CN116050480A - 电池数据的处理方法、机器学习模型的训练方法以及设备 - Google Patents

Abstract

本申请实施例公开一种电池数据的处理方法、机器学习模型的训练方法以及设备，该方法可用于电池的故障监测领域中，方法包括：根据电池的第一特征参数的第一取值信息，生成电池的第一特征参数的第二取值信息，第一特征参数为电池自身的特征参数，在电池的使用过程中不能够采集到，第一取值信息指示电池在正常状态时第一特征参数的取值，第二取值信息指示电池在故障状态时第一特征参数的取值；进而根据该第二取值信息，生成电池在故障状态时第二特征参数的第三取值信息，第二特征参数为电池在使用过程中的特征参数；由于电池大部分时间是处于正常状态的，电池在正常状态时自身的特征参数容易获取，也即降低了本方案的实现难度。

Description

电池数据的处理方法、机器学习模型的训练方法以及设备

技术领域

本申请涉及人工智能领域，尤其涉及一种电池数据的处理方法、机器学习模型的训练方法以及设备。

背景技术

随着时代的发展，汽车产业进入变革时代，燃油车在向新能源车辆的转型正在加速，动力电池作为新能源车辆的核心部件，如何提高车辆中动力电池的安全性是当前车辆行业最重要的课题之一。

目前采用的方案包括对车辆中的电池进行故障检测，具体的，可以预先训练一个机器学习模型，该机器学习模型的输入为车辆中电池在使用过程中采集到的参数信息，该机器学习模型输出的预测信息用于指示车辆中的电池是否存在故障。

但是，在对上述机器学习模型进行训练时，需要大量的电池在故障状态下使用时的参数信息，而车辆运行过程中，电池大部分时间是处于正常状态的，只有在很少数的时间里是处于故障状态，导致只能采集到很少的电池在故障状态下使用时的参数信息，因此，一种电池在故障状态下使用时的参数信息的生成方案亟待推出。

发明内容

本申请实施例提供了一种电池数据的处理方法、机器学习模型的训练方法以及设备，利用电池在正常状态下自身的，且由于电池大部分时间是处于正常状态的，电池在正常状态时自身的特征参数容易获取，也即降低了本方案的实现难度。

为解决上述技术问题，本申请实施例提供以下技术方案：

第一方面，本申请实施例提供一种电池数据的处理方法，可用于电池的故障监测领域中，方法包括：第一电子设备获取n个电池中每个电池的至少一种第一特征参数的第一取值信息，并根据每个电池的至少一种第一特征参数的第一取值信息，生成n个电池中每个电池的至少一种第一特征参数的第二取值信息；其中，电池的每种第一特征参数均为电池自身的特征参数，电池的第一特征参数的取值在电池的使用过程中不能够直接采集到；第一取值信息包括n个电池在正常状态时每个电池的至少一种第一特征参数的取值，第二取值信息指示n个电池在故障状态时每个电池的至少一种第一特征参数的取值。

第一电子设备根据n个电池中每个电池的至少一种第一特征参数的第二取值信息，生成n个电池在故障状态时至少一种第二特征参数在多个时间点上的第三取值信息；其中，电池的每种第二特征参数均为电池在使用过程的特征参数，电池的第二特征参数的取值在电池的使用过程中能够直接采集到。

本实现方式中，根据电池在正常状态时第一特征参数的取值，生成电池在故障状态时的第一特征参数的取值，第一特征参数用于反映电池的特征；并根据电池在故障状态时第一特征参数的取值，生成电池在故障状态时第二特征参数的第三取值信息，第二特征参数用于反映电池在使用过程中的特征；也即根据电池在正常状态时自身的特征参数的取值，生成电池在故障状态时自身的特征参数的取值，进而生成用于反映电池在故障状态下使用过程中的特征参数的取值，提供了一种电池在故障状态下使用时的参数信息的生成方案，且由于电池大部分时间是处于正常状态的，电池在正常状态时自身的特征参数容易获取，也即降低了本方案的实现难度。

在第一方面的一种可能实现方式中，第二特征参数包括如下任一项或多项：电压、电流或者温度。本实现方式中，公开了第二特征参数具体表现为哪些类型的参数，有利于提高本方案与实际应用场景的结合程度。

在第一方面的一种可能实现方式中，第一特征参数的第一取值信息是通过第一机器学习模型进行预测得到的。可选地，第一电子设备获取n个电池中每个电池的至少一种第一特征参数的第一取值信息，可以包括：第一电子设备可以从第一分布空间中获取第一向量，并将第一向量输入第一机器学习模型中，得到第一机器学习模型输出与第一向量对应的第一预测信息。其中，第一向量来自于第一分布空间，例如，第一分布空间中的向量可以服从正态分布、均匀分布或其他类型的分布空间等等；第一预测信息包括与多个电池中每个电池的至少一种第一特征参数对应的仿真的第一取值信息，仿真的第一取值信息包括前述每个电池的至少一种第一特征参数中每种第一特征参数的取值。

本实现方式中，将来自于第一分布空间的向量输入到机器学习模型中，得到第一机器学习模型输出的电池的第一特征参数的仿真的取值信息，也即利用机器学习模型生成仿真的第一取值信息，利用机器学习模型对电池的第一特征参数的取值信息进行增值，不仅有利于提高第一取值信息的获取速度，也有利于获取到更多的第一取值信息，进而有利于生成更多的第二特征参数的取值信息。

在第一方面的一种可能实现方式中，第一机器学习模型的训练过程可以采用无监督的训练方式，第一机器学习模型的训练样本包括真实的第一取值信息，真实的第一取值信息可以基于每个电池在使用过程中采集到的至少一种第二特征参数在多个时间点上的取值信息以及电池模型得到。

本实现方式中，采用真实的第一取值信息作为第一机器学习模型的训练样本，有利于保证第一机器学习模型输出的仿真的第一取值信息与真实的第一取值信息之间的相似度，从而有利于保证生成的第二特征参数的取值信息与真实信息之间的相似度。

在第一方面的一种可能实现方式中，第一电子设备获取n个电池中每个电池的至少一种第一特征参数的第一取值信息，可以包括：第一电子设备根据n个电池在正常状态时的每种第二特征参数在多个时间点上的第四取值信息以及电池模型，生成每个电池的至少一种第一特征参数的第一取值信息。

其中，电池模型包括一组数学模型，该数学模型中包括多个第一特征参数以及多个第二特征参数，在电池模型中的多个第一特征参数的取值固定的情况下，该电池模型能够反映电池的多个第二特征参数之间的关系；在电池使用过程中采集到多个第二特征参数在多个时间点的取值之后，也能够根据电池模型得到电池的多个第一特征参数的取值。示例性地，电池模型可以表现为等效电路模型(Equivalent Circuit Model，ECM)、电化学机理模型(pseudo two dimensional，P2D)、分数阶频域模型或其他类型的电池模型等等。

本实现方式中，还提供了另一种生成电池的第一特征参数的第一取值信息的方案，提高了本方案的实现灵活性；此外，由于是根据电池在正常状态时的第二特征参数在多个时间点上的取值，生成的电池的第一特征参数的第一取值信息，保证了生成的第一取值信息的真实性，进而有利于提高生成的第三取值信息的真实度。

在第一方面的一种可能实现方式中，第一特征参数包括如下任一项或多项：电池的初始荷电状态、电池容量、电池的欧姆内阻或者电池的极化内阻。本实现方式中，公开了第一特征参数具体表现为哪些类型的参数，有利于提高本方案与实际应用场景的结合程度。

第二方面，本申请实施例提供一种机器学习模型的训练方法，可用于电池的故障监测领域中，方法包括：第二电子设备可以从训练数据集合中获取第一训练样本，第一训练样本包括n个电池中每个电池的至少一种第二特征参数在至少一个状态片段的多个时间点上的第三取值信息，其中，至少一个状态片段中的每个状态片段均为充电片段或放电片段，电池的每种第二特征参数均为电池在使用过程中的特征参数，第二特征参数的取值在电池的使用过程中能够采集到，第三取值信息包括电池处于故障状态时第二特征参数的取值。

第二电子设备将第一训练样本输入第二机器学习模型，得到第二机器学习模型输出的第二预测信息，第二预测信息指示第一训练样本指向的电池的预测状态，电池的预测状态包括电池处于正常状态或电池处于故障状态。

第二电子设备根据与第一训练样本对应的正确信息、第二预测信息和损失函数，对第二机器学习模型进行训练，正确信息指示第一训练样本指向的电池的正确状态，前述损失函数指示第二预测信息和正确信息之间的相似度，电池的正确状态包括电池处于正常状态或电池处于故障状态。

其中，第一训练样本基于n个电池中每个电池的至少一种第一特征参数的第二取值信息得到，第二取值信息基于n个电池中每个电池的至少一种第一特征参数的第一取值信息得到，第一特征参数用于反映电池的特征，第一取值信息指示电池在正常状态时第一特征参数的取值，第二取值信息指示电池在故障状态时第一特征参数的取值。

在第二方面的一种可能实现方式中，n个电池中每个电池的至少一种第一特征参数的第一取值信息是通过第一机器学习模型进行预测得到的。

在第二方面的一种可能实现方式中，训练数据集合中还包括多个第二训练样本，每个第二训练样本包括n个电池中每个电池的至少一种第二特征参数的在至少一个状态片段的多个时间点上的第四取值信息，第四取值信息包括电池在正常状态下的第二特征参数的取值。其中，多个第二训练样本包括真实的第二训练样本和仿真的第二训练样本，真实的第二训练样本为在电池正常使用过程中采集到的，仿真的第二训练样本根据第一机器学习模型生成的n个电池中每个电池的至少一种第一特征参数的第一取值信息得到。

