CN114662613A - 基于弹性时间序列相似度网络的异常电池检测系统和方法 - Google Patents

基于弹性时间序列相似度网络的异常电池检测系统和方法 Download PDF

Info

Publication number
CN114662613A
CN114662613A CN202210419648.7A CN202210419648A CN114662613A CN 114662613 A CN114662613 A CN 114662613A CN 202210419648 A CN202210419648 A CN 202210419648A CN 114662613 A CN114662613 A CN 114662613A
Authority
CN
China
Prior art keywords
battery
sequence
time series
elastic
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
Application number
CN202210419648.7A
Other languages
English (en)
Inventor
肖劼
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.)
Hangzhou Yugu Technology Co ltd
Original Assignee
Hangzhou Yugu Technology 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 Hangzhou Yugu Technology Co ltd filed Critical Hangzhou Yugu Technology Co ltd
Priority to CN202210419648.7A priority Critical patent/CN114662613A/zh
Publication of CN114662613A publication Critical patent/CN114662613A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/048—Activation functions
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及电池异常检测技术领域，涉及一种基于弹性时间序列相似度网络的异常电池检测系统和方法。该异常电池检测系统具有：异常电池序列库，其用于记载不同异常类别的电池特征时间序列；输入单元，其用于输入待检测电池的电池特征时间序列；转换函数模型，其用于获取的深度序列；距离函数模型，其用于计算特征序列间的欧式距离；弹性函数模型，其用于计算差值序列的二分类结果；相似性度量函数模型，其用于计算电池特征时间序列与电池特征时间序列间的相似度分数；以及输出单元，其用于输出待检测电池的异常类别。该方法基于上述系统实现。本发明能够较佳地实现深层次潜在特征的挖掘及时间序列的对齐，故而具备较佳的精准度。

