CN113640675B - 基于Snippets特征提取的航空锂电池异常检测方法 - Google Patents
基于Snippets特征提取的航空锂电池异常检测方法 Download PDFInfo
- Publication number
- CN113640675B CN113640675B CN202110863022.0A CN202110863022A CN113640675B CN 113640675 B CN113640675 B CN 113640675B CN 202110863022 A CN202110863022 A CN 202110863022A CN 113640675 B CN113640675 B CN 113640675B
- Authority
- CN
- China
- Prior art keywords
- sequence
- snippet
- sub
- calculating
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 21
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 21
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 3
- 239000012634 fragment Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种基于Snippet特征提取的航空锂电池异常检测方法,包括以下步骤:(1)对所有锂电池的时间序列提取代表性特征子序列Snippet;(2)使用异常检测算法LOF为步骤(1)提取代表性特征子序列的Snippet评分,计算得到每个Snippet对应的异常值;(3)使用数据集中带标签的数据和步骤(2)得到的异常值计算效果衡量标准F1分数,调节算法参数,重复步骤(2),使得F1分数达到最大;(4)在步骤(3)最佳参数设定下得到未带标签数据的异常值。本发明通过提取代表性特征子序列Snippet,并以Snippet异常值衡量异常程度,实现了异常数据可观解释性和发现异常子片段。
Description
技术领域
本发明涉及航空锂电池异常检测方法,尤其涉及一种基于Snippets特征提取的航空锂电池异常检测方法。
背景技术
对于航空锂电池的电压时序特性数据存在高维度等难点,目前已经存在的时间序列特征提取和异常检测的方法都存在一些不足之处。
首先,关于时间序列的外部特征提取最有名的方法就是最早由Keogh提出的shapelet方法。Shapelet被定义为能够最大程度代表一个类的子序列。这听起来十分适合,然而shapelet是监督型的,它时常不满足于异常检测领域标签缺乏的情形,很大程度上限制了它的发挥。另外一种通过提取一些时间序列代表性的统计特征的方法,例如均值、方差、一阶自相关等。然后利用PCA降维到二维空间并可视化,寻找偏离高密度区域的点为异常。然而,此类方法通常要求数据满足特定的分布。如果数据存在噪音,则会严重影响此类方法的效果。
随着神经网络模型的再度兴起,研究者们也逐渐探索非监督型的神经网络方法来提取时间序列的深度特性来进行异常检测。这种新颖的模型通常拥有极简的网络结构,较少数量的参数,可以大大减少网络的训练时间,并且摆脱了对标签的依赖。然而,这种方法的效率仍然与非神经网络模型的异常检测方法相差甚远。除此之外,现阶段对这种黑盒模型的理解并不理想。
一种基于局部密度的局部离群因子算法(LOF,Local Outlier Factor)由Breuning等人提出。该算法为每个对象计算局部离群因子值,其大小反映对象对于局部中心的偏离程度,值越大说明该对象偏离局部中心的程度越多,所在的位置局部密度越小,算法定义这些对象为异常点。然而,该方法存在一些缺陷,即当数据量不断扩大将面临大量的最近邻距离计算消耗,从而影响算法速率。LOF大多应用于发现时间序列异常点的问题,存在发现异常子片段以及缺乏异常数据可观解释性弱点。此外,由于非监督型算法完全不依赖于数据标签的特点,没有了部分带标签数据对其检测效果的衡量,这些异常检测算法经常存在最优参数设置问题。
发明内容
发明目的:本发明的目的是提供一种实现降维加速计算速率的效果,并能发现引起数据异常的子片段的基于Snippets特征提取的航空锂电池异常检测方法。
技术方案:本发明的航空锂电池异常检测方法,包括以下步骤:
(1)对所有锂电池的电流、电压时间序列数据提取代表性特征子序列Snippet;
(2)选用基于局部密度的异常检测算法LOF为步骤(1)提取的代表性特征子序列Snippet评分,计算得到每个代表性特征子序列Snippet对应的异常值;然后将一条时间序列提取的N个代表性特征子序列Snippet的异常值相加,得到该条完整时间序列的异常值;
(3)根据数据集中带标签的数据和步骤(2)得到的异常值,计算效果衡量标准F1分数,调节异常检测算法LOF的参数k,重复步骤(2),使得效果衡量标准F1分数达到最大;所述参数k为第k近邻;
(4)在步骤(3)最佳参数设定下,通过异常检测算法LOF计算电流或电压数据中未带标签数据的异常值,根据异常值判断该序列为异常的可能性。