本实现方式中，由于电池在故障状态下的第二特征参数的仿真的取值信息，与电池在正常状态下的第二特征参数的真实的取值信息进行对比，区别不仅包括电池在故障状态和正常状态下的取值信息之间的区别，还包括电池在仿真数据与真实数据之间的区别，在第二机器学习模型的训练过程中，加入电池在故障状态下的第二特征参数的真实的取值信息，有利于避免第二机器学习模型学习到真实数据与仿真数据之间的区别，而是能够学习到电池在故障状态下的参数信息和正常状态先的参数信息之间的区别，有利于提高训练后的第二机器学习模型输出的预测信息的准确度。

在第二方面的一种可能实现方式中，第二机器学习模型包括特征提取网络和特征处理网络，特征提取网络的训练目标还包括拉近第一特征信息和第二特征信息之间的相似度。

其中，第一特征信息为通过特征提取网络对真实的第四取值信息进行特征提取得到，第二特征信息为通过特征提取网络对仿真的第四取值信息进行特征提取得到，第四取值信息包括n个电池在正常状态下每个电池的第二特征参数在至少一个状态片段的多个时间点上的取值；真实的第四取值信息为在电池正常状态下使用时采集到的，仿真的第四取值信息根据第一机器学习模型生成的n个电池中每个电池的至少一种第一特征参数的第一取值信息得到。

本实现方式中，由于电池在故障状态下的第二特征参数的仿真的取值信息，与电池在正常状态下的第二特征参数的真实的取值信息进行对比，区别不仅包括电池在故障状态和正常状态下的取值信息之间的区别，还包括电池在仿真数据与真实数据之间的区别，则第二机器学习模型的特征处理网络较难学习到电池在故障状态和正常状态下的取值信息之间的区别；而第二机器学习模型的特征提取网络的训练的目标包括拉近第一特征信息和第二特征信息之间的相似度，也即将电池在故障状态下的第二特征参数的仿真的取值信息输入至特征提取网络中，和将电池在故障状态下的第二特征参数的真实的取值信息输入至特征提取网络中，特征提取网络都能输出相似的特征信息，从而特征处理网络仅需要学习电池在故障状态和正常状态下的取值信息之间的区别，降低了特征处理网络的学习难度，有利于提高整个第二机器学习模型输出的预测信息的精准度。

本申请第二方面中，第二电子设备还可以用于执行第一方面以及第一方面的各个可能实现方式中第一电子设备执行的步骤，第二方面的各个可能实现方式中的步骤的具体实现方式、名词的含义以及所带来的有益效果，均可以参阅第一方面，此处不再赘述。

第三方面，本申请实施例提供一种电池数据的处理装置，可用于电池的故障监测领域中，装置包括：获取模块，用于获取电池的第一特征参数的第一取值信息，第一取值信息指示电池在正常状态时第一特征参数的取值，第一特征参数包括电池的特征参数，第一特征参数的取值在电池的使用过程中不能够采集到；

生成模块，用于根据第一特征参数的第一取值信息，生成电池的第一特征参数的第二取值信息，第二取值信息指示电池在故障状态时第一特征参数的取值；

生成模块，还用于根据第一特征参数的第二取值信息，生成电池在故障状态时第二特征参数的第三取值信息，其中，第二特征参数包括电池在使用过程中的特征参数，第二特征参数的取值在电池的使用过程中能够采集到。

本申请第三方面中，电池数据的处理装置还可以用于执行第一方面以及第一方面的各个可能实现方式中第一电子设备执行的步骤，第三方面的各个可能实现方式中的步骤的具体实现方式、名词的含义以及所带来的有益效果，均可以参阅第一方面，此处不再赘述。

第四方面，本申请实施例提供一种机器学习模型的训练装置，可用于电池的故障监测领域中，装置包括：获取模块，用于从训练数据集合中获取第一训练样本，第一训练样本包括电池的第二特征参数的第三取值信息，其中，第二特征参数包括电池在使用过程中的特征参数，第二特征参数的取值在电池的使用过程中能够采集到，第三取值信息包括电池处于故障状态时第二特征参数的取值；

生成模块，用于将第一训练样本输入第二机器学习模型，得到第二机器学习模型输出的第二预测信息，第二预测信息指示第一训练样本指向的电池的预测状态，电池的预测状态包括电池处于正常状态或电池处于故障状态；

训练模块，用于根据与第一训练样本对应的正确信息、第二预测信息和损失函数，对第二机器学习模型进行训练，正确信息指示第一训练样本指向的电池的正确状态，损失函数指示第二预测信息和正确信息之间的相似度，电池的正确状态包括电池处于正常状态或电池处于故障状态；

其中，第一训练样本基于电池的第一特征参数的第二取值信息得到，第一特征参数的第二取值信息基于第一特征参数的第一取值信息得到，第一特征参数包括电池的特征参数，所述第一特征参数的取值在电池的使用过程中不能够采集到，第一取值信息指示电池在正常状态时第一特征参数的取值，第二取值信息指示电池在故障状态时第一特征参数的取值。

本申请第四方面中，机器学习模型的训练装置还可以用于执行第二方面以及第二方面的各个可能实现方式中第二电子设备执行的步骤，第四方面的各个可能实现方式中的步骤的具体实现方式、名词的含义以及所带来的有益效果，均可以参阅第二方面，此处不再赘述。

第五方面，本申请实施例提供了一种电子设备，该电子设备为第一电子设备，第一电子设备包括处理器和存储器，处理器与存储器耦合，存储器，用于存储程序；处理器，用于执行存储器中的程序，使得第一电子设备执行上述第一方面的电池数据的处理方法。

第六方面，本申请实施例提供了一种电子设备，该电子设备为第二电子设备，第二电子设备包括处理器和存储器，处理器与存储器耦合，存储器，用于存储程序；处理器，用于执行存储器中的程序，使得第二电子设备执行上述第二方面的机器学习模型的训练方法。

第七方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面或第二方面所述的方法。

第八方面，本申请实施例提供了一种计算机程序产品，计算机程序产品包括程序，当该程序在计算机上运行时，使得计算机执行上述第一方面或第二方面所述的方法。

第九方面，本申请提供了一种芯片系统，该芯片系统包括处理器，用于支持终端设备或通信设备实现上述方面中所涉及的功能，例如，发送或处理上述方法中所涉及的数据和/或信息。在一种可能的设计中，芯片系统还包括存储器，存储器，用于保存终端设备或通信设备必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。

附图说明

图1为本申请实施例提供的人工智能主体框架的一种结构示意图；

图2为本申请实施例提供的电池数据的处理系统的一种系统架构图；

图3为本申请实施例提供的电池数据的处理方法的一种流程示意图；

图4为本申请实施例提供的电池数据的处理方法的另一种流程示意图；

图5为本申请实施例提供的利用第一神经网络得到电池在故障状态时第二特征参数的第三取值信息的一种流程示意图；

图6为本申请实施例提供的机器学习模型的训练方法的一种流程示意图；

图7为本申请实施例提供的对第二神经网络进行训练的一种流程示意图；

图8为本申请实施例提供的电池数据的处理装置的一种结构示意图；

图9为本申请实施例提供的机器学习模型的训练装置的一种结构示意图；

图10是本申请实施例提供的电子设备一种结构示意图；

图11为本申请实施例提供的芯片的一种结构示意图。

具体实施方式

下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。

首先对人工智能系统总体工作流程进行描述，请参见图1，图1示出的为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。

(1)基础设施

基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片提供，该智能芯片具体可以采用中央处理器(central processing unit，CPU)、嵌入式神经网络处理器(neural-network processing unit，NPU)、图形处理器(graphics processing unit，GPU)、专用集成电路(application specific integrated circuit，ASIC)或现场可编程门阵列(fieldprogrammable gate array，FPGA)等硬件加速芯片；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。

(2)数据

基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。

(3)数据处理

数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。

其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。

推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。

决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。

(4)通用能力

对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。

(5)智能产品及行业应用

智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能制造、智能交通、智能家居、智能医疗、智能安防、自动驾驶、智慧城市等。

本申请可以应用于各种需要对电池进行故障检测的场景中，例如，在自动驾驶领域中，可以对车辆中的多个电池进行故障检测，前述车辆可以为轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、割草机、娱乐车、游乐场车辆、施工设备、电车、高尔夫球车和火车等，本申请实施例不做特别的限定。

又例如，在智能终端、智能制造、智能医疗等多个可能使用到机器人的领域中，可以对机器人中的多个电池进行故障检测；又例如，在智能家居领域中，可以对家居中的电池进行故障检测等等，此处不对本申请实施例的应用场景进行穷举。

在上述种种应用场景中，为了对设备中的电池进行故障检测，可以预先训练一个机器学习模型，该机器学习模型的输入为用于反映电池在使用过程中的特征参数的取值信息，该机器学习模型的输出用于指示电池是否处于故障状态。在对前述机器学习模型进行训练时，既需要电池在正常状态下使用时的特征参数的取值信息，又需要电池在故障状态下使用时的特征参数的取值信息，而设备中的电池的大部分使用时间中是处于正常状态的，导致“电池在故障状态下使用时的特征参数的取值信息”较难采集到，为了能够生成电池在故障状态下使用时的特征参数的取值信息，本申请提供了一种电池数据的处理方法。

在对本申请提供的电池数据的处理方法进行描述之前，请先参阅图2，图2为本申请实施例提供的电池数据的处理系统的一种系统架构图，在图2中，电池数据的处理系统200包括第一电子设备210、第二电子设备220、数据库230、第三电子设备240、数据存储系统250和客户设备260，第三电子设备240中包括计算模块241。

其中，数据库230中存储有训练数据集合，第二电子设备220生成机器学习模型/规则201，并利用训练数据集合对机器学习模型/规则201进行迭代训练，得到训练后的机器学习模型/规则201。训练后的机器学习模型/规则201用于对设备中的电池进行故障检测；机器学习模型/规则201可以具体表现为神经网络，也可以表现为非神经网络的模型，本申请的后续实施例均中仅以机器学习模型/规则201表现为神经网络为例进行说明。