Description

基于弹性时间序列相似度网络的异常电池检测系统和方法
技术领域
本发明涉及电池异常检测技术领域，具体地说，涉及一种基于弹性时间序列相似度网络的异常电池检测系统和方法。
背景技术
电池安全性无疑是电池生产应用环节中的重中之重，而如何发现电池制造应用过程中潜在的安全性隐患，提前识别出异常高危电池，是一个值得不断研究的关键问题。
在电池的实际应用过程中，我们可以实时地监测到电池的如电流、电压、阻值变化等特征在充、放电过程中随时间的变化情况，因此我们可以将当前电池的特征时间序列和异常电池的特征时间序列间的变化进行比对，来实现快人一步地异常电池识别。
相似性度量学习是机器学习领域的一项既定任务，并在近年来得到了广泛的研究。例如，在图像检索的上下文中，相似性学习被用来在搜索引擎应用程序中“按图像搜索”等功能。现有的基于时间序列的相似性度量往往都是基于统计类方法或者简单直接的深度神经网络方法。
在深度神经网络方法中，通常是基于孪生网络进行学习的，也即使用相同的网络来获得一对实例的表示结果。例如，直接采用相同的神经网络结构来计算L1或L2距离，以及余弦相似度等。
现有的方法，在应用于电池异常检测时，会面临如下两个问题：
（1）基于统计类方法或者简单直接的深度神经网络方法，不能更进一步地捕捉到时间序列的深层潜在变化情况；
（2）由于不同序列之间时间维度往往并不一致，这种复杂性导致无法有效地对序列的时间维度进行对齐，因此在实际应用过程中并不能取得理想的效果。
发明内容
本发明提供了一种基于弹性时间序列相似度网络的异常电池检测系统及方法，其能够克服现有相似性度量算法运用于电池异常检测时所存在的难以捕捉到时间序列的深层潜在变化情况及时间序列难以对齐的缺陷。
根据本发明的一种基于弹性时间序列相似度网络的异常电池检测系统，其具有：
异常电池序列库P，其用于记载不同异常类别r所对应的电池特征时间序列
Figure DEST_PATH_IMAGE002
；
输入单元，其用于输入待检测电池的电池特征时间序列
Figure DEST_PATH_IMAGE004
；
转换函数模型
Figure DEST_PATH_IMAGE006
，其用于对电池特征时间序列
Figure 342788DEST_PATH_IMAGE004
和电池特征时间序列
Figure 355743DEST_PATH_IMAGE002
进行处理，进而获取待检测电池的深度序列
Figure DEST_PATH_IMAGE008
和异常类别的深度序列
Figure DEST_PATH_IMAGE010
；
距离函数模型
Figure DEST_PATH_IMAGE012
，其用于计算深度序列
Figure 861417DEST_PATH_IMAGE008
中任一第i个时间点下的特征序列
Figure DEST_PATH_IMAGE014
，与深度序列
Figure 558109DEST_PATH_IMAGE010
任一第j个时间点下的特征序列
Figure DEST_PATH_IMAGE016
间的欧式距离；
弹性函数模型
Figure DEST_PATH_IMAGE018
，其用于计算任一特征序列
Figure 671296DEST_PATH_IMAGE014
与任一特征序列
Figure 640389DEST_PATH_IMAGE016
的差值序列的二分类结果；
相似性度量函数模型S（*），其用于计算电池特征时间序列
Figure 903749DEST_PATH_IMAGE004
与电池特征时间序列
Figure 891166DEST_PATH_IMAGE002
间的相似度分数
Figure DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE022
其中，T为时间序列的长度；以及
输出单元，其用于输出与待检测电池的相似度分数最高的电池的异常类别。
在本发明的系统中，通过所构建的异常电池序列库P，能够较佳地将不同异常类别的电池的特征时间序列进行记载，故而能够较佳地实现对未知的异常类别的待检测电池的异常类别识别。
本发明中，通过转换函数模型
Figure 74058DEST_PATH_IMAGE006
和距离函数模型
Figure 530447DEST_PATH_IMAGE012
能够实现待检测电池和异常电池序列库P中的电池的电池特征时间序列的对齐以及深层潜在特征的发掘，故而使得识别结果更加精准。
本发明中，通过相似性度量函数模型S（*）和输出单元，能够较佳地输出待检测电池的异常类别，故使得检测结果更加直观明了。
作为优选，转换函数模型
Figure 36646DEST_PATH_IMAGE006
包括，
转换输入层，其用于输入电池特征时间序列
Figure 629301DEST_PATH_IMAGE004
或电池特征时间序列
Figure 710390DEST_PATH_IMAGE002
，并获取电池特征时间序列
Figure 496818DEST_PATH_IMAGE004
或电池特征时间序列
Figure 72287DEST_PATH_IMAGE002
在每个时间点下的特征序列
Figure DEST_PATH_IMAGE024
和
Figure DEST_PATH_IMAGE026
；
第一转换全连接层，其神经元个数为D，且用于输入特征序列
Figure 112924DEST_PATH_IMAGE024
或
Figure 83023DEST_PATH_IMAGE026
；
第二转换全连接层，其神经元个数为K，并以第一转换全连接层的输出作为输入，并用于输出对应每个时间点下的特征序列
Figure 514004DEST_PATH_IMAGE014
或
Figure 611273DEST_PATH_IMAGE016
；
转换融合输出层，其用于按照时间维度的顺序对每个特征序列
Figure 912942DEST_PATH_IMAGE014
或
Figure 352144DEST_PATH_IMAGE016
进行整合，进而输出深度序列
Figure 67159DEST_PATH_IMAGE008
或
Figure 217387DEST_PATH_IMAGE010
；
其中，D为特征维度的数量。
本发明中，所构建的转换函数模型