进一步,所述步骤(1)中,提取代表性特征子序列Snippet选用MPdist距离度量衡量两条时间序列的相似性,根据MPdist创建Profile,一个时间序列T的Profile是一个给定查询子序列Ti,sub和T的每个子序列之间的距离向量,距离向量表示为:
MPDi=[di,1,di,2,…,di,n-sub+1]
其中,di,j(1≤i,j≤n-sub+1)是子序列Ti,sub和Tj,sub的距离,i,j为子序列的起始点,sub为子序列长度,n-sub+1为长度为n的序列T中能产生长度为sub的子序列个数。
进一步,所述步骤(2)中,基于局部密度的LOF异常检测算法的实现步骤如下:
(21)计算时间序列T=t1,t2,…,tn与数据集中剩余序列T’=t’1,t‘2,…,t‘n之间的欧式距离,得到序列T的第k近邻距离distk(T),计算公式为:
其中,满足存在至多k-1个序列T’使得dist(T,T’)<dist(T,Tk),Tk为T的k近邻;存在至少k个序列T’使得dist(T,T’)≤dist(T,Tk);n为时间序列的长度;
(22)定义Dk(T)为序列T的第k近邻领域,是序列T的第k近邻距离内所有序列组成的集合,包括第k近邻;计算|Dk(T)|,为序列T的第k近邻领域内所有序列的个数,且|Dk(T)|≥k;
(23)计算序列T相对于序列T’的可达距离rdist(T,T′):
rdist(T,T’)=MAX(distk(T‘),dist(T,T′))
其中MAX(·)为最大值函数;
(24)计算序列T的局部可达密度LRDk(T):
(25)计算序列T的局部离群因子LOFk(T):
进一步,所述步骤(3)中,所述效果衡量标准F1分数的最大值是1,最小值是0,计算公式为:
其中,P为精确率,R为召回率,TP是实际为阳性并被正确判定为阳性的样本数量,FP是实际为阴性但被错误判定为阳性的样本数量,FN是实际为阳性但被错误判定为阴性的样本数量。
本发明与现有技术相比,其显著效果如下:1、本发明实现了从大量的航空锂电池高维时间序列数据中,提取代表性特征子序列Snippet,并以代表性特征子序列Snippet异常值衡量时间序列的异常程度,既增加了检测效果和效率,又有效的克服了异常检测方法中缺乏异常数据可观解释性和发现异常子片段的弱点;2、利用基于局部密度的异常检测算法LOF训练判定异常的半监督模型,解决了航空锂电池领域缺少数据标签和非监督异常检测算法最佳参数设置的问题,提高了时间序列异常检测的效果。
附图说明
图1为本发明的流程示意图;
图2为本发明代表性特征子序列Snippet提取的伪代码示意图;
图3为本发明Snippet提取中计算非重叠子序列的Profile子程序伪代码示意图;
图4为本发明代表性特征子序列Snippet可观解释性示意图;
图5为本发明的LOF异常检测算法中的部分概念示意图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
如图1所示为本发明的总流程示意图,包括以下步骤:
步骤一,训练阶段
为了检测锂电池的电压、电流等特性异常,本发明首先为所有锂电池的电压、电流等特性的时间序列数据提取代表性特征子序列Snippet。
提取代表性特征子序列Snippet方法采用MPdist(Matrix Profile distance)距离度量,MPdist距离度量可以用来衡量两条时间序列的相似性。如果两条序列它们共享许多相似的子序列,不管匹配的子序列的顺序如何,它们都是相似的。根据MPdist创建MPdist-Profile,简称为Profile。一个时间序列T的Profile是一个给定查询子序列Ti,sub和T的每个子序列之间的距离向量,表示为
MPDi=[di,1,di,2,…,di,n-sub+1] (1)
式(1)中,di,j(1≤i,j≤n-sub+1)是子序列Ti,sub和Tj,sub的距离,i,j为子序列的起始点,sub为子序列长度,n-sub+1为长度为n的序列T中可以产生长度为sub的子序列个数。
为了选择最合适的N个Snippet,设定一个目标函数PA(ProfileArea)为Snippet打分。对于一个非空的Profile集合,通过从每个位置的所有Profile中取最小值创建一个曲线C,曲线C下方的面积定义PA,其中PA≥0。
步骤二,异常评分阶段
采用基于局部密度的异常检测算法LOF为第一阶段提取的锂电池电压、电流等特性数据的代表性特征子序列Snippet评分,计算得到每个Snippet对应的异常值。然后将一条时间序列提取的N个Snippet的异常值相加,得到该条完整时间序列的异常值。
基于局部密度的异常检测算法LOF为每个对象计算局部离群因子值,其大小反映对象对于局部中心的偏离程度,值越大说明该对象偏离局部中心的程度越多,所在的位置局部密度越小,算法定义这些对象为异常点。LOF异常检测算法分为以下实现步骤:
(21)计算时间序列T=t1,t2,…,tn与数据集中剩余序列T’=t’1,t‘2,…,t‘n之间的欧式距离,通过公式(2)计算,得到序列T的第k近邻距离,表示为distk(T),其满足:存在至多k-1个序列T’使得dist(T,T’)<dist(T,Tk),其中Tk为T的k近邻;存在至少k个序列T’使得dist(T,T’)≤dist(T,Tk)。