训练数据集合中的训练样本可以包括电池处于正常状态时第二特征参数的取值信息，或者，训练数据集合中的训练样本也可以包括电池处于故障状态时第二特征参数的取值信息。其中，第二特征参数用于反映电池在使用过程中的特征，也即在电池的使用过程中能够采集到电池的第二特征参数的取值；示例性地，电池的第二特征参数可以包括电压、电流、温度或在电池的使用过程中能够采集到的其他类型的第二特征参数等等，此处不做穷举。第一电子设备210用于生成电池处于故障状态时第二特征参数的取值信息。

具体的，请参阅图3，图3为本申请实施例提供的电池数据的处理方法的一种流程示意图。其中，301、为了获取用于反映电池在故障状态下的使用过程的特征参数的取值信息，第一电子设备210可以获取电池的第一特征参数的第一取值信息；其中，前述第一取值信息指示电池在正常状态时第一特征参数的取值信息，该第一特征参数为电池自身的特征参数，在电池的使用过程中不能够直接采集到第一特征参数的取值；示例性地，电池的第一特征参数可以为电池的初始荷电状态、电池容量、电池的欧姆内阻、电池的极化内阻或其他电池自身的特征参数等，此处不做限定。

302、第一电子设备210在获取到电池在正常状态时第一特征参数的第一取值信息之后，可以根据前述第一取值信息生成电池的第一特征参数的第二取值信息，该第二取值信息指示电池在故障状态时第一特征参数的取值信息。

303、第一电子设备210可以根据电池在故障状态时第一特征参数的第二取值信息，生成电池的第二特征参数的第三取值信息，第三取值信息指示电池在故障状态时第二特征参数的取值，电池的第二特征参数为电池在使用过程的特征参数，电池的第二特征参数的取值在电池的使用过程中能够直接采集到；示例性地，电池的至少一种第二特征参数可以包括如下任一项或多项：电压、电流、温度或电池在使用过程中能够采集到的其他特征参数等，此处不做穷举。

可选地，前述“电池的第二特征参数的第三取值信息”可以用作机器学习模型/规则201的训练样本。本申请实施例中，通过图3对应的实施例，提供了一种电池在故障状态下使用时的参数信息的生成方案，且由于电池大部分时间是处于正常状态的，电池在正常状态时自身的特征参数容易获取，从而降低了本方案的实现难度。

第二电子设备220得到的训练后的机器学习模型/规则201之后，会将训练后的机器学习模型/规则201部署至第三电子设备240上，第三电子设备240可以通过机器学习模型/规则201对电池进行故障检测。

第三电子设备240可以调用数据存储系统250中的数据、代码等，也可以将数据、指令等存入数据存储系统250中。数据存储系统250可以置于第三电子设备240中，也可以为数据存储系统250相对第三电子设备240是外部存储器。

本申请的一些实施例中，请参阅图2，第三电子设备240和客户设备260可以为分别独立的设备。示例性地，第三电子设备240可以为与客户设备260对应的云端设备，例如，第三电子设备240可以表现为云端服务器等，客户设备260可以表现为车辆、智能家用电器或机器人等等，此处不做穷举。

第三电子设备240配置有输入/输出(I/O)接口，与客户设备260进行数据交互。示例性地，客户设备260可以获取到电池在使用过程中第二特征参数的取值信息之后，通过I/O接口向第三电子设备240发送前述取值信息，第三电子设备240在通过计算模块241中的机器学习模型/规则201生成与前述取值信息对应的预测信息之后，通过I/O接口将前述预测信息返回给客户设备260。

或者，客户设备260也可以对电池在使用过程中第二特征参数的取值信息进行预处理，将执行过预处理操作之后的取值信息发送给第三电子设备240，由第三电子设备240生成与执行过预处理操作的取值信息对应的预测信息等，此处不做限定。

值得注意的，图2仅是本发明实施例提供的两种电池数据的处理系统的架构示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制。例如，在本申请的另一些实施例中，第一电子设备210和第二电子设备220也可以为同一个设备；或者，第一电子设备210、第二电子设备220和第三电子设备240可以为同一个设备；又或者，第三电子设备240可以配置于客户设备260中，示例性地，当客户设备260为车辆时，第三电子设备240可以为车辆的主处理器(Host CPU)中用于对车辆中的电池进行故障检测的模块，第三电子设备240也可以为车辆中的神经网络处理器(NPU)，NPU作为协处理器挂载到主处理器上，由主处理器分配任务等，此处不做穷举。

本申请实施例提供的电池数据的处理方法可以涉及到生成训练样本、对用于对电池进行故障检测的神经网络进行训练这两个阶段，下面开始分别对前述两个阶段的具体实现流程进行描述。

一、生成训练样本

本申请实施例中，请参阅图4，图4为本申请实施例提供的电池数据的处理方法的另一种流程示意图，以下结合图4对本申请实施例提供的电池数据的处理方法的具体实现流程进行详细描述，本申请实施例提供的电池数据的处理方法可以包括：

401、获取电池的第一特征参数的第一取值信息，第一取值信息指示电池在正常状态时第一特征参数的取值，第一特征参数包括电池的特征参数，第一特征参数的取值在电池的使用过程中不能够采集到。

本申请实施例中，第一电子设备需要获取至少一个电池中每个电池的至少一种第一特征参数的第一取值信息，其中，每个电池的每种第一特征参数均为电池自身的特征参数，电池的第一特征参数的取值在电池的使用过程中不能够直接采集到。

示例性地，电池的至少一种第一特征参数可以包括如下任一项或多项的组合：电池的初始荷电状态、电池容量、电池的欧姆内阻、电池的极化内阻、电池的液相扩散系数、电池的锂离子浓度或其他用于反映电池自身的特征的参数等，此处举例仅为方便理解本方案，不用于限定本方案。本申请实施例中，公开了第一特征参数具体表现为哪些类型的参数，有利于提高本方案与实际应用场景的结合程度。

第一电子设备可以通过多种方式获取到电池的第一特征参数的第一取值信息，在一种实现方式中，第一电子设备可以利用第一神经网络生成前述第一特征参数的第一取值信息。在另一种实现方式中，第一电子设备可以根据电池在正常状态时的第二特征参数的取值信息，生成前述第一特征参数的第一取值信息；其中，电池的每种第二特征参数均为电池在使用过程的特征参数，电池的第二特征参数的取值在电池的使用过程中能够直接采集到。例如，电池的至少一种第二特征参数可以包括如下任一项或多项：电压、电流、温度或电池在使用过程中能够采集到的其他特征参数等，此处不做穷举。以下分别对前述两种实现方式进行详细描述。本申请实施例中，公开了第二特征参数具体表现为哪些类型的参数，有利于提高本方案与实际应用场景的结合程度。

(一)利用第一神经网络生成第一取值信息

本实现方式中，第一电子设备在获取到执行过训练操作的第一神经网络之后，可以从第一分布空间中获取第一向量，例如，第一分布空间中的向量可以服从正态分布、均匀分布或其他类型的分布空间等等，此处不做穷举。

第一电子设备将前述第一向量输入第一神经网络中，得到第一神经网络输出与第一向量对应的第一预测信息，与第一向量对应的第一预测信息包括与多个电池中每个电池的至少一种第一特征参数对应的第一取值信息，第一取值信息包括前述每个电池的至少一种第一特征参数中每种第一特征参数的取值。

例如，第一取值信息可以表现为n乘s的矩阵。在一种实现方式中，n为前述至少一个电池中包括的所有电池的数量；在另一种实现方式中，n为固定取值。s代表至少一种第一特征参数中包括的特征参数的种类数量，n和s均为大于或等于1的整数；也即第一取值信息可以包括n个电池中每个电池的s种第一特征参数的取值。

可选地，第一神经网络的训练过程可以采用无监督的训练方式。

本申请实施例中可以提供多种采用无监督的方式对第一神经网络进行训练的过程，在一种实现方式中，可以采用“生成-对抗”的方式对第一神经网络进行训练。例如，第一神经网络表现为生成网络(generative adversarial networks，GAN)，在第一神经网络的训练阶段，训练设备从第一分布空间中获取第二向量之后，将前述第二向量输入第一神经网络中，得到第一神经网络输出的与第二向量对应的第一预测信息，与第二向量对应的第一预测信息包括多个电池中每个电池的每种第一特征参数的第一取值信息。其中，第二向量和第一向量的概念类似，区别在于第一向量是在第一神经网络的执行阶段使用，第二向量是在第一神经网络的训练阶段使用。

训练设备还可以获取每个电池在使用过程中采集到的至少一种第二特征参数在多个时间点上的取值信息，根据电池在使用过程中采集到的至少一种第二特征参数在多个时间点上的取值信息以及电池模型，生成每个电池的第一特征参数的真实的第一取值信息。前述步骤的具体实现方式将在后续实施例中进行描述，此处先不做赘述。

其中，电池模型包括一组数学模型，该数学模型中包括多个第一特征参数以及多个第二特征参数，在电池模型中的多个第一特征参数的取值固定的情况下，该电池模型能够反映电池的多个第二特征参数之间的关系；在电池使用过程中采集到多个第二特征参数在多个时间点的取值之后，也能够根据电池模型得到电池的多个第一特征参数的取值。

示例性地，电池模型可以表现为等效电路模型(Equivalent Circuit Model，ECM)、电化学机理模型(pseudo two dimensional，P2D)、分数阶频域模型或其他类型的电池模型等等，此处不做穷举。不同电池模型所使用到的第一特征参数的种类可能相同或不同，具体结合实际应用场景确定，此处不做限定。

训练设备可以将至少一个电池中每个电池的至少一种第一特征参数的真实的第一取值信息，和第一神经网络输出的第一预测信息分别输入至判别网络，得到判别网络输出第三预测信息。其中，与真实的第一取值信息对应的第三预测信息用于指示真实的第一取值信息的类别是真实数据还是由神经网络输出的仿真数据，与第一预测信息对应的第三预测信息用于指示输入的第一预测信息的类别是真实数据还是由神经网络输出的仿真数据。