Figure 904720DEST_PATH_IMAGE006
能够定义为，
Figure DEST_PATH_IMAGE028
；其中K为经转换函数模型
Figure 780403DEST_PATH_IMAGE006
处理后的特征维度的数量；也即，通过转换函数模型
Figure 920398DEST_PATH_IMAGE006
能够较佳地将原电池特征时间序列
Figure DEST_PATH_IMAGE030
表达成新的形式
Figure DEST_PATH_IMAGE032
，在此过程中，由于第一转换全连接层及第二转换全连接层的作用，使得其能够充分挖掘时间序列的深层潜在变化情况，故而使得检测结果更加合理。
作为优选，距离函数模型
Figure 530108DEST_PATH_IMAGE012
的表达式如下，
Figure DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE036
表示特征序列
Figure 931003DEST_PATH_IMAGE014
中的第k个元素，
Figure DEST_PATH_IMAGE038
表示特征序列
Figure 695696DEST_PATH_IMAGE016
中的第k个元素。故而能够较佳地以欧式距离作为相似度评分的一个标准。
作为优选，弹性函数模型
Figure 322987DEST_PATH_IMAGE018
包括，
弹性输入层，其用于计算特征序列
Figure 565749DEST_PATH_IMAGE014
和
Figure 712828DEST_PATH_IMAGE016
的差值序列；
第一弹性全连接层，其神经元个数为K，其以差值序列作为输入；
第二弹性全连接层，其神经元个数为1，并以第一弹性全连接层的输出作为输入；
弹性输出层，其对第二弹性全连接层的输出基于Sigmod函数进行处理，并在结果小于0.5时输出0，反之则输出1。
本发明中，所构建的弹性函数模型
Figure 382844DEST_PATH_IMAGE018
能够定义为，
Figure DEST_PATH_IMAGE040
，故而能够较佳地实现对两条序列中的第i个和第j个数据的上下文信息是否对齐进行判定，也即能够较佳地实现电池特征时间序列
Figure 497430DEST_PATH_IMAGE004
或电池特征时间序列
Figure 543884DEST_PATH_IMAGE002
能够在时间序列对齐的前提下，实现对其的相似度评判。
此外，本发明还提供了一种基于弹性时间序列相似度网络的异常电池检测方法，其基于任一上述的基于弹性时间序列相似度网络的异常电池检测系统实现对电池的异常检测。故而能够较佳地实现对电池异常的识别。
作为优选，具体包括如下步骤：
步骤S1、逐一地自异常电池序列库P中选取电池特征时间序列为
Figure 44004DEST_PATH_IMAGE002
；
步骤S2、通过输入单元，输入待检测电池的电池特征时间序列
Figure 884921DEST_PATH_IMAGE004
；
步骤S3、通过转换函数模型
Figure 955645DEST_PATH_IMAGE006
，对电池特征时间序列
Figure 540210DEST_PATH_IMAGE004
和电池特征时间序列为
Figure 911149DEST_PATH_IMAGE002
进行处理，进而获取待检测电池的深度序列
Figure 408121DEST_PATH_IMAGE008
和第r个异常类别的深度序列
Figure 497299DEST_PATH_IMAGE010
；
步骤S4、基于距离函数模型
Figure DEST_PATH_IMAGE042
，计算深度序列
Figure 885555DEST_PATH_IMAGE008
中任一第i个时间点下的特征序列
Figure 376579DEST_PATH_IMAGE014
，与深度序列
Figure 542987DEST_PATH_IMAGE010
任一第j个时间点下的特征序列
Figure 853883DEST_PATH_IMAGE016
间的欧式距离；
步骤S5、基于弹性函数模型
Figure 514672DEST_PATH_IMAGE018
，计算任一特征序列
Figure 860202DEST_PATH_IMAGE014
与任一特征序列
Figure 213823DEST_PATH_IMAGE016
的差值序列的二分类结果；
步骤S6、基于相似性度量函数模型S（*），计算电池特征时间序列
Figure 762747DEST_PATH_IMAGE004
与电池特征时间序列
Figure 227227DEST_PATH_IMAGE002
间的相似度分数
Figure 427264DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE022A
其中，T为时间序列的长度；
步骤S7、重复步骤S1-S7，获取待检测电池与异常电池序列库P中每个异常类别的电池的相似度分数，通过输出单元输出相似度分数最高的异常类别。
通过上述，能够较佳地实现待检测电池的异常检测及异常类别的输出。
作为优选，步骤S1中，
Figure DEST_PATH_IMAGE044
，r=0时为正常类别。
故而能够较佳地实现无异常电池的识别。
作为优选，电池特征时间序列为
Figure 794529DEST_PATH_IMAGE002
和电池特征时间序列
Figure 814438DEST_PATH_IMAGE004
均在对应电池工作过程中对其进行采样获取。故而能够较佳地实现电池特征时间序列的构建。
附图说明
图1为实施例1中的异常电池检测系统的框图示意图；
图2为一个正常电池的充电电流的在时间轴上的变化曲线；
图3为一个存在充电芯恒流过大异常的电池的充电电流的在时间轴上的变化曲线；
图4为一个存在电池内阻偏大异常的电池的充电电流的在时间轴上的变化曲线；
图5为一个存在电池芯完全损坏异常的电池的充电电流的在时间轴上的变化曲线。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例1