(22)定义Dk(T)为序列T的第k近邻领域,即序列T的第k近邻距离内所有序列组成的集合(包括第k近邻)。计算|Dk(T)|,即序列T的第k近邻领域内所有序列的个数,且|Dk(T)|≥k。
(23)计算序列T相对于序列T’的可达距离rdist(T,T′):
rdist(T,T’)=MAX(distk(T‘),dist(T,T′)) (3)
式(3)中,MAX(·)为最大值函数。
(24)计算序列T的局部可达密度LRDk(T):
(25)计算序列T的局部离群因子LOFk(T):
使用LOF算法为Snippet评分后,需要将N个Snippet异常值相加得到该条完整时间序列T的异常值Score(T),计算公式如下:
Score(T)=LOFk(S1)+LOFk(S2)+…+LOFk(SN) (6)
式(6)中,LOFk(S1)代表在参数第k近邻条件下,第一条Snippet经过异常检测算法LOF计算后的异常值,S2代表第二条Snippet,SN代表第N条Snippet。
步骤三,参数调整阶段
该阶段使用数据集中带标签的数据和在步骤二得到的异常值,计算F1分数,调节异常检测算法LOF的参数k,重复步骤二,使得效果衡量标准F1分数达到最大。
衡量标准F1分数是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率。F1分数可以看作是模型精确率和召回率的一种调和平均,它的最大值是1,最小值是0,计算公式为:
其中,P为精确率,R为召回率,TP指的是实际为阳性并被正确判定为阳性的样本数量,FP指的是实际为阴性但被错误判定为阳性的样本数量,FN指的是实际为阳性但被错误判定为阴性的样本数量。
选择数据集中带标签数据的异常值和它们的标签,使用公式(6)计算F1分数,调节异常检测算法LOF的参数k,重复计算对应的异常值,使得效果衡量标准F1分数达到最大。
步骤四,异常检测阶段
在步骤三最佳参数设定下,采用异常检测算法LOF计算电流或电压数据中未带标签数据的异常值,异常值越高,该序列为异常的可能性越大。
如图2、3所示分别为本发明使用的代表性特征子序列Snippet提取方法和计算非重叠子序列的Profile子程序伪代码示意图。
给定一个时间序列T,子序长度sub和Snippet个数N,Snippet提取算法开始先初始化一个Snippet列表L。然后使用子程序GetAllProfile(T,sub)计算每个非重叠子序列与时间序列T的Profile。伪代码4-18行,在每次迭代中,计算每个Profile和Snippet列表L中的Profile的最小值,对于每个Profile得到曲线下面的面积PA。然后把拥有最小PA的Profile添加到Snippet列表L中,同时也将每个Snippet在T中的位置添加到Li,index中,直到达到用户指定的Snippet个数N。最后返回Snippet列表L和各Snippet的位置Li,index。对于子程序GetAllProfile(T,sub),首先初始化Profile列表P为空列表和赋值序列T的长度n。在2-4行,计算每个非重叠子序列T[(i-1)*sub+1:i*sub])和T的所有Profile,并加入列表P中。最后在第5行将Profile列表P返回。
如图4所示为代表性特征子序列Snippet可观解释性说明。左图为有标签的航空锂电池电压、电流等完整的时间序列,其中中间的序列为异常,其他序列为正常;右图为左图序列提取的代表性特征子序列Snippet。可以看出正常序列提取的Snippet往往十分相似,它们代表了序列的正常模式,例如图中正常序列的Snippet由一个或两个向上的波峰和一个下降然后平稳抖动后上升的曲线组成。然而代表异常的Snippet与代表正常的Snippet具有较大差别。这些异常Snippet可以直观地作为导致该完整序列为异常的原因,因此,可解释性更强。
图5所示为LOF异常检测算法中部分概念示意图。左子图中心点T1的5近邻为点T’1,T1与T’1之间带箭头的直线dist5(T1)表示T1的第5近邻距离,圆形区域表示T1第5近邻领域,易知|D5(T1)|=5,点T’与T1之间带箭头的直线rdist(T′,T1)表示T’相对于T1的可达距离;同理可得右子图中心点T2的6近邻为点T’2,T2与T’2之间带箭头的直线dist6(T2)表示T2的第6近邻距离,圆形区域表示T2第6近邻领域,易知|D6(T2)|=6,点T’与T2之间带箭头的直线rdist(T′,T2)表示T’相对于T2的可达距离。
以上所述仅是本发明的优选实施方式,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 (4)
1.一种基于Snippet特征提取的航空锂电池异常检测方法,其特征在于,包括以下步骤:
(1)对所有锂电池的电流、电压时间序列数据提取代表性特征子序列Snippet;
(2)选用基于局部密度的异常检测算法LOF为步骤(1)提取的代表性特征子序列Snippet评分,计算得到每个代表性特征子序列Snippet对应的异常值;然后将一条时间序列提取的N个代表性特征子序列Snippet的异常值相加,得到该条完整时间序列的异常值;