训练设备利用第一损失函数对第一神经网络和判别网络进行训练。其中，第一损失函数可以包括第一损失函数项和第二损失函数项，第一损失函数项的训练目标包括提高第一预测信息被判别网络识别为真实数据的概率；第二损失函数项的训练目标包括提高第一预测信息被判别网络识别为仿真数据的概率，以及提高真实的第一取值信息被判别网络设备为真实数据的概率。

具体的，在第一神经网络和判别网络的训练过程中，训练设备可以在固定第一神经网络的权重参数的前提下，利用第二损失函数项对判别网络的权重参数进行迭代更新，对判别网络的权重参数进行迭代更新时的训练目标包括提高第一预测信息被判别网络识别为仿真数据的概率，以及提高真实的第一取值信息被判别网络设备为真实数据的概率；继而在固定判别网络的权重参数不变的前提下，利用第一损失函数项对第一神经网络的权重参数进行迭代更新，对第一神经网络的权重参数进行迭代更新时的训练目标包括提高第一预测信息被判别网络识别为真实数据的概率。训练设备可以重复执行前述操作，从而实现对第一神经网络和判别网络的迭代训练，得到执行过训练操作的第一神经网络。

在另一种实现方式中，第一神经网络可以表现为用于执行解压缩操作的解码器，训练设备可以获取每个电池在使用过程中采集到的至少一种第二特征参数在多个时间点的取值，根据每个电池在使用过程中采集到的至少一种第二特征参数在多个时间点的取值以及电池模型，生成每个电池的第一特征参数的真实的第一取值信息。

训练设备将真实的第一取值信息输入编码器中，通过前述编码器执行压缩操作，得到编码器输出的一个向量；训练设备将前述向量输入第一神经网络(也即解码器)中，通过第一神经网络对前述向量执行解压缩操作，得到第一神经网络输出的第一预测信息。

训练设备利用第二损失函数对编码器和第一神经网络(也即解码器)进行迭代训练，直至满足第二损失函数的收敛条件，得到训练后的第一神经网络。其中，利用第二损失函数对编码器和第一神经网络(也即解码器)进行迭代训练的目标包括提高编码器输出的向量服从第一分布空间的分布规律的概率，以及，提高第一神经网络输出的第一预测信息与输入编码器的真实的第一取值信息之间的相似度。

在另一种实现方式中，第一神经网络可以表现为可逆的神经网络，训练设备可以根据每个电池在使用过程中采集到的至少一种第二特征参数在多个时间点的取值以及电池模型，生成每个电池的第一特征参数的真实的第一取值信息。

训练设备将真实的第一取值信息输入第一神经网络中，通过第一神经网络对输入的第一取值信息执行加噪操作，得到第一神经网络输出的第一预测信息。训练设备根据第三损失函数对第一神经网络进行迭代训练，得到训练后的第一神经网络，利用第三损失函数执行训练操作的目标包括提高第一预测信息与白噪声之间的相似度，白噪声表现为服从正态分布的向量。由于第一神经网络为可逆的神经网络，则在对得到训练后的第一神经网络之后，能够基于服从正态分布的向量，通过第一神经网络生成每个电池的第一特征参数的仿真的第一取值信息。

需要说明的是，上述对第一神经网络的训练方式的举例均仅为证明本方案的可实现性，还可以采用其他方式对第一神经网络进行训练，此处不进行穷举。此外，上述训练设备和第一电子设备可以为同一设备，也可以为不同的设备，本申请实施例中不做限定。

本申请实施例中，将来自于第一分布空间的向量输入到神经网络中，得到第一神经网络输出的电池的第一特征参数的仿真的取值信息，也即利用神经网络生成仿真的第一取值信息，利用神经网络对电池的第一特征参数的取值信息进行增值，不仅有利于提高第一取值信息的获取速度，也有利于获取到更多的第一取值信息，进而有利于生成更多的第二特征参数的取值信息。

此外，采用真实的第一取值信息作为第一神经网络的训练样本，有利于保证第一神经网络输出的仿真的第一取值信息与真实的第一取值信息之间的相似度，从而有利于保证生成的第二特征参数的取值信息与真实信息之间的相似度。

可选地，由于在对第一神经网络的训练过程中需要大量的训练样本，第一神经网络的每个训练样本包括至少一个电池中每个电池的至少一种第一特征参数的真实的第一取值信息，为了能够获取到更多的第一神经网络的训练样本，本申请实施例中还可以提供第一神经网络的训练样本的增广方法。

其中，与第一预测信息的表现形式一致，第一神经网络的每个训练样本也可以表现为n乘s的矩阵，n为至少一个电池中包括的所有电池的数量，s代表至少一种第一特征参数中包括的特征参数的种类数量，也即第一神经网络的每个训练样本中可以包括n个电池中每个电池的s种第一特征参数的取值。针对第一神经网络的任意一个训练样本(为方便描述，后续称为“目标训练样本”)的更新过程，训练设备可以对目标训练样本执行更新操作，得到更新后的目标训练样本，前述更新操作包括但不限于如下任一种或多种操作：

更改目标训练样本中n个电池之间的顺序，例如，目标训练样本是n行s列的矩阵，前述矩阵中的每行包括每个电池的s种第一特征参数的取值，“更改n个电池的顺序”指的是更改目标训练样本中不同行之间的顺序；或者，

更改目标训练样本中不同电池模组之间的顺序，目标训练样本中n个电池被划分称为了多个电池模组，每个电池模组中包括至少一个电池，例如目标训练样本是n行s列的矩阵，前述n行s列的矩阵被划分为与至少两个电池模组一一对应的至少两组取值，每组取值包括目标训练样本中的至少一行取值，“更改不同电池模组之间的顺序”代表更改前述至少两组取值中不同组之间的顺序；或者，

更改同一电池模组内不同电池之间的顺序，例如，目标训练样本是n行s列的矩阵，前述n行s列的矩阵被划分为与至少两个电池模组一一对应的至少两组取值，“更改同一电池模组内不同电池之间的顺序”代表对至少两组取值中至少一组取值内不同行之间的顺序进行更新；或者，还可以采用其他的更新方式等，此处不做穷举。

示例性地，训练设备中可以将目标训练样本输入置换(permutation)函数中，利用该permutation函数对目标训练样本执行上述更新操作，得到更新后的目标训练样本。

本申请实施例中，由于第一神经网络的训练样本是基于电池在使用过程中真实的第二特征数据的取值得到的，则第一神经网络的训练样本也都是真实数据，采用上述方式对第一神经网络的训练样本进行更新，由于更新方式只是调整训练样本中不同电池或不同电池模组之间的顺序，训练样本中每个电池的每种第二特征参数的取值均未发生改变，从而保证了更新后的训练样本包括的也是电池在正常状态下的取值，且保证了更新后的训练样本中的值也是真实的值，也即更新后的训练样本也是真实的数据；通过前述方式，还能够对第一神经网络的训练样本进行增广，有利于提高训练后的第一神经网络输出的第一预测信息的准确度。

(二)根据电池在正常状态时的第二特征参数的取值信息，生成第一取值信息

本实现方式中，第一电子设备还可以获取每个电池在正常状态时的每种第二特征参数在多个时间点上的第四取值信息，前述第四取值信息为从设备中采集到的真实数据；第二电子设备根据每个电池在正常状态时的每种第二特征参数在多个时间点上的第四取值信息以及电池模型，生成至少一个电池在正常状态时的至少一种第一特征参数的第一取值信息，例如，第一取值信息表现为n乘s的矩阵，前述至少一个电池的数量为n，前述至少一种第一特征参数的种类数量为s。

具体的，第一电子设备可以获取到n个电池中每个电池在正常状态下，多个状态片段包括的多个时间点上每种第二特征参数的取值信息，根据前述取值信息和电池模型，生成n个电池中每个电池的s种第一特征参数的取值(也即得到第一取值信息)。

示例性地，此处以电池模型采用戴维南(Thevenin)这一等效电路模型为例，第一电子设备可以获取到n个电池中每个电池在正常状态下，多个充电片段(或者放电片段)的多个时间点上的电流值以及电压值(也即电池的至少一种第二特征参数的取值的举例)。第一电子设备根据前述获取到的电流值和电压值以及Thevenin等效电路模型，生成n个电池中每个电池的初始荷电状态的取值、电池容量的取值、电池的欧姆内阻的取值以及电池的极化内阻的取值(也即电池的至少一种第一特征参数的取值的示例)。

需要说明的是，上述举例仅为证明本方案的可实现性，Thevenin等效电路模型还可以替换为其他类型的等效电路模型，或者，Thevenin等效电路模型可以替换为其他类型的电池模型等，此处不再对采用其他类型的电池模型时的具体实现方式进行举例。

可选地，本实现方式中，在得到n个电池在正常状态时的s种第一特征参数的第一取值信息之后，电子设备可以对第一取值信息执行更新操作，得到更新后的第一取值信息，前述更新操作的含义以及具体实现方式均可以参阅上一实现方式中的描述，此处不做赘述。

需要说明的是，若n个电池包括的为同一个设备中的所有电池，由于不同设备中的电池的数量可以不同，则不同的第四取值信息中n的数量可以相同或不同，对应的，第一取值信息中n的数量可以相同或不同，具体可以结合实际应用场景确定，此处不做限定。

本申请实施例中，还提供了另一种生成电池的第一特征参数的第一取值信息的方案，提高了本方案的实现灵活性；此外，由于是根据电池在正常状态时的第二特征参数在多个时间点上的取值，生成的电池的第一特征参数的第一取值信息，保证了生成的第一取值信息的真实性，进而有利于提高生成的第三取值信息的真实度。

402、根据第一特征参数的第一取值信息，生成电池的第一特征参数的第二取值信息，第二取值信息指示电池在故障状态时第一特征参数的取值。

本申请实施例中，第一电子设备在得到n个电池中每个电池的s种第一特征参数的第一取值信息之后，可以按照预设策略对第一取值信息中的至少一个值进行更改，以生成n个电池中每个电池的s种第一特征参数的第二取值信息；第二取值信息指示电池在故障状态时第一特征参数的取值。