基于现有相似性度量所存在的缺陷，本实施例提供了一种基于弹性时间序列相似度网络技术的异常电池检测方案，首先我们构建了一个异常电池序列变化数据库，然后通过设计一种弹性网络能够同时实现：（1）对齐待检测电池和异常库的序列的时间维度；（2）学习出对齐后的深层潜在表征，再通过这种深层潜在表征进行相似度比较；最终能够更加精准地判断出电池是否有异常风险，进而能够有效降低电池的安全性隐患。
本实施例中所述的时间序列，也称动态数列，是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。
本实施例中所述的相似性度量，即综合评定两个事物之间相近程度的一种度量；两个事物越接近，它们的相似性度量也就越大，而两个事物越疏远，它们的相似性度量也就越小。
本实施例所提供的方案中，提供了一种基于弹性时间序列相似度网络的异常电池检测系统及方法。
结合图1所示，在本实施例的异常电池检测系统中，其具有：
异常电池序列库P，其用于记载不同异常类别r所对应的电池特征时间序列
Figure 348187DEST_PATH_IMAGE002
；
输入单元，其用于输入待检测电池的电池特征时间序列
Figure 887884DEST_PATH_IMAGE004
；
转换函数模型
Figure 583308DEST_PATH_IMAGE006
，其用于对电池特征时间序列
Figure 356092DEST_PATH_IMAGE004
和电池特征时间序列
Figure 162374DEST_PATH_IMAGE002
进行处理，进而获取待检测电池的深度序列
Figure 71424DEST_PATH_IMAGE008
和异常类别的深度序列
Figure 187016DEST_PATH_IMAGE010
；
距离函数模型
Figure 181517DEST_PATH_IMAGE012
，其用于计算深度序列
Figure 791490DEST_PATH_IMAGE008
中任一第i个时间点下的特征序列
Figure 555046DEST_PATH_IMAGE014
，与深度序列
Figure 857852DEST_PATH_IMAGE010
任一第j个时间点下的特征序列
Figure 824802DEST_PATH_IMAGE016
间的欧式距离；
弹性函数模型
Figure 238466DEST_PATH_IMAGE018
，其用于计算任一特征序列
Figure 856529DEST_PATH_IMAGE014
与任一特征序列
Figure 330236DEST_PATH_IMAGE016
的差值序列的二分类结果；
相似性度量函数模型S（*），其用于计算电池特征时间序列
Figure 33749DEST_PATH_IMAGE004
与电池特征时间序列
Figure 500372DEST_PATH_IMAGE002
间的相似度分数
Figure 238521DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE022AA
其中，T为时间序列的长度；以及
输出单元，其用于输出与待检测电池的相似度分数最高的电池的异常类别。
在本实施例的系统中，通过所构建的异常电池序列库P，能够较佳地将不同异常类别的电池的特征时间序列进行记载，故而能够较佳地实现对未知的异常类别的待检测电池的异常类别识别。
本实施例中，通过转换函数模型
Figure 696178DEST_PATH_IMAGE006
和距离函数模型
Figure 152567DEST_PATH_IMAGE012
能够实现待检测电池和异常电池序列库P中的电池的电池特征时间序列的对齐以及深层潜在特征的发掘，故而使得识别结果更加精准。
本实施例中，通过相似性度量函数模型S（*）和输出单元，能够较佳地输出待检测电池的异常类别，故使得检测结果更加直观明了。
本实施例中的异常电池序列库中，能够对多种电池异常情况下的电池特征时间序列进行涵盖；可以理解的是，异常电池序列库的数据越丰富，则越利于电池的异常检测。
本实施例中，以充电过程中，单一的充电电流的时序变化为例，对电池特征时间序列进行说明。
见于图2，为一个正常电池的充电电流的在时间轴上的变化曲线，其首先是一个平稳的过程，在结束充电后电流会在短时间内快速平滑下降到一个较低的水位，表示此时结束充电。
见于图3，为一个存在充电芯恒流过大异常的电池的充电电流的在时间轴上的变化曲线，其在充电过程中波动较为剧烈，电流震荡幅度过大，表明充电芯遇到横流过大问题，故为异常。
见于图4，为一个存在电池内阻偏大异常的电池的充电电流的在时间轴上的变化曲线，其在充电过程中较为平缓，但在结束充电时出现大幅度电流波动，表明在电流变化时受到阻力过大，即内阻过大问题，故为异常。
见于图5，为一个存在电池芯完全损坏异常的电池的充电电流的在时间轴上的变化曲线，其不论充电还是结束充电均表现为立即跳转到另一档位，没有电流切换时的平稳过渡过程，故为异常。
本实施例中所构建的异常电池序列库P，异常电池序列库P中记载若干异常类别下的电池特征时间序列；对于第r个异常类别，其对应的电池特征时间序列为
Figure 642454DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE046
，
Figure DEST_PATH_IMAGE048
为时间维度的数量（即时间序列的长度），D为特征维度的数量；其中，
Figure 546694DEST_PATH_IMAGE044
，r=0时为正常类别。
可以理解的是，本实施例中的电池特征时间序列为
Figure 831045DEST_PATH_IMAGE002
和
Figure 774730DEST_PATH_IMAGE004
具有相同的维度，即
Figure DEST_PATH_IMAGE050
。
可以理解的是，本实施例中所采用的电池特征时间序列具有两个维度，一为时间维度一为特征维度；时间维度的长度为T，表示采样点的总数；特征维度的长度为D，表示所采用特征的数量。其中，特征维度中能够选取如电池使用次数、随时间变化的电流数据及电压数据、电池使用寿命等特征。采用该类特征在构建电池特征时间序列时，需要对其进行如数据缺失、数据分布不均匀等数据处理，本实施例中能够采用均值插补法对缺失数据进行处理，只有能够对数据进行归一化处理，故而能够较佳地实现电池特征时间序列的标准化处理。