(3)根据数据集中带标签的数据和步骤(2)得到的异常值,计算效果衡量标准F1分数,调节异常检测算法LOF的参数k,重复步骤(2),使得效果衡量标准F1分数达到最大;所述参数k为第k近邻;
(4)在步骤(3)第k近邻设定下,通过异常检测算法LOF计算电流或电压数据中未带标签数据的异常值,根据未带标签数据的异常值判断该序列为异常的可能性。
2.根据权利要求1所述的基于Snippet特征提取的航空锂电池异常检测方法,其特征在于,所述步骤(1)中,提取代表性特征子序列Snippet选用MPdist距离度量衡量两条时间序列的相似性,根据MPdist创建Profile,一个时间序列T的Profile是一个给定查询子序列Ti,sub和T的每个子序列之间的距离向量,距离向量表示为:
MPDi=[di,1,di,2,…,di,n-sub+1]
其中,di,j(1≤i,j≤n-sub+1)是子序列Ti,sub和Tj,sub的距离,i,j为子序列的起始点,sub为子序列长度,n-sub+1为长度为n的序列T中能产生长度为sub的子序列个数。
3.如根据权利要求1所述的基于Snippet特征提取的航空锂电池异常检测方法,其特征在于,所述步骤(2)中,基于局部密度的异常检测算法LOF实现步骤如下:
(21)计算时间序列T=t1,t2,…,tn与数据集中剩余序列T’=t’1,t‘2,…,t‘n之间的欧式距离,得到序列T的第k近邻距离distk(T),计算公式为:
其中,满足存在至多k-1个序列T’使得dist(T,T’)<dist(T,Tk),Tk为T的k近邻;存在至少k个序列T’使得dist(T,T’)≤dist(T,Tk);n为时间序列的长度;
(22)定义Dk(T)为序列T的第k近邻领域,是序列T的第k近邻距离内所有序列组成的集合,包括第k近邻;计算|Dk(T)|,为序列T的第k近邻领域内所有序列的个数,且|Dk(T)|≥k;
(23)计算序列T相对于序列T’的可达距离rdist(T,T′):
rdist(T,T’)=MAX(distk(T‘),dist(T,T′))
其中MAX(·)为最大值函数;
(24)计算序列T的局部可达密度LRDk(T):
(25)计算序列T的局部离群因子LOFk(T):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110863022.0A CN113640675B (zh) | 2021-07-29 | 2021-07-29 | 基于Snippets特征提取的航空锂电池异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110863022.0A CN113640675B (zh) | 2021-07-29 | 2021-07-29 | 基于Snippets特征提取的航空锂电池异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113640675A CN113640675A (zh) | 2021-11-12 |
CN113640675B true CN113640675B (zh) | 2022-05-20 |
Family
ID=78418883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110863022.0A Active CN113640675B (zh) | 2021-07-29 | 2021-07-29 | 基于Snippets特征提取的航空锂电池异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113640675B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487553A (zh) * | 2020-04-20 | 2020-08-04 | 国电南瑞科技股份有限公司 | 一种电池单体一致性评价的方法及其装置 |
CN115238753B (zh) * | 2022-09-21 | 2022-12-06 | 西南交通大学 | 一种基于局部离群因子的自适应shm数据清洗方法 |
CN118011223B (zh) * | 2024-04-08 | 2024-06-11 | 四川乐电新能源科技有限公司 | 一种电力储能系统故障诊断方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015087819A (ja) * | 2013-10-28 | 2015-05-07 | 日本電信電話株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
US9256485B1 (en) * | 2010-05-28 | 2016-02-09 | The Mathworks, Inc. | System and method for generating message sequence diagrams from graphical programs |