第一电子设备按照预设策略可以对第一取值信息中至少一个电池的至少一种第一特征参数的取值进行更改，以生成第二取值信息。

例如，s种第一特征参数中存在“电池容量”这一特征参数的值，则可以将n个电池中至少一个电池的“电池容量”更改成极低值。其中，“前述至少一个电池”可以为随机选取的，也可以为按照预设规律选取的，示例性地，该极低值可以为n个电池中最小的“电池容量”的百分之一、百分之二、百分之三或其他比值等等，此处举例仅为方便理解本方案，不用于限定本方案。

又例如，s种第一特征参数中存在“电池的欧姆内阻”这一特征参数的值，则可以将n个电池中至少一个电池的“电池的欧姆内阻”更改成极高值。其中，“前述至少一个电池”可以为随机选取的，也可以为按照预设规律选取的，示例性地，该极高值可以为n个电池中最大的“电池的欧姆内阻”的50倍、60倍、70倍或其他倍数等等，此处举例仅为方便理解本方案，不用于限定本方案。

需要说明的是，上述举例仅为方便理解“对一个第一取值信息进行修改得到一个第二取值信息”的过程，不用于限定本方案，在实际应用场景中，还可以对其他种类的第一特征参数的取值进行更改，或者，也可以同时对第一取值信息中的多种第一特征参数的取值进行更改等等，此处均不做限定。

可选地，第一电子设备还可以生成与每个第二取值信息对应的故障标签，前述故障标签可以指示第二取值信息指向的n个电池处于故障状态。进一步可选地，前述故障标签可以指示第二取值信息指向的n个电池所产生的故障类型。

例如，在将n个电池中至少一个电池的“电池容量”更改成极低值造成的故障类型为低容量(low capacity)故障；又例如，将n个电池中至少一个电池的“电池的欧姆内阻”更改成极高值造成的故障类型为高内阻(high internal resistance)故障等，此处举例仅为方便理解本方案，不用于限定本方案。

403、根据第一特征参数的第二取值信息，生成电池在故障状态时第二特征参数的第三取值信息，第二特征参数包括电池在使用过程中的特征参数，第二特征参数的取值在电池的使用过程中能够采集到。

本申请实施例中，第一电子设备在获取到n个电池中每个电池的s种第一特征参数的第二取值信息之后，可以生成故障状态下n个电池中每个电池在至少一个充电片段(或者放电片段)的多个时间点的第二特征参数的第三取值信息，也即第三取值信息包括n个电池中每个电池在每个充电片段(或者放电片段)的每个时间点的每个第二特征参数的取值。

示例性地，第一电子设备可以根据一个第二取值信息和电池模型，生成一个或多个第三取值信息。例如，电池模型选用Thevenin等效电路模型，在得到第二取值信息之后，可以将第二取值信息以及至少一个充电片段(或者放电片段)的多个时间点的电流值带入该Thevenin等效电路模型，得到n个电池中每个电池在至少一个充电片段(或者放电片段)的多个时间点的电压值，从而得到了第三取值信息，第三取值信息包括n个电池中每个电池在至少一个充电片段(或者放电片段)的多个时间点上的电流值和电压值。

需要说明的是，在对电池进行充电(或者放电)时多个时间点上的电流值是能够统计出来的，且一个充电片段(或放电片段)中电流值的变化模式可以为不同的，例如，采用高功率的方式对设备进行充电，和采用低功率的方式对设备进行充电，则同一充电片段中电流值的变化模式可以不同。

此外，在保持第二取值信息不变的前提下，将一个充电片段(或放电片段)内不同变化模式的电流值带入到该Thevenin等效电路模型时，得到的电压值也会不同，也即能够得到不同的第三取值信息。因此，在得到一个第二取值信息之后，可以根据一种或多种电流值的变化模式，生成与同一个第二取值信息对应的至少一个第三取值信息。

可选地，通过步骤403生成的第三取值信息可以作为第二神经网络的训练样本，第二神经网络为用于对电池进行故障检测的神经网络。进一步可选地，通过步骤402生成的故障标签可以作为与第三取值信息对应的故障标签，也即在后续对执行故障检测的神经网络进行训练的过程中，步骤402生成的故障标签可以作为与第三取值信息对应的正确信息。

为了更直观地理解本方案，请参阅图5，图5为本申请实施例提供的利用第一神经网络得到电池在故障状态时第二特征参数的第三取值信息的一种流程示意图。其中，A1、训练设备根据同一设备中n个电池在正常状态时的第二特征参数在多个充电片段(或者放电片段)的多个时间点上的取值，生成n个电池中每个电池的每种第一特征参数的取值(也即生成了一个真实的第一取值信息)；训练设备重复执行前述操作，能够生成多个真实的第一取值信息。

A2、训练设备根据真实的第一取值信息，采用生成-对抗的方式对第一神经网络进行训练，得到训练后的第一神经网络，其中，第一神经网络的输入为服从正态分布的向量，第一神经网络的输出为仿真的第一取值信息，前述步骤的具体实现方式参见步骤401中的描述，此处不做赘述。

A3、第一电子设备将服从正态分布的向量输入训练后的第一神经网络，得到训练后的第一神经网络输出的仿真的第一取值信息，第一取值信息包括每个电池的4种第一特征参数中每种第一特征参数在正常状态下的取值，前述4种第一特征参数包括电池的初始荷电状态、电池容量、电池的欧姆内阻和电池的极化内阻。

A4、第一电子设备对第一取值信息中的至少一种第一特征参数的取值进行修改，以生成第二取值信息，第二取值信息包括n个电池在故障状态下每个电池的4种第一特征参数中每种第一特征参数的取值。

A5、第一电子设备根据Thevenin等效电路模型、第二取值信息以及每个电池在每个充电片段的多个时间点下的电流值，生成每个电池在每个充电片段的多个时间点下的电压值，电池的第二特征参数包括电流和电压，第三取值信息包括每个电池在每个充电片段的多个时间点下的电流和电压，应理解，图5中的示例仅为方便理解本方案，不用于限定本方案。

本申请实施例中，通过上述方案，根据电池在正常状态时自身的特征参数的取值，生成电池在故障状态时自身的特征参数的取值，进而生成用于反映电池在故障状态下使用过程中的特征参数的取值，提供了一种电池在故障状态下使用时的参数信息的生成方案，且由于电池大部分时间是处于正常状态的，电池在正常状态时自身的特征参数容易获取，也即降低了本方案的实现难度。

二、对电池进行故障检测的神经网络进行训练

本申请实施例中，具体的，请参阅图6，图6为本申请实施例提供的机器学习模型的训练方法的一种流程示意图，本申请实施例提供的机器学习模型的训练方法可以包括：

601、获取第一特征信息和第二特征信息，其中，第一特征信息为对电池的第二特征参数的真实的第四取值信息进行特征提取得到，第二特征信息为对电池的第二特征参数的仿真的第四取值信息进行特征提取得到，第四取值信息包括电池在正常状态下的第二特征参数的取值。

本申请实施例中，步骤601为可选步骤，用于对电池进行故障检测的第二神经网络可以包括特征提取网络和特征处理网络，第二电子设备可以获取一个或多个真实的第四取值信息，第四取值信息包括多个电池中每个电池在正常状态下的第二特征参数的取值，真实的第四取值信息为在电池正常状态下使用时采集到的。第二电子设备可以将至少一个真实的第四取值信息输入特征提取网络中，通过前述特征提取网络对真实的第四取值信息执行特征提取操作，得到上述第一特征信息。

第二电子设备还可以获取一个或多个仿真的第四取值信息，仿真的第四取值信息为根据第一机器学习模型生成的第一取值信息和电池模型得到的。其中，第一取值信息的概念可以参阅上述描述，“根据第一取值信息生成第四取值信息”的具体实现方式，与“根据第二取值信息生成第三取值信息”的具体实现方式类似；区别在于，第一取值信息指示电池在正常状态时的第一特征参数的取值，第四取值信息指示电池在正常状态时的第二特征参数的取值；第二取值信息指示电池在故障状态时的第一特征参数的取值，第三取值信息指示电池在故障状态时的第二特征参数的取值。

第二电子设备还可以将至少一个仿真的第四取值信息输入特征提取网络中，通过前述特征提取网络对仿真的第四取值信息执行特征提取操作，得到上述第二特征信息。

可选地，第二电子设备在将真实的第四取值信息输入第二神经网络之前，还可以对真实的第四取值信息进行预处理，得到处理后的真实的第四取值信息。第二电子设备将处理后的真实的第四取值信息输入特征提取网络中，得到特征提取网络生成的第一特征信息。

对应的，第二电子设备在将仿真的第四取值信息输入第二神经网络之前，还可以对仿真的第四取值信息进行预处理，得到处理后的仿真的第四取值信息。第二电子设备将处理后的仿真的第四取值信息输入特征提取网络中，得到特征提取网络生成的第二特征信息。

示例性地，一个第四取值信息包括n个电池中每个电池在L个状态片段中的一种第二特征参数的取值信息，也即，一个第四取值信息包括每个电池的一种第二特征参数在每个状态片段的多个时间点上的取值，L为大于或等于1的整数，每个状态片段为充电片段或放电片段，第二特征参数用于反映电池在使用过程中的特征，“第二特征参数”的表现形式可以参阅上述图3对应实施例中的描述，此处不做赘述。则第二电子设备可以通过与至少一种第二特征参数一一对应的至少一个第四取值信息来示出n个电池中每个电池在L个状态片段中的至少一种第二特征参数的取值信息。

上述预处理操作可以包括计算一个第四取值信息中某个电池的一种第二特征参数在一个状态片段内的所有时间点上的取值的统计值，并将第四取值信息中每个电池的一种第二特征参数在一个状态片段内的所有时间点上的取值替换为该电池的前述一种第二特征参数在该状态片段内的统计值。其中，前述统计值的计算方法包括如下任一项或多项：计算平均值、方差、标准差、变化率或其他统计方式等，此处不做限定。