本领域技术人员应当知悉的是，该类数据的预处理能够按照常规数据预处理流程进行处理即可，故本实施例中不予赘述。
本实施例的转换函数模型
Figure 599467DEST_PATH_IMAGE006
包括，
转换输入层，其用于输入电池特征时间序列
Figure 62940DEST_PATH_IMAGE004
或电池特征时间序列
Figure 783771DEST_PATH_IMAGE002
，并获取电池特征时间序列
Figure 949174DEST_PATH_IMAGE004
或电池特征时间序列
Figure 780863DEST_PATH_IMAGE002
在每个时间点下的特征序列
Figure 613690DEST_PATH_IMAGE024
和
Figure 505423DEST_PATH_IMAGE026
；
第一转换全连接层，其神经元个数为D，且用于输入特征序列
Figure 407389DEST_PATH_IMAGE024
或
Figure 308348DEST_PATH_IMAGE026
；
第二转换全连接层，其神经元个数为K，并以第一转换全连接层的输出作为输入，并用于输出对应每个时间点下的特征序列
Figure 730102DEST_PATH_IMAGE014
或
Figure 58316DEST_PATH_IMAGE016
；
转换融合输出层，其用于按照时间维度的顺序对每个特征序列
Figure 932731DEST_PATH_IMAGE014
或
Figure 122535DEST_PATH_IMAGE016
进行整合，进而输出深度序列
Figure 241538DEST_PATH_IMAGE008
或
Figure 68549DEST_PATH_IMAGE010
；
其中，D为特征维度的数量。
本实施例中，所构建的转换函数模型
Figure 446572DEST_PATH_IMAGE006
能够定义为，
Figure 689334DEST_PATH_IMAGE028
；其中K为经转换函数模型
Figure 397265DEST_PATH_IMAGE006
处理后的特征维度的数量；也即，通过转换函数模型
Figure 145909DEST_PATH_IMAGE006
能够较佳地将原电池特征时间序列
Figure 260496DEST_PATH_IMAGE030
表达成新的形式
Figure 452091DEST_PATH_IMAGE032
，在此过程中，由于第一转换全连接层及第二转换全连接层的作用，使得其能够充分挖掘时间序列的深层潜在变化情况，故而使得检测结果更加合理。
即，本实施例中，
Figure DEST_PATH_IMAGE052
，
Figure DEST_PATH_IMAGE054
。
本实施例的距离函数模型
Figure 355806DEST_PATH_IMAGE012
的表达式如下，
Figure DEST_PATH_IMAGE034A
其中，
Figure 429679DEST_PATH_IMAGE036
表示特征序列
Figure 31562DEST_PATH_IMAGE014
中的第k个元素，
Figure 350548DEST_PATH_IMAGE038
表示特征序列
Figure 721486DEST_PATH_IMAGE016
中的第k个元素。故而能够较佳地以欧式距离作为相似度评分的一个标准。
本实施例的弹性函数模型
Figure 811933DEST_PATH_IMAGE018
包括，
弹性输入层，其用于计算特征序列
Figure 901112DEST_PATH_IMAGE014
和
Figure 273056DEST_PATH_IMAGE016
的差值序列；
第一弹性全连接层，其神经元个数为K，其以差值序列作为输入；
第二弹性全连接层，其神经元个数为1，并以第一弹性全连接层的输出作为输入；
弹性输出层，其对第二弹性全连接层的输出基于Sigmod函数进行处理，并在结果小于0.5时输出0，反之则输出1。
本实施例中，所构建的弹性函数模型
Figure 232922DEST_PATH_IMAGE018
能够定义为，
Figure 681221DEST_PATH_IMAGE040
，故而能够较佳地实现对两条序列中的第i个和第j个数据的上下文信息是否对齐进行判定，也即能够较佳地实现电池特征时间序列
Figure 992116DEST_PATH_IMAGE004
或电池特征时间序列
Figure 652905DEST_PATH_IMAGE002
能够在时间序列对齐的前提下，实现对其的相似度评判。
例如，特征序列
Figure 749168DEST_PATH_IMAGE014
和特征序列
Figure 837210DEST_PATH_IMAGE016
经弹性函数模型
Figure 635401DEST_PATH_IMAGE018
处理后的输出值为1，则该两条特征序列即实现了在时间维度上的对齐。
本实施例中，Sigmod函数的表达式为
Figure DEST_PATH_IMAGE056
，其为一个典型的二分类函数，使得弹性函数模型
Figure 145886DEST_PATH_IMAGE018
的输出符合0或1的二分类结果。
本实施例中的相似性度量函数模型S（*）能够定义为，
Figure DEST_PATH_IMAGE058
，其通过负距离的指数函数exp将所有两两成对的弹性距离转化为满足[0,1]取值区间的相似度评分，能够较佳地实现泛化全局所有成对向量的弹性对齐过程。
总而言之，本实施例的方案中，能够首先获取相同维度（T×D）的两条特征时间序列；之后基于转换函数模型
Figure 611502DEST_PATH_IMAGE006
能够将其均转换为T×K维度的表达形式，在此过程中，由于全连接层的使用，使得能够较佳地对特征时间序列的深层潜在联系进行表征；之后通过距离函数模型
Figure 870445DEST_PATH_IMAGE012
和弹性函数模型
Figure 155933DEST_PATH_IMAGE018
，能够实现在时间序列对齐的前提下，对相似度进行评价，故而使得检测结果更加精准。
此外，本实施例中的转换函数模型
Figure 440415DEST_PATH_IMAGE006
和弹性函数模型