CN108717470A (zh) * | 2018-06-14 | 2018-10-30 | 南京航空航天大学 | 一种具有高准确度的代码片段推荐方法 |
CN109388781A (zh) * | 2017-08-14 | 2019-02-26 | 比亚迪股份有限公司 | 测量数据的处理方法和装置 |
CN111026653A (zh) * | 2019-09-16 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 异常程序行为检测方法、装置、电子设备和存储介质 |
CN111144435A (zh) * | 2019-11-11 | 2020-05-12 | 国电南瑞科技股份有限公司 | 基于lof和验证过滤框架的电能量异常数据监测方法 |
CN111443259A (zh) * | 2020-03-30 | 2020-07-24 | 国网山东省电力公司德州供电公司 | 基于局部异常因子检测的有源配电网故障诊断方法及系统 |
CN111487553A (zh) * | 2020-04-20 | 2020-08-04 | 国电南瑞科技股份有限公司 | 一种电池单体一致性评价的方法及其装置 |
CN111612164A (zh) * | 2020-02-18 | 2020-09-01 | 贵州工程应用技术学院 | 非迭代式大数据半监督学习方法、系统、存储介质及终端 |
CN111999650A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于支持向量回归算法的锂电池剩余寿命预测方法 |
CN112329350A (zh) * | 2020-11-17 | 2021-02-05 | 南京航空航天大学 | 基于隔离的飞机铅酸蓄电池异常检测半监督方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8344233B2 (en) * | 2008-05-07 | 2013-01-01 | Microsoft Corporation | Scalable music recommendation by search |
US10237770B2 (en) * | 2013-03-15 | 2019-03-19 | DGS Global Systems, Inc. | Systems, methods, and devices having databases and automated reports for electronic spectrum management |
JP2019179395A (ja) * | 2018-03-30 | 2019-10-17 | オムロン株式会社 | 異常検知システム、サポート装置および異常検知方法 |
-
2021
- 2021-07-29 CN CN202110863022.0A patent/CN113640675B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9256485B1 (en) * | 2010-05-28 | 2016-02-09 | The Mathworks, Inc. | System and method for generating message sequence diagrams from graphical programs |
JP2015087819A (ja) * | 2013-10-28 | 2015-05-07 | 日本電信電話株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
CN109388781A (zh) * | 2017-08-14 | 2019-02-26 | 比亚迪股份有限公司 | 测量数据的处理方法和装置 |
CN108717470A (zh) * | 2018-06-14 | 2018-10-30 | 南京航空航天大学 | 一种具有高准确度的代码片段推荐方法 |
CN111026653A (zh) * | 2019-09-16 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 异常程序行为检测方法、装置、电子设备和存储介质 |
CN111144435A (zh) * | 2019-11-11 | 2020-05-12 | 国电南瑞科技股份有限公司 | 基于lof和验证过滤框架的电能量异常数据监测方法 |
CN111612164A (zh) * | 2020-02-18 | 2020-09-01 | 贵州工程应用技术学院 | 非迭代式大数据半监督学习方法、系统、存储介质及终端 |
CN111443259A (zh) * | 2020-03-30 | 2020-07-24 | 国网山东省电力公司德州供电公司 | 基于局部异常因子检测的有源配电网故障诊断方法及系统 |
CN111487553A (zh) * | 2020-04-20 | 2020-08-04 | 国电南瑞科技股份有限公司 | 一种电池单体一致性评价的方法及其装置 |