示例性地，第四取值信息包括96个电池中每个电池的电压值在5个充电片段中每个充电片段的多个时间点上的取值，某个电池的电压在某一个充电片段的多个时间点上的取值包括：5、6、7、8、9、11、11、12、14、16、18、21，则该电池的电压值在该充电片段内的统计值可以为对前述12个值求平均得到11.5，则将第四取值信息该电池的电压值在该充电片段内的12个时间点上的12个取值替换为11.5(也即替换成了该统计值)，应理解，此处举例仅为方便理解本方案，不用于限定本方案。

602、根据第四损失函数对特征提取网络进行训练，利用第四损失函数进行训练的目标包括拉近第一特征信息和第二特征信息之间的相似度。

本申请实施例中，步骤602为可选步骤，第二电子设备可以根据第一特征信息、第二特征信息以及第四损失函数对特征提取网络进行训练，其中，利用第四损失函数进行训练的目标包括拉近第一特征信息和第二特征信息之间的相似度。

具体的，在一种实现方式中，第二电子设备可以通过步骤601获取与多个真实的第四取值信息一一对应的多个第一特征信息，例如，前述多个真实的第四取值信息可以包括一批(batch)的真实的第四取值信息；并通过步骤601获取与多个仿真的第四取值信息一一对应的多个第二特征信息，例如，前述多个仿真的第四取值信息可以包括一批(batch)的仿真的第四取值信息。

则在步骤602中，第二电子设备可以对多个第一特征信息进行聚类，得到第一类别信息；对多个第二特征信息进行聚类，得到第二类别信息。第二电子设备根据第一类别信息、第二类别信息和第四损失函数对特征提取网络进行训练。

其中，第四损失函数指示第一类别信息和第二类别信息之间的相似度，利用第四损失函数进行训练的目标包括拉近第一类别信息和第二类别信息之间的相似度，也即实现了拉近第一特征信息和第二特征信息之间的相似度。

第二电子设备重复执行步骤601和602，以实现对特征提取网络的迭代训练，直至满足第四损失函数的收敛条件，得到执行过训练操作的特征提取网络。

在另一种实现方式中，第二电子设备可以采用“生成-对抗”的方式对特征提取网络进行训练。具体的，第二电子设备可以将第一特征信息和第二特征信息分别输入至判别网络，得到判别网络输出第四预测信息。其中，与第一特征信息对应的第四预测信息用于指示第一特征信息是真实数据还是仿真数据，与第二特征信息对应的第四预测信息用于指示第二特征信息是真实数据还是仿真数据。

第二电子设备利用第四损失函数对特征提取网络和判别网络进行训练。其中，第四损失函数可以包括第三损失函数项和第四损失函数项；第三损失函数项的训练目标包括提高第二特征信息被判别网络识别为真实数据的概率；第四损失函数项的训练目标包括提高第一特征信息被判别网络识别为真实数据的概率，以及提高第二特征信息被判别网络识别为仿真数据的概率。“利用第四损失函数，并通过生成-对抗的方式对特征提取网络和判别网络进行训练”的具体实现方式可以参阅上述图3对应实施例中步骤301中的描述进行理解，此处不再对具体的实现细节进行赘述。

需要说明的是，第二电子设备还可以采用其他方式对特征提取网络进行训练，以提高特征提取网络生成的第一特征信息和第二特征信息之间的相似度，此处举例仅为证明本方案的可行性，不用于限定本方案。

本申请实施例中，由于电池在故障状态下的第二特征参数的仿真的取值信息，与电池在正常状态下的第二特征参数的真实的取值信息进行对比，区别不仅包括电池在故障状态和正常状态下的取值信息之间的区别，还包括电池在仿真数据与真实数据之间的区别，则第二神经网络的特征处理网络较难学习到电池在故障状态和正常状态下的取值信息之间的区别；而第二神经网络的特征提取网络的训练的目标包括拉近第一特征信息和第二特征信息之间的相似度，也即将电池在故障状态下的第二特征参数的仿真的取值信息输入至特征提取网络中，和将电池在故障状态下的第二特征参数的真实的取值信息输入至特征提取网络中，特征提取网络都能输出相似的特征信息，从而特征处理网络仅需要学习电池在故障状态和正常状态下的取值信息之间的区别，降低了特征处理网络的学习难度，有利于提高整个第二神经网络输出的预测信息的精准度。

603、从训练数据集合中获取第一训练样本，第一训练样本包括电池在故障状态时第二特征参数的第三取值信息，第二特征参数包括电池在使用过程中的特征参数，第二特征参数的取值在电池的使用过程中能够采集到。

本申请实施例中，第二电子设备中可以部署有训练数据集合，训练数据集合中可以包括多个第一训练样本和多个第二训练样本。在步骤603中，第二电子设备可以从训练数据集合中获取一个或多个训练样本，以及每个训练样本所对应的正确信息；每个训练样本可以为第一训练样本，也可以为第二训练样本。

其中，每个第一训练样本包括n个电池中每个电池在故障状态时至少一种第二特征参数在L个状态片段的多个时间点上的第三取值信息，每个第一训练样本可以包括与至少一种第二特征参数一一对应的至少一个第三取值信息，第一训练样本可以通过图3对应的实施例获得，具体获得方式可以参阅上述图3对应的各个实施例中的描述，此处不做赘述。

每个第二训练样本包括n个电池中每个电池在正常状态时至少一种第二特征参数在L个状态片段的多个时间点上的第四取值信息，每个第二训练样本可以包括与至少一种第二特征参数一一对应的至少一个第四取值信息，“第三取值信息”、“第四取值信息”以及“第二特征参数”的含义可以参阅上述描述，此处不做赘述。

多个第二训练样本中可以仅包括真实的第二训练样本，真实的第二训练样本包括真实的第四预测信息，仿真的第二训练样本包括仿真的第四预测信息，真实的第二训练样本为在多个电池正常使用过程中采集到的。

可选地，多个第二训练样本还包括仿真的第二训练样本，仿真的第二训练样本可以根据第一机器学习模型生成的第一取值信息以及电池模型得到，“仿真的第二训练样本”的获取方式与步骤601中“仿真的第四预测信息”的获取方式类似，可参阅上述步骤601中的描述，此处不做赘述。

本申请实施例中，由于电池在故障状态下的第二特征参数的仿真的取值信息，与电池在正常状态下的第二特征参数的真实的取值信息进行对比，区别不仅包括电池在故障状态和正常状态下的取值信息之间的区别，还包括电池在仿真数据与真实数据之间的区别，在第二神经网络的训练过程中，加入电池在故障状态下的第二特征参数的真实的取值信息，有利于避免第二神经网络学习到真实数据与仿真数据之间的区别，而是能够学习到电池在故障状态下的参数信息和正常状态先的参数信息之间的区别，有利于提高训练后的第二神经网络输出的预测信息的准确度。

604、将第一训练样本输入第二神经网络，得到第二神经网络输出的第二预测信息，第二预测信息指示第一训练样本指向的电池的预测状态，电池的预测状态包括电池处于正常状态或电池处于故障状态。

本申请实施例中，第二电子设备可以将步骤603中获取到的训练样本输入第二神经网络，得到第二神经网络输出的第二预测信息；其中，步骤603中获取到的训练样本包括第一样本，第二预测信息指示输入的训练样本(包括第一训练样本)指向的电池的预测状态，电池的预测状态包括电池处于正常状态或电池处于故障状态。其中，“利用第二神经网络对第一训练样本进行处理的详细过程”将在后续实施例中描述，此处先不做赘述。

可选地，若第二训练样本所对应的正确信息中还包括第二训练样本指向的故障类型，则电池的预测状态包括电池处于正常状态或者电池处于某种故障类型的故障状态。

需要说明的是，步骤601和602为可选步骤，若执行步骤601和602，则第二神经网络中的特征提取网络为利用第五损失函数执行过训练操作的神经网络。若不执行步骤601和602，则可以执行步骤603。

可选地，第二电子设备在将训练样本输入第二神经网络之前，还可以对训练样本进行预处理，得到处理后的训练样本；第二电子设备将处理后的训练样本输入至第二神经网络中，得到第二神经网络输出的第二预测信息。

其中，每个训练样本可以包括与至少一种第二特征参数一一对应的至少一个第四取值信息(或者第三取值信息)，第二电子设备对训练样本中的每个第四取值信息(或者第三取值信息)进行预处理的具体实现方式，与上述步骤601中对没给第四取值信息进行预处理的具体实现方式类似，可参阅理解，此处不做赘述。

605、根据与第一训练样本对应的正确信息、第二预测信息和第五损失函数，对第二神经网络进行训练，前述正确信息指示第一训练样本指向的电池的正确状态，第五损失函数指示第二预测信息和正确信息之间的相似度。

本申请实施例中，第二电子设备在得到第二神经网络输出的第二预测信息之后，可以根据与步骤603中获取的训练样本(包括第一训练样本)对应的正确信息和第二预测信息，生成第五损失函数的函数值，并根据第五损失函数的函数值对第二神经网络进行训练。

其中，与步骤603中获取的训练样本(包括第一训练样本)对应的正确信息指示该训练样本指向的电池的正确状态，电池的正确状态包括电池处于正常状态或电池处于故障状态。可选地，第二训练样本所对应的正确信息中还包括第二训练样本指向的故障类型，也即电池的正确状态包括电池处于正常状态或者电池处于某种故障类型的故障状态。

第五损失函数指示输入的训练样本所对应的正确信息与第二预测信息之间的相似度，利用第五损失函数对第二神经网络进行训练的目的包括提高第二预测信息与前述正确信息之间的相似度。