Figure 229380DEST_PATH_IMAGE018
，实质为一个全连接的神经网络，该神经网络的各个参数需要通过训练获取，本实施例中能够采用例如交叉熵函数作为损失函数等常规训练手段实现转换函数模型
Figure 190382DEST_PATH_IMAGE006
和弹性函数模型
Figure 697587DEST_PATH_IMAGE018
的收敛。
本领域技术人员应当知悉的是，上述对神经网络的的训练方式为现有成熟的技术，故本实施例中不予赘述。
基于本实施例所提供的系统，本实施例还提供了一种基于弹性时间序列相似度网络的异常电池检测方法，其基于上述的基于弹性时间序列相似度网络的异常电池检测系统实现对电池的异常检测。故而能够较佳地实现对电池异常的识别。
本实施例的方法具体包括如下步骤：
步骤S1、逐一地自异常电池序列库P中选取电池特征时间序列为
Figure 503869DEST_PATH_IMAGE002
；
步骤S2、通过输入单元，输入待检测电池的电池特征时间序列
Figure 927766DEST_PATH_IMAGE004
；
步骤S3、通过转换函数模型
Figure 528512DEST_PATH_IMAGE006
，对电池特征时间序列
Figure 788592DEST_PATH_IMAGE004
和电池特征时间序列为
Figure 132985DEST_PATH_IMAGE002
进行处理，进而获取待检测电池的深度序列
Figure 162121DEST_PATH_IMAGE008
和第r个异常类别的深度序列
Figure 950080DEST_PATH_IMAGE010
；
步骤S4、基于距离函数模型
Figure 431877DEST_PATH_IMAGE042
，计算深度序列
Figure 845541DEST_PATH_IMAGE008
中任一第i个时间点下的特征序列
Figure 463604DEST_PATH_IMAGE014
，与深度序列
Figure 937310DEST_PATH_IMAGE010
任一第j个时间点下的特征序列
Figure 155671DEST_PATH_IMAGE016
间的欧式距离；
步骤S5、基于弹性函数模型
Figure 841867DEST_PATH_IMAGE018
，计算任一特征序列
Figure 845595DEST_PATH_IMAGE014
与任一特征序列
Figure 224624DEST_PATH_IMAGE016
的差值序列的二分类结果；
步骤S6、基于相似性度量函数模型S（*），计算电池特征时间序列
Figure 681013DEST_PATH_IMAGE004
与电池特征时间序列
Figure 921633DEST_PATH_IMAGE002
间的相似度分数
Figure 514288DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE022AAA
其中，T为时间序列的长度；
步骤S7、重复步骤S1-S7，获取待检测电池与异常电池序列库P中每个异常类别的电池的相似度分数，通过输出单元输出相似度分数最高的异常类别。
通过上述，能够较佳地实现待检测电池的异常检测及异常类别的输出。
本实施例的步骤S1中，
Figure 641382DEST_PATH_IMAGE044
，r=0时为正常类别。故而能够较佳地实现无异常电池的识别。
本实施例中，电池特征时间序列为
Figure 585067DEST_PATH_IMAGE002
和电池特征时间序列
Figure 878645DEST_PATH_IMAGE004
均在对应电池工作过程中对其进行采样获取。故而能够较佳地实现电池特征时间序列的构建。
为了更进一步地对本案的S1-S7进行说明，本实施例简单地给出如下举例性说明。
在该举例性说明中：
步骤S1中，所选取的电池特征时间序列为
Figure 591386DEST_PATH_IMAGE002
为，
Figure DEST_PATH_IMAGE060
步骤S2中，待检测电池的电池特征时间序列
Figure 859688DEST_PATH_IMAGE004
为，
Figure DEST_PATH_IMAGE062
即，所构建的电池特征时间序列的时间维度为4，特征维度为3；也即以T=4，D=3；
其中，所选取的3个特征分别为充电电流、充电电压和电池循环次数。
经步骤S3处理后，深度序列
Figure 602253DEST_PATH_IMAGE010
和深度序列
Figure 433943DEST_PATH_IMAGE008
分别为，
Figure DEST_PATH_IMAGE064
Figure DEST_PATH_IMAGE066
即，转换函数模型
Figure 142136DEST_PATH_IMAGE006
能够将特征维度压缩成2个维度；也即，K=2。
经步骤S4处理后，能够计算出对任意两两的特征序列的欧式距离进行计算，其能够获取4*4合计16个结果，能够表达如下；
1.00 3.61 2.83 1.41
2.24 1.00 1.41 2.00
1.41 3.16 3.00 2.24
1.00 3.61 3.16 2.00
经步骤S5后，能够对任意两两的特征序列的差值序列进行二分类，可以理解的是其共计有16个差值序列，分别为：
Figure DEST_PATH_IMAGE068
Figure DEST_PATH_IMAGE070
Figure DEST_PATH_IMAGE072
Figure DEST_PATH_IMAGE074
之后，对该16个差值序列通过弹性函数模型
Figure 40995DEST_PATH_IMAGE018
进行处理，即可获取16个对应的二分类值，分别为：
0，0，0，0，
0，0，1，0，
0，0，0，1，
0，0，0，0；
之后，经步骤S6处理，可以获取其相似度分数为0.79；至此，已经获取待检测电池的电池特征时间序列与异常电池序列库P中的其中一条电池特征时间序列的相似性分数；
之后，经步骤S7，能够获取全部的相似性分数，最高分数为0.96，对应的异常类别为正常，此时输出待检测电池的无异常即可。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (8)

