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 PDFInfo
- 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
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
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:
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。
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能够定义为,;其中K为经转换函数模型处理后的特征维度的数量;也即,通过转换函数模型能够较佳地将原电池特征时间序列表达成新的形式,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。
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能够定义为,,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或电池特征时间序列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:
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。
故而能够较佳地实现无异常电池的识别。
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:
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,,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,,r=0时为正常类别。
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。
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能够定义为,;其中K为经转换函数模型处理后的特征维度的数量;也即,通过转换函数模型能够较佳地将原电池特征时间序列表达成新的形式,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。
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能够定义为,,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或电池特征时间序列能够在时间序列对齐的前提下,实现对其的相似度评判。
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和弹性函数模型,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和弹性函数模型,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和弹性函数模型的收敛。
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:
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。
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:
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:
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:
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。
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:
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。
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)
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 |
-
2022
- 2022-04-21 CN CN202210419648.7A patent/CN114662613A/zh active Pending
Cited By (1)
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 |