第二电子设备重复执行步骤603至605，以实现根据第五损失函数对第二神经网络进行迭代训练，直至满足第五损失函数的收敛条件，得到训练后的第二神经网络。

需要说明的是，本申请实施例不限定步骤601至602与步骤603至605之间的执行顺序，可以先执行步骤601至602，再执行步骤603至605；或者，也可以先执行步骤603至605，再执行步骤601至602。或者，由于步骤604中也可以生成第一特征信息和第二特征信息，则步骤601和604可以合并执行，步骤605中，第二电子设备可以根据第四损失函数和第五损失函数对第二神经网络进行训练。

此外，第二电子设备和第一电子设备可以为同一设备，也可以为不同的设备，本申请实施例中不做限定。

为了更直观地理解本方案，请参阅图7，图7为本申请实施例提供的对第二神经网络进行训练的一种流程示意图，图7中以特征处理网络表现为分类器为例。其中，第二电子设备将真实的第二训练样本、仿真的第二训练样本和第一训练样本分别输入特征提取网络，得到特征提取网络生成的多个特征信息；多个特征信息包括第一特征信息、第二特征信息和第三特征信息，第一特征信息为对真实的第二训练样本进行特征提取得到，第二特征信息为对仿真的第二训练样本进行特征提取得到，第三特征信息为第一训练样本的特征信息。

第二电子设备将第一特征信息、第二特征信息和第三特征信息分别输入分类器中，得到第二神经网络输出的与第一特征信息对应的第二预测信息、与第二特征信息对应的第二预测信息以及与第三特征信息对应的第二预测信息。

第二电子设备根据第一特征信息、第二特征信息以及第四损失函数，采用生成-对抗的方式对特征提取网络进行训练，前述步骤的具体实现方式可以参阅步骤601中的描述，此处不做赘述。并根据第五损失函数对第二神经网络进行训练，前述步骤的具体实现方式可以参阅步骤605中的描述，此处不做赘述。

第二电子设备重复执行上述步骤，以实现对第二神经网络的迭代训练，直至满足第四损失函数和第五损失函数的收敛条件，得到训练后的第二神经网络，应理解，图7中的示例仅为方便理解本方案，不用于限定本方案。

在图1至图7所对应的实施例的基础上，为了更好的实施本申请实施例的上述方案，下面还提供用于实施上述方案的相关设备。具体参阅图8，图8为本申请实施例提供的电池数据的处理装置的一种结构示意图，电池数据的处理装置800包括：

获取模块801，用于获取电池的第一特征参数的第一取值信息，第一取值信息指示电池在正常状态时第一特征参数的取值，第一特征参数包括电池的特征参数，第一特征参数的取值在电池的使用过程中不能够采集到；

生成模块802，用于根据第一特征参数的第一取值信息，生成电池的第一特征参数的第二取值信息，第二取值信息指示电池在故障状态时第一特征参数的取值；

生成模块802，还用于根据第一特征参数的第二取值信息，生成电池在故障状态时第二特征参数的第三取值信息，其中，第二特征参数包括电池在使用过程中的特征参数，第二特征参数的取值在电池的使用过程中能够采集到。

在一种可能的设计中，第二特征参数包括如下任一项或多项：电压、电流或者温度。

在一种可能的设计中，获取模块801，具体用于将第一向量输入第一机器学习模型中，得到第一机器学习模型输出与第一向量对应的第一预测信息，其中，第一向量来自于第一分布空间，第一预测信息包括第一特征参数的第一取值信息。

在一种可能的设计中，获取模块801，具体用于根据电池在正常状态时的第二特征参数的第四取值信息，生成第一特征参数的第一取值信息。

在一种可能的设计中，第一特征参数包括如下任一项或多项：电池的初始荷电状态、电池容量、电池的欧姆内阻或者电池的极化内阻。

需要说明的是，电池数据的处理装置800中各模块/单元之间的信息交互、执行过程等内容，与本申请中图3至图5对应的各个方法实施例基于同一构思，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。

请参阅图9，图9为本申请实施例提供的机器学习模型的训练装置的一种结构示意图，机器学习模型的训练装置900包括：

获取模块901，用于从训练数据集合中获取第一训练样本，第一训练样本包括电池的第二特征参数的第三取值信息，其中，第二特征参数包括电池在使用过程中的特征参数，第二特征参数的取值在电池的使用过程中能够采集到，第三取值信息包括电池处于故障状态时第二特征参数的取值；

生成模块902，用于将第一训练样本输入第二机器学习模型，得到第二机器学习模型输出的第二预测信息，第二预测信息指示第一训练样本指向的电池的预测状态，电池的预测状态包括电池处于正常状态或电池处于故障状态；

训练模块903，用于根据与第一训练样本对应的正确信息、第二预测信息和损失函数，对第二机器学习模型进行训练，正确信息指示第一训练样本指向的电池的正确状态，损失函数指示第二预测信息和正确信息之间的相似度，电池的正确状态包括电池处于正常状态或电池处于故障状态；

其中，第一训练样本基于电池的第一特征参数的第二取值信息得到，第一特征参数的第二取值信息基于第一特征参数的第一取值信息得到，第一特征参数包括电池的特征参数，第一特征参数的取值在电池的使用过程中不能够采集到，第一取值信息指示电池在正常状态时第一特征参数的取值，第二取值信息指示电池在故障状态时第一特征参数的取值。

在一种可能的设计中，第一特征参数的第一取值信息是通过第一机器学习模型进行预测得到的。

在一种可能的设计中，训练数据集合中还包括多个第二训练样本，每个第二训练样本包括电池的第二特征参数的第四取值信息，第四取值信息包括电池在正常状态下的第二特征参数的取值；

其中，多个第二训练样本包括真实的第二训练样本和仿真的第二训练样本，真实的第二训练样本为在电池正常使用过程中采集到的，仿真的第二训练样本根据第一机器学习模型生成的第一取值信息得到。

在一种可能的设计中，第二机器学习模型包括特征提取网络和特征处理网络，特征提取网络的训练目标还包括拉近第一特征信息和第二特征信息之间的相似度；

其中，第一特征信息为通过特征提取网络对真实的第四取值信息进行特征提取得到，第二特征信息为通过特征提取网络对仿真的第四取值信息进行特征提取得到，第四取值信息包括电池在正常状态下的第二特征参数的取值；

真实的第四取值信息为在电池正常状态下使用时采集到的，仿真的第四取值信息根据第一机器学习模型生成的第一特征参数的第一取值信息得到。

需要说明的是，机器学习模型的训练装置900中各模块/单元之间的信息交互、执行过程等内容，与本申请中图6至图7对应的各个方法实施例基于同一构思，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。

接下来介绍本申请实施例提供的一种电子设备，请参阅图10，图10是本申请实施例提供的电子设备一种结构示意图，具体的，电子设备1000由一个或多个服务器实现，电子设备1000可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)1022(例如，一个或一个以上处理器)和存储器1032，一个或一个以上存储应用程序1042或数据1044的存储介质1030(例如一个或一个以上海量存储设备)。其中，存储器1032和存储介质1030可以是短暂存储或持久存储。存储在存储介质1030的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对电子设备中的一系列指令操作。更进一步地，中央处理器1022可以设置为与存储介质1030通信，在电子设备1000上执行存储介质1030中的一系列指令操作。

电子设备1000还可以包括一个或一个以上电源1026，一个或一个以上有线或无线网络接口1050，一个或一个以上输入输出接口1058，和/或，一个或一个以上操作系统1041，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

本申请实施例中，在一种情况中，中央处理器1022，用于执行图3至图5对应实施例中第一电子设备执行的电池数据的处理方法，需要说明的是，中央处理器1022执行前述各个步骤的具体方式，与本申请中图3至图5对应的各个方法实施例基于同一构思，其带来的技术效果与本申请中图3至图5对应的各个方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。

在另一种情况中，中央处理器1022，用于执行图6至图7对应实施例中第二电子设备执行的机器学习模型的训练方法，需要说明的是，中央处理器1022执行前述各个步骤的具体方式，与本申请中图6至图7对应的各个方法实施例基于同一构思，其带来的技术效果与本申请中图6至图7对应的各个方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。

本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述图3至图5所示实施例描述的方法中第一电子设备所执行的步骤，或者，使得计算机执行如前述图6至图7所示实施例描述的方法中第二电子设备所执行的步骤。

本申请实施例中还提供一种包括计算机程序产品，当其在计算机上运行时，使得计算机执行如前述图3至图5所示实施例描述的方法中第一电子设备所执行的步骤，或者，使得计算机执行如前述图6至图7所示实施例描述的方法中第二电子设备所执行的步骤。

本申请实施例提供的第一电子设备、第二电子设备、电池数据的处理装置或机器学习模型的训练装置具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使芯片执行上述图3至图7所示实施例描述的电池数据的处理方法、机器学习模型的训练方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。

具体的，请参阅图11，图11为本申请实施例提供的芯片的一种结构示意图，所述芯片可以表现为神经网络处理器NPU 110，NPU 110作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路110，通过控制器1104控制运算电路1103提取存储器中的矩阵数据并进行乘法运算。

在一些实现中，运算电路1103内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路1103是二维脉动阵列。运算电路1103还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1103是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器1102中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器1101中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1108中。

统一存储器1106用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller，DMAC)1105，DMAC被搬运到权重存储器1102中。输入数据也通过DMAC被搬运到统一存储器1106中。

BIU为Bus Interface Unit即，总线接口单元1110，用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer，IFB)1109的交互。

总线接口单元1110(Bus Interface Unit，简称BIU)，用于取指存储器1109从外部存储器获取指令，还用于存储单元访问控制器1105从外部存储器获取输入矩阵A或者权重矩阵B的原数据。

DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1106或将权重数据搬运到权重存储器1102中或将输入数据数据搬运到输入存储器1101中。

向量计算单元1107包括多个运算处理单元，在需要的情况下，对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如Batch Normalization(批归一化)，像素级求和，对特征平面进行上采样等。

在一些实现中，向量计算单元1107能将经处理的输出的向量存储到统一存储器1106。例如，向量计算单元1107可以将线性函数和/或非线性函数应用到运算电路1103的输出，例如对卷积层提取的特征平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1107生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1103的激活输入，例如用于在神经网络中的后续层中的使用。