1.基于弹性时间序列相似度网络的异常电池检测系统，其具有：
异常电池序列库P，其用于记载不同异常类别r所对应的电池特征时间序列
Figure 920889DEST_PATH_IMAGE001
；
输入单元，其用于输入待检测电池的电池特征时间序列
Figure 368051DEST_PATH_IMAGE002
；
转换函数模型
Figure 338150DEST_PATH_IMAGE003
，其用于对电池特征时间序列
Figure 503552DEST_PATH_IMAGE002
和电池特征时间序列
Figure 69663DEST_PATH_IMAGE001
进行处理，进而获取待检测电池的深度序列
Figure 371331DEST_PATH_IMAGE004
和异常类别的深度序列
Figure 263064DEST_PATH_IMAGE005
；
距离函数模型
Figure 384603DEST_PATH_IMAGE006
，其用于计算深度序列
Figure 19984DEST_PATH_IMAGE004
中任一第i个时间点下的特征序列
Figure 441738DEST_PATH_IMAGE007
，与深度序列
Figure 504372DEST_PATH_IMAGE005
任一第j个时间点下的特征序列
Figure 113208DEST_PATH_IMAGE008
间的欧式距离；
弹性函数模型
Figure 286700DEST_PATH_IMAGE009
，其用于计算任一特征序列
Figure 313693DEST_PATH_IMAGE007
与任一特征序列
Figure 281649DEST_PATH_IMAGE008
的差值序列的二分类结果；
相似性度量函数模型S（*），其用于计算电池特征时间序列
Figure 643360DEST_PATH_IMAGE002
与电池特征时间序列
Figure 620544DEST_PATH_IMAGE001
间的相似度分数
Figure 16890DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
其中，T为时间序列的长度；以及
输出单元，其用于输出与待检测电池的相似度分数最高的电池的异常类别。
2.根据权利要求1所述的基于弹性时间序列相似度网络的异常电池检测系统，其特征在于：转换函数模型
Figure 421327DEST_PATH_IMAGE003
包括，
转换输入层，其用于输入电池特征时间序列
Figure 4755DEST_PATH_IMAGE002
或电池特征时间序列
Figure 520050DEST_PATH_IMAGE001
，并获取电池特征时间序列
Figure 770902DEST_PATH_IMAGE002
或电池特征时间序列
Figure 346240DEST_PATH_IMAGE001
在每个时间点下的特征序列
Figure 666232DEST_PATH_IMAGE012
和
Figure 719639DEST_PATH_IMAGE013
；
第一转换全连接层，其神经元个数为D，且用于输入特征序列
Figure 824998DEST_PATH_IMAGE012
或
Figure 571237DEST_PATH_IMAGE013
；
第二转换全连接层，其神经元个数为K，并以第一转换全连接层的输出作为输入，并用于输出对应每个时间点下的特征序列
Figure 394836DEST_PATH_IMAGE007
或
Figure 986355DEST_PATH_IMAGE008
；
转换融合输出层，其用于按照时间维度的顺序对每个特征序列
Figure 211800DEST_PATH_IMAGE007
或
Figure 128940DEST_PATH_IMAGE008
进行整合，进而输出深度序列
Figure 174257DEST_PATH_IMAGE004
或
Figure 569466DEST_PATH_IMAGE005
；
其中，D为特征维度的数量。
3.根据权利要求1或2所述的基于弹性时间序列相似度网络的异常电池检测系统，其特征在于：距离函数模型
Figure 649417DEST_PATH_IMAGE006
的表达式如下，
Figure 488191DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
表示特征序列
Figure 20804DEST_PATH_IMAGE007
中的第k个元素，
Figure 485283DEST_PATH_IMAGE016
表示特征序列
Figure 154162DEST_PATH_IMAGE008
中的第k个元素。
4.根据权利要求1或2所述的基于弹性时间序列相似度网络的异常电池检测系统，其特征在于：弹性函数模型
Figure 413105DEST_PATH_IMAGE009
包括，
弹性输入层，其用于计算特征序列
Figure 433014DEST_PATH_IMAGE007
和
Figure 435605DEST_PATH_IMAGE008
的差值序列；
第一弹性全连接层，其神经元个数为K，其以差值序列作为输入；
第二弹性全连接层，其神经元个数为1，并以第一弹性全连接层的输出作为输入；
弹性输出层，其对第二弹性全连接层的输出基于Sigmod函数进行处理，并在结果小于0.5时输出0，反之则输出1。
5.基于弹性时间序列相似度网络的异常电池检测方法，其基于任一上述的基于弹性时间序列相似度网络的异常电池检测系统实现对电池的异常检测。
6.根据权利要求5所述的基于弹性时间序列相似度网络的异常电池检测方法，其特征在于：具体包括如下步骤：
步骤S1、逐一地自异常电池序列库P中选取电池特征时间序列为
Figure 224569DEST_PATH_IMAGE001
；
步骤S2、通过输入单元，输入待检测电池的电池特征时间序列
Figure 654414DEST_PATH_IMAGE002
；
步骤S3、通过转换函数模型
Figure 896039DEST_PATH_IMAGE003
，对电池特征时间序列
Figure 702321DEST_PATH_IMAGE002
和电池特征时间序列为
Figure 595060DEST_PATH_IMAGE001
进行处理，进而获取待检测电池的深度序列
Figure 195805DEST_PATH_IMAGE004
和第r个异常类别的深度序列
Figure 924727DEST_PATH_IMAGE005
；
步骤S4、基于距离函数模型
Figure 534700DEST_PATH_IMAGE017
，计算深度序列
Figure 767098DEST_PATH_IMAGE004
中任一第i个时间点下的特征序列
Figure 804324DEST_PATH_IMAGE007
，与深度序列
Figure 20542DEST_PATH_IMAGE005
任一第j个时间点下的特征序列
Figure 903047DEST_PATH_IMAGE008
间的欧式距离；
步骤S5、基于弹性函数模型
Figure 521110DEST_PATH_IMAGE009
，计算任一特征序列
Figure 729238DEST_PATH_IMAGE007
与任一特征序列
Figure 167172DEST_PATH_IMAGE008
的差值序列的二分类结果；
步骤S6、基于相似性度量函数模型S（*），计算电池特征时间序列
Figure 118948DEST_PATH_IMAGE002
与电池特征时间序列
Figure 325938DEST_PATH_IMAGE001
间的相似度分数
Figure 455699DEST_PATH_IMAGE010
，
Figure 646509DEST_PATH_IMAGE011
其中，T为时间序列的长度；
步骤S7、重复步骤S1-S7，获取待检测电池与异常电池序列库P中每个异常类别的电池的相似度分数，通过输出单元输出相似度分数最高的异常类别。
7.根据权利要求6所述的基于弹性时间序列相似度网络的异常电池检测方法，其特征在于：步骤S1中，
Figure 870817DEST_PATH_IMAGE018
，r=0时为正常类别。
8.根据权利要求6所述的基于弹性时间序列相似度网络的异常电池检测方法，其特征在于：电池特征时间序列为
Figure 463473DEST_PATH_IMAGE001
和电池特征时间序列
Figure 747823DEST_PATH_IMAGE002
均在对应电池工作过程中对其进行采样获取。
CN202210419648.7A 2022-04-21 2022-04-21 基于弹性时间序列相似度网络的异常电池检测系统和方法 Pending CN114662613A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210419648.7A CN114662613A (zh) 2022-04-21 2022-04-21 基于弹性时间序列相似度网络的异常电池检测系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210419648.7A CN114662613A (zh) 2022-04-21 2022-04-21 基于弹性时间序列相似度网络的异常电池检测系统和方法

Publications (1)

Publication Number Publication Date
CN114662613A true CN114662613A (zh) 2022-06-24

Family

ID=82036714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210419648.7A Pending CN114662613A (zh) 2022-04-21 2022-04-21 基于弹性时间序列相似度网络的异常电池检测系统和方法

Country Status (1)

Country Link
CN (1) CN114662613A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081552A (zh) * 2022-07-28 2022-09-20 一道新能源科技(衢州)有限公司 基于云平台的太阳能电池数据异常处理方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081552A (zh) * 2022-07-28 2022-09-20 一道新能源科技(衢州)有限公司 基于云平台的太阳能电池数据异常处理方法及系统

Similar Documents

Publication Publication Date Title
CN110336534B (zh) 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法
CN111273623B (zh) 基于Stacked LSTM的故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN109921415B (zh) 一种面向混合量测的电网恶性数据注入攻击在线防御方法
CN113484764B (zh) 基于多维阻抗谱的退役电池soh和一致性的评估方法
CN115187832A (zh) 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法
CN111539152A (zh) 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法
CN114114039B (zh) 一种电池系统的单体电芯一致性的评估方法和装置
CN115618732B (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
CN113406524B (zh) 一种动力电池系统的不一致性故障诊断方法及系统
CN112287980B (zh) 基于典型特征向量的动力电池筛选方法
Zhang et al. Intelligent machine fault diagnosis using convolutional neural networks and transfer learning
CN114662613A (zh) 基于弹性时间序列相似度网络的异常电池检测系统和方法
CN116075733A (zh) 用于对电池模块进行分类的电池管理系统
Lei et al. Fault diagnosis of rotating machinery based on a new hybrid clustering algorithm
CN115375026A (zh) 一种多故障模式下的航空发动机寿命预测方法
CN116658433A (zh) 一种耐颗粒型磁力泵智能检测方法及系统
CN116433049A (zh) 一种基于模糊粗糙熵的用电异常检测方法
CN115081514A (zh) 一种数据不平衡情况下的工业设备故障识别方法
CN114818116A (zh) 基于联合学习的飞机发动机失效模式识别和寿命预测方法
CN113449809A (zh) 一种基于kpca-nsvdd的电缆绝缘在线监测方法
CN112527789A (zh) 变电设备在线监测数据中的重复数据检测方法及装置
CN112926442B (zh) 一种图像目标数据集均衡完备的构建方法
CN117093947B (zh) 一种发电柴油机运行异常监测方法及系统
CN117346657B (zh) 一种基于5g相机的事件触发方法和系统

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
CB02 Change of applicant information

Address after: Room 603, 6th floor, building 1, No.1, Qixian Road, Liangzhu street, Yuhang District, Hangzhou City, Zhejiang Province

Applicant after: Hangzhou Yugu Technology Co.,Ltd.

Address before: Room 603, 6th floor, building 1, No.1, Qixian Road, Liangzhu street, Yuhang District, Hangzhou City, Zhejiang Province

Applicant before: HANGZHOU YUGU TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information