zh) * 2022-01-12 2022-06-17 金华市路骑电动科技有限公司 一种电动车数据链路的智能化监测方法及系统

Similar Documents

Publication Publication Date Title
CN112800116B (zh) 一种业务数据的异常检测方法及装置
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN113792453A (zh) 基于数字孪生的局部放电监测系统、方法和装置
CN112329816A (zh) 数据分类方法、装置、电子设备和可读存储介质
CN110705573A (zh) 一种目标检测模型的自动建模方法及装置
CN112101554A (zh) 异常检测方法及装置、设备、计算机可读存储介质
CN114048468A (zh) 入侵检测的方法、入侵检测模型训练的方法、装置及介质
CN113760670A (zh) 电缆接头异常预警方法、装置、电子设备和存储介质
CN111340975A (zh) 异常数据特征提取方法、装置、设备及存储介质
CN116862081B (zh) 一种污染治理设备运维方法及系统
CN113328908B (zh) 异常数据的检测方法、装置、计算机设备和存储介质
CN113822336A (zh) 一种云硬盘故障预测方法、装置、系统及可读存储介质
CN110490132B (zh) 数据处理方法和装置
CN115619539A (zh) 贷前风险评价方法以及装置
CN115130232A (zh) 零件的寿命预测方法、装置、设备、存储介质及程序产品
CN112560252A (zh) 一种航空发动机剩余寿命预测方法
JP6950647B2 (ja) データ判定装置、方法、及びプログラム
CN112434648A (zh) 一种墙体形状变化检测方法及系统
CN116934555B (zh) 一种基于物联网的安消一体化的管理方法及装置
CN116302364B (zh) 自动驾驶可靠性测试方法、装置、设备、介质和程序产品
CN115801845B (zh) 基于边缘计算的工业互联网数据采集方法及相关设备
CN115514580B (zh) 一种自编码器溯源入侵检测方法及装置
KR20180106701A (ko) 사물인터넷 기반 기기 관리 시스템 및 방법
CN117609911A (zh) 传感设备的异常识别方法及装置
CN117973870A (zh) 消防场景的风险评估模型的训练系统及方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200626

RJ01 Rejection of invention patent application after publication