控制器1104连接的取指存储器(instruction fetch buffer)1109，用于存储控制器1104使用的指令；

统一存储器1106，输入存储器1101，权重存储器1102以及取指存储器1109均为On-Chip存储器。外部存储器私有于该NPU硬件架构。

其中，上述各个实施例中示出的神经网络中各层的运算可以由运算电路1103或向量计算单元1107执行。

其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述第一方面方法的程序执行的集成电路。

另外需说明的是，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可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims (22)

1.一种电池数据的处理方法，其特征在于，所述方法包括：

获取电池的第一特征参数的第一取值信息，所述第一取值信息指示电池在正常状态时所述第一特征参数的取值，所述第一特征参数包括电池的特征参数，所述第一特征参数的取值在电池的使用过程中不能够采集到；

根据所述第一特征参数的第一取值信息，生成电池的所述第一特征参数的第二取值信息，所述第二取值信息指示电池在故障状态时所述第一特征参数的取值；

根据所述第一特征参数的第二取值信息，生成电池在故障状态时第二特征参数的第三取值信息，其中，所述第二特征参数包括电池在使用过程中的特征参数，所述第二特征参数的取值在电池的使用过程中能够采集到。

2.根据权利要求1所述的方法，其特征在于，所述第二特征参数包括如下任一项或多项：电压、电流或者温度。

3.根据权利要求1或2所述的方法，其特征在于，

所述第一特征参数的第一取值信息是通过第一机器学习模型进行预测得到的。

4.根据权利要求1或2所述的方法，其特征在于，所述获取电池的第一特征参数的第一取值信息，包括：

根据电池在正常状态时的所述第二特征参数的第四取值信息，生成所述第一特征参数的第一取值信息。

5.根据权利要求1或2所述的方法，其特征在于，所述第一特征参数包括如下任一项或多项：电池的初始荷电状态、电池容量、电池的欧姆内阻或者电池的极化内阻。

6.一种机器学习模型的训练方法，其特征在于，所述方法包括：

从训练数据集合中获取第一训练样本，所述第一训练样本包括电池的第二特征参数的第三取值信息，其中，所述第二特征参数包括电池在使用过程中的特征参数，所述第二特征参数的取值在电池的使用过程中能够采集到，所述第三取值信息包括电池处于故障状态时所述第二特征参数的取值；

将所述第一训练样本输入第二机器学习模型，得到所述第二机器学习模型输出的第二预测信息，所述第二预测信息指示所述第一训练样本指向的电池的预测状态，所述电池的预测状态包括电池处于正常状态或电池处于故障状态；

根据与所述第一训练样本对应的正确信息、所述第二预测信息和损失函数，对所述第二机器学习模型进行训练，所述正确信息指示所述第一训练样本指向的电池的正确状态，所述损失函数指示所述第二预测信息和所述正确信息之间的相似度，所述电池的正确状态包括电池处于正常状态或电池处于故障状态；

其中，所述第一训练样本基于电池的第一特征参数的第二取值信息得到，所述第一特征参数的第二取值信息基于所述第一特征参数的第一取值信息得到，所述第一特征参数包括电池的特征参数，所述第一特征参数的取值在电池的使用过程中不能够采集到，所述第一取值信息指示电池在正常状态时所述第一特征参数的取值，所述第二取值信息指示电池在故障状态时所述第一特征参数的取值。

7.根据权利要求6所述的方法，其特征在于，所述第一特征参数的第一取值信息是通过第一机器学习模型进行预测得到的。

8.根据权利要求7所述的方法，其特征在于，所述训练数据集合中还包括多个第二训练样本，每个所述第二训练样本包括电池的所述第二特征参数的第四取值信息，所述第四取值信息包括电池在正常状态下的所述第二特征参数的取值；

其中，所述多个第二训练样本包括真实的第二训练样本和仿真的第二训练样本，所述真实的第二训练样本为在电池正常使用过程中采集到的，所述仿真的第二训练样本根据所述第一机器学习模型生成的所述第一取值信息得到。

9.根据权利要求7所述的方法，其特征在于，所述第二机器学习模型包括特征提取网络和特征处理网络，所述特征提取网络的训练目标还包括拉近第一特征信息和第二特征信息之间的相似度；

其中，所述第一特征信息为通过所述特征提取网络对真实的第四取值信息进行特征提取得到，所述第二特征信息为通过所述特征提取网络对仿真的第四取值信息进行特征提取得到，所述第四取值信息包括电池在正常状态下的所述第二特征参数的取值；

所述真实的第四取值信息为在电池正常状态下使用时采集到的，所述仿真的第四取值信息根据所述第一机器学习模型生成的所述第一特征参数的第一取值信息得到。

10.一种电池数据的处理装置，其特征在于，所述装置包括：

获取模块，用于获取电池的第一特征参数的第一取值信息，所述第一取值信息指示电池在正常状态时所述第一特征参数的取值，所述第一特征参数包括电池的特征参数，所述第一特征参数的取值在电池的使用过程中不能够采集到；

生成模块，用于根据所述第一特征参数的第一取值信息，生成电池的所述第一特征参数的第二取值信息，所述第二取值信息指示电池在故障状态时所述第一特征参数的取值；

所述生成模块，还用于根据所述第一特征参数的第二取值信息，生成电池在故障状态时第二特征参数的第三取值信息，其中，所述第二特征参数包括电池在使用过程中的特征参数，所述第二特征参数的取值在电池的使用过程中能够采集到。

11.根据权利要求10所述的装置，其特征在于，所述第二特征参数包括如下任一项或多项：电压、电流或者温度。

12.根据权利要求10或11所述的装置，其特征在于，所述第一特征参数的第一取值信息是通过第一机器学习模型进行预测得到的。

13.根据权利要求10或11所述的装置，其特征在于，

所述获取模块，具体用于根据电池在正常状态时的所述第二特征参数的第四取值信息，生成所述第一特征参数的第一取值信息。

14.根据权利要求10或11所述的装置，其特征在于，所述第一特征参数包括如下任一项或多项：电池的初始荷电状态、电池容量、电池的欧姆内阻或者电池的极化内阻。

15.一种机器学习模型的训练装置，其特征在于，所述装置包括：

获取模块，用于从训练数据集合中获取第一训练样本，所述第一训练样本包括电池的第二特征参数的第三取值信息，其中，所述第二特征参数包括电池在使用过程中的特征参数，所述第二特征参数的取值在电池的使用过程中能够采集到，所述第三取值信息包括电池处于故障状态时所述第二特征参数的取值；

生成模块，用于将所述第一训练样本输入第二机器学习模型，得到所述第二机器学习模型输出的第二预测信息，所述第二预测信息指示所述第一训练样本指向的电池的预测状态，所述电池的预测状态包括电池处于正常状态或电池处于故障状态；

训练模块，用于根据与所述第一训练样本对应的正确信息、所述第二预测信息和损失函数，对所述第二机器学习模型进行训练，所述正确信息指示所述第一训练样本指向的电池的正确状态，所述损失函数指示所述第二预测信息和所述正确信息之间的相似度，所述电池的正确状态包括电池处于正常状态或电池处于故障状态；

其中，所述第一训练样本基于电池的第一特征参数的第二取值信息得到，所述第一特征参数的第二取值信息基于所述第一特征参数的第一取值信息得到，所述第一特征参数包括电池的特征参数，所述第一特征参数的取值在电池的使用过程中不能够采集到，所述第一取值信息指示电池在正常状态时所述第一特征参数的取值，所述第二取值信息指示电池在故障状态时所述第一特征参数的取值。

16.根据权利要求15所述的装置，其特征在于，所述第一特征参数的第一取值信息是通过第一机器学习模型进行预测得到的。

17.根据权利要求16所述的装置，其特征在于，所述训练数据集合中还包括多个第二训练样本，每个所述第二训练样本包括电池的所述第二特征参数的第四取值信息，所述第四取值信息包括电池在正常状态下的所述第二特征参数的取值；

其中，所述多个第二训练样本包括真实的第二训练样本和仿真的第二训练样本，所述真实的第二训练样本为在电池正常使用过程中采集到的，所述仿真的第二训练样本根据所述第一机器学习模型生成的所述第一取值信息得到。

18.根据权利要求16所述的装置，其特征在于，所述第二机器学习模型包括特征提取网络和特征处理网络，所述特征提取网络的训练目标还包括拉近第一特征信息和第二特征信息之间的相似度；

其中，所述第一特征信息为通过所述特征提取网络对真实的第四取值信息进行特征提取得到，所述第二特征信息为通过所述特征提取网络对仿真的第四取值信息进行特征提取得到，所述第四取值信息包括电池在正常状态下的所述第二特征参数的取值；

所述真实的第四取值信息为在电池正常状态下使用时采集到的，所述仿真的第四取值信息根据所述第一机器学习模型生成的所述第一特征参数的第一取值信息得到。

19.一种电子设备，其特征在于，所述电子设备为第一电子设备，所述第一电子设备包括处理器和存储器，所述处理器与所述存储器耦合，

所述存储器，用于存储程序；

所述处理器，用于执行所述存储器中的程序，使得所述第一电子设备执行如权利要求1至5中任一项所述的方法。

20.一种电子设备，其特征在于，所述电子设备为第二电子设备，所述第二电子设备包括处理器和存储器，所述处理器与所述存储器耦合，

所述存储器，用于存储程序；

所述处理器，用于执行所述存储器中的程序，使得所述第二电子设备执行如权利要求6至9中任一项所述的方法。

21.一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中存储有程序，当所述程序在计算机上运行时，使得计算机执行如权利要求1至5中任一项所述的方法，或者，使得计算机执行如权利要求6至9中任一项所述的方法。

22.一种计算机程序产品，其特征在于，所述计算机程序产品包括程序，当所述程序在计算机上运行时，使得计算机执行如权利要求1至5中任一项所述的方法，或者，使得计算机执行如权利要求6至9中任一项所述的方法。

Images