CN111999650A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于支持向量回归算法的锂电池剩余寿命预测方法 |
CN112329350A (zh) * | 2020-11-17 | 2021-02-05 | 南京航空航天大学 | 基于隔离的飞机铅酸蓄电池异常检测半监督方法 |
Non-Patent Citations (2)
Title |
---|
A Machine Reading Comprehension-Based Approach for Featured Snippet Extraction;Chen Zhang等;《2018 IEEE International Conference on Data Mining (ICDM)》;20181231;全文 * |
基于Kongsberg EM多波束的snippet数据处理方法;胡俊等;《海洋科学进展》;20201015;第38卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113640675A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113640675B (zh) | 基于Snippets特征提取的航空锂电池异常检测方法 | |
CN107515895B (zh) | 一种基于目标检测的视觉目标检索方法与系统 | |
CN106371610B (zh) | 一种基于脑电信号的驾驶疲劳的检测方法 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN111967294A (zh) | 一种无监督域自适应的行人重识别方法 | |
CN108304479B (zh) | 一种基于图结构过滤的快速密度聚类双层网络推荐方法 | |
CN113225209B (zh) | 一种基于时间序列相似检索的网络监控实时预警方法 | |
CN109359135B (zh) | 一种基于分段权重的时间序列相似性搜索方法 | |
KR102362872B1 (ko) | 인공지능 학습을 위한 클린 라벨 데이터 정제 방법 | |
CN116258281B (zh) | 基于云平台管理的物联网消防监测及调控系统 | |
Lei et al. | A hybrid regularization semi-supervised extreme learning machine method and its application | |
CN113486902A (zh) | 基于元学习的三维点云分类算法自动选择方法 | |
CN110084301B (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
CN114328663A (zh) | 一种基于数据挖掘的高维剧场数据降维可视化处理方法 | |
Wan et al. | Memory shapelet learning for early classification of streaming time series | |
Park | Classification of audio signals using Fuzzy c-Means with divergence-based Kernel | |
CN117907835A (zh) | 一种新能源电池故障诊断方法 | |
Wu et al. | Dual-view data hallucination with semantic relation guidance for few-shot image recognition | |
CN112347162A (zh) | 一种基于在线学习的多元时序数据规则挖掘方法 | |
Kohlsdorf et al. | Feature Learning and Automatic Segmentation for Dolphin Communication Analysis. | |
CN113269217A (zh) | 基于Fisher准则的雷达目标分类方法 | |
CN115393388A (zh) | 一种基于位置不确定性估计的单目标跟踪方法 | |
Deepa et al. | A Reduced Feature-Set OCR System to Recognize Handwritten Tamil Characters using SURF Local Descriptor | |
CN113010673A (zh) | 一种基于熵优化支持向量机的漏洞自动分类方法 | |
Wu et al. | Classification of tumor gene expression data based on manifold learning and gaussian process |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |