CN116559667A - 模型训练方法及装置、电池检测方法及装置、设备、介质 - Google Patents

Abstract

本申请涉及一种模型训练方法及装置、电池检测方法及装置、设备、介质，应用于电池管理技术领域，模型训练方法包括：获取MAE模型中的编码器部分；根据电池检测任务，构建目标解码网络，根据编码器部分的Transformer网络和目标解码网络，构建电池检测任务对应的初始电池检测模型；获取多个样本电池工况序列特征和样本电池工况序列特征对应的样本标签数据；将样本电池工况序列特征输入初始电池检测模型，得到预测数据；根据预测数据、样本标签数据和预设损失函数，得到损失值，根据损失值对初始电池检测模型中Transformer网络和目标解码网络的网络参数进行调整，生成目标电池检测模型。本申请可以提高电池检测的准确性。

Description

模型训练方法及装置、电池检测方法及装置、设备、介质

技术领域

本申请涉及电池管理技术领域，尤其涉及一种模型训练方法及装置、电池检测方法及装置、设备、介质。

背景技术

随着电动汽车的快速发展，电池的健康状况和寿命估计变得越来越重要。近年来，基于机器学习的电池寿命估计方法逐渐受到关注。例如，可以采用RNN(循环神经网络)或LSTM(长短期记忆网络)等循环神经网络对电池寿命进行估计。然而，该方法虽然能够较好地捕捉电池的序列特征，但是对于长序列的处理效率不高，导致对电池寿命估计的准确性较低。另外，可以基于传统神经网络的方法对电池进行异常检测，例如长短时记忆网络和GRU(门控循环单元网络)等。该方法通常需要大量的数据训练生成神经网络模型，并且难以处理数据的动态变化和不同特征之间的相互作用，因此，检测结果的准确性较低。上述神经网络模型通常具有较高的计算复杂度和内存需求，导致训练和部署成本较高，且难以适用于嵌入式系统等资源受限的环境。

发明内容

为了解决上述技术问题，本申请提供了一种模型训练方法及装置、电池检测方法及装置、设备、介质。

根据本申请的第一方面，提供了一种电池检测模型训练方法，包括：

获取预先训练的掩码自动编码器MAE模型中的编码器部分，其中，所述MAE模型中的编码器部分和解码器部分均为Transformer网络；

根据电池检测任务，构建目标解码网络，并根据所述编码器部分的Transformer网络和所述目标解码网络，构建所述电池检测任务对应的初始电池检测模型；

获取多个样本电池工况序列特征和每个样本电池工况序列特征对应的样本标签数据，所述样本标签数据与所述电池检测任务对应；

将每个样本电池工况序列特征输入所述初始电池检测模型，得到预测数据；

根据所述预测数据、所述样本标签数据和预设损失函数，得到损失值，并根据所述损失值对所述初始电池检测模型中Transformer网络和目标解码网络的网络参数进行调整，生成目标电池检测模型。

可选地，所述电池检测任务为电池寿命估计任务；所述电池寿命估计任务对应的样本标签数据为样本电池工况序列特征对应的样本寿命数据；

所述根据电池检测任务，构建目标解码网络，包括：

根据所述电池寿命估计任务，构建多层神经网络；

所述根据所述编码器部分的Transformer网络和所述目标解码网络，构建初始电池检测模型，包括：

根据所述编码器部分的Transformer网络和所述多层神经网络，构建初始电池检测模型；

所述将每个样本电池工况序列特征输入所述初始电池检测模型，得到预测数据，包括：

将每个样本电池工况序列特征输入所述初始电池检测模型，得到预测寿命数据；

所述根据所述预测数据、所述样本标签数据和预设损失函数，得到损失值，并根据所述损失值对所述初始电池检测模型中Transformer网络和目标解码网络的网络参数进行调整，生成目标电池检测模型，包括：

根据所述预测寿命数据、所述样本寿命数据和第一预设损失函数，得到损失值，并根据所述损失值对所述初始电池检测模型中Transformer网络和多层神经网络的网络参数进行调整，生成目标电池检测模型。

可选地，所述电池检测任务为电池异常检测任务；所述电池异常检测任务对应的样本标签数据为样本电池工况序列特征对应的样本分类值，所述样本分类值表征电池是否存在异常；

所述根据电池检测任务，构建目标解码网络，包括：

根据所述电池异常检测任务，构建分类器网络；

所述根据所述编码器部分的Transformer网络和所述目标解码网络，构建初始电池检测模型，包括：

根据所述编码器部分的Transformer网络和所述分类器网络，构建初始电池检测模型；

所述将每个样本电池工况序列特征输入所述初始电池检测模型，得到预测数据，包括：

将每个样本电池工况序列特征输入所述初始电池检测模型，得到预测分类值；

所述根据所述预测数据、所述样本标签数据和预设损失函数，得到损失值，并根据所述损失值对所述初始电池检测模型中Transformer网络和目标解码网络的网络参数进行调整，生成目标电池检测模型，包括：

根据所述预测分类值、所述样本分类值和第二预设损失函数，得到损失值，并根据所述损失值对所述初始电池检测模型中Transformer网络和分类器网络的网络参数进行调整，生成目标电池检测模型。

可选地，所述获取多个样本电池工况序列特征，包括：

获取预设时间段内的电池工况数据；

从所述电池工况数据中提取出关键特征，得到电池工况特征；

按固定时间长度对所述电池工况特征进行划分，得到多个滑窗数据，并将所述滑窗数据作为样本电池工况序列特征。

根据本申请的第二方面，提供了一种电池检测方法，包括：

获取待检测电池的电池工况序列特征，以及针对所述待检测电池的检测任务；

将所述电池工况序列特征输入预先训练的、与所述检测任务对应的目标电池检测模型，得到所述待检测电池的检测结果，其中，所述目标电池检测模型基于第一方面所述的方法训练生成。

可选地，所述检测任务为：电池寿命估计任务；与电池寿命估计任务对应的目标电池检测模型为电池寿命估计模型；

所述将所述电池工况序列特征输入预先训练的、与所述检测任务对应的目标电池检测模型，得到所述待检测电池的检测结果，包括：

将所述电池工况序列特征输入预先训练的电池寿命估计模型，得到所述待检测电池的寿命数据；或者，

所述检测任务为：电池异常检测任务；与电池异常检测任务对应的电池检测模型为电池异常检测模型；

所述将所述电池工况序列特征输入预先训练的、与所述检测任务对应的目标电池检测模型，得到所述待检测电池的检测结果，包括：

将所述电池工况序列特征输入预先训练的电池异常检测模型，得到所述待检测电池的分类值，所述分类值表征所述待检测电池是否存在异常。

根据本申请的第三方面，提供了一种电池检测模型训练装置，包括：

编码器部分获取模块，用于获取预先训练的掩码自动编码器MAE模型中的编码器部分，其中，所述MAE模型中的编码器部分和解码器部分均为Transformer网络；

目标解码网络构建模块，用于根据电池检测任务，构建目标解码网络；

初始电池检测模型构建模块，用于根据所述编码器部分的Transformer网络和所述目标解码网络，构建所述电池检测任务对应的初始电池检测模型；

训练数据获取模块，用于获取多个样本电池工况序列特征和每个样本电池工况序列特征对应的样本标签数据，所述样本标签数据与所述电池检测任务对应；

预测数据确定模块，用于将每个样本电池工况序列特征输入所述初始电池检测模型，得到预测数据；

损失值确定模块，用于根据所述预测数据、所述样本标签数据和预设损失函数，得到损失值；

参数调整模块，用于根据所述损失值对所述初始电池检测模型中Transformer网络和目标解码网络的网络参数进行调整，生成目标电池检测模型。

可选地，所述电池检测任务为电池寿命估计任务；所述电池寿命估计任务对应的样本标签数据为样本电池工况序列特征对应的样本寿命数据；

所述目标解码网络构建模块，具体用于根据所述电池寿命估计任务，构建多层神经网络；

所述初始电池检测模型构建模块，具体用于根据所述编码器部分的Transformer网络和所述多层神经网络，构建初始电池检测模型；

所述预测数据确定模块，具体用于将每个样本电池工况序列特征输入所述初始电池检测模型，得到预测寿命数据；

所述损失值确定模块，具体用于根据所述预测寿命数据、所述样本寿命数据和第一预设损失函数，得到损失值；

参数调整模块，具体用于根据所述损失值对所述初始电池检测模型中Transformer网络和多层神经网络的网络参数进行调整，生成目标电池检测模型。

可选地，所述电池检测任务为电池异常检测任务；所述电池异常检测任务对应的样本标签数据为样本电池工况序列特征对应的样本分类值，所述样本分类值表征电池是否存在异常；

所述目标解码网络构建模块，具体用于根据所述电池异常检测任务，构建分类器网络；

所述初始电池检测模型构建模块，具体用于根据所述编码器部分的Transformer网络和所述分类器网络，构建初始电池检测模型；

所述预测数据确定模块，具体用于将每个样本电池工况序列特征输入所述初始电池检测模型，得到预测分类值；

所述损失值确定模块，具体用于根据所述预测分类值、所述样本分类值和第二预设损失函数，得到损失值；

参数调整模块，具体用于根据所述损失值对所述初始电池检测模型中Transformer网络和分类器网络的网络参数进行调整，生成目标电池检测模型。

可选地，所述训练数据获取模块具体用于通过下述步骤实现获取多个样本电池工况序列特征：

获取预设时间段内的电池工况数据；

从所述电池工况数据中提取出关键特征，得到电池工况特征；

按固定时间长度对所述电池工况特征进行划分，得到多个滑窗数据，并将所述滑窗数据作为样本电池工况序列特征。

根据本申请的第四方面，提供了一种电池检测装置，包括：

特征及任务获取模块，用于获取待检测电池的电池工况序列特征，以及针对所述待检测电池的检测任务；

检测结果确定模块，用于将所述电池工况序列特征输入预先训练的、与所述检测任务对应的目标电池检测模型，得到所述待检测电池的检测结果，其中，所述目标电池检测模型基于第一方面所述的方法训练生成。

可选地，所述检测任务为：电池寿命估计任务；与电池寿命估计任务对应的目标电池检测模型为电池寿命估计模型；

所述检测结果确定模块，具体用于将所述电池工况序列特征输入预先训练的电池寿命估计模型，得到所述待检测电池的寿命数据；或者，

所述检测任务为：电池异常检测任务；与电池异常检测任务对应的电池检测模型为电池异常检测模型；

所述检测结果确定模块，具体用于将所述电池工况序列特征输入预先训练的电池异常检测模型，得到所述待检测电池的分类值，所述分类值表征所述待检测电池是否存在异常。

根据本申请的第五方面，提供了一种电子设备，包括：处理器，所述处理器用于执行存储于存储器的计算机程序，所述计算机程序被处理器执行时实现第一方面或第二方面所述的方法。

根据本申请的第六方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面或第二方面所述的方法。

根据本申请的第七方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面或第二方面所述的方法。

本申请实施例提供的技术方案与现有技术相比具有如下优点：

基于Transformer架构的MAE模型，可以通过自监督的方法训练生成。利用预训练的MAE模型的编码器部分，即在编码器部分Transformer网络的基础上，基于电池检测任务构建目标解码网络，并根据Transformer网络和目标解码网络构建与电池检测任务对应的初始电池检测模型。通过获取训练数据，对Transformer网络和目标解码网络进行调整。由于Transformer网络中的网络参数是预先训练完成的，因此在训练过程中进行微调即可，简化了模型训练的过程。由于训练数据是实际场景下采集到的数据，因此可以提高模型的精度和适用性。本申请实施例中，基于不同的电池检测任务，可以构建不同的目标解码网络，进而构建不同的初始电池检测模型，以适应不同场景的需求。由于Transformer网络具有自注意力机制，因此利用Transformer网络的自注意力机制，可以有效地处理时间序列数据，捕捉长距离依赖关系，提高了对时间序列数据的建模能力，进而提高电池检测的准确性。并且，本申请设计了轻量化的网络结构，降低了计算和内存需求，可以适用于资源受限的环境。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例中电池检测模型训练方法的一种流程图；

图2为transformer网络的一种架构示意图；

图3为本申请实施例中训练电池寿命估计任务对应的电池检测模型的一种流程图；

图4为本申请实施例中训练电池异常检测任务对应的电池检测模型的一种流程图；

图5为本申请实施例中电池检测方法的一种流程图；

图6为本申请实施例中电池检测模型训练装置的一种结构示意图；

图7为本申请实施例中电池检测方法的一种结构示意图；

图8为本申请实施例中电子设备的一种结构示意图。

具体实施方式

为了能够更清楚地理解本申请的上述目的、特征和优点，下面将对本申请的方案进行进一步描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但本申请还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本申请的一部分实施例，而不是全部的实施例。

参见图1，图1为本申请实施例中电池检测模型训练方法的一种流程图，可以包括以下步骤：

步骤S102，获取预先训练的掩码自动编码器模型中的编码器部分。

MAE(掩码自动编码器)模型是通过自监督训练生成的模型。MAE模型包括编码器部分和解码器部分。本申请实施例中，为了适用于电池检测场景，更好地处理时间序列数据，编码器部分和解码器部分均可以为Transformer网络。通过获取新能源汽车动力电池的历史充电数据、放电数据、静置段数据等，根据上述数据进行自监督训练，生成基于transformer网络架构的MAE模型。

参见图2，图2为transformer网络的一种架构示意图，可以看出，transformer网络包括自注意力模块，利用自注意力模块能够有效处理时间序列数据，捕捉长距离依赖关系，从而提高数据特征提取的准确性。因此，利用该MAE模型的编码器部分，并根据不同的电池检测任务，生成不同的电池检测模型，并对电池进行检测，可以提高电池检测的准确性。例如，可以对电池进行异常检测和寿命估计等。

步骤S104，根据电池检测任务，构建目标解码网络，并根据编码器部分的Transformer网络和目标解码网络，构建电池检测任务对应的初始电池检测模型。

从MAE模型中获取的编码器部分(即Transformer网络)仍然作为新构建的初始电池检测模型的编码网络，根据不同场景下的电池检测任务，可以构建不同的目标解码网络。根据Transformer网络和目标解码网络，构建电池检测任务对应的初始电池检测模型。需要说明的是，初始电池检测模型指的是网络参数待调整的模型，该初始电池检测模型经过训练之后，更新为目标电池检测模型。即，初始电池检测模型和目标电池检测模型的网络结构相同，网络参数的值不同。

步骤S106，获取多个样本电池工况序列特征和每个样本电池工况序列特征对应的样本标签数据。

本申请实施例中，在训练不同电池检测任务对应的初始电池检测模型时，所使用的输入数据是相同的，均为样本电池工况序列特征。样本电池工况序列特征指的是多个时刻下的电池工况特征构成的序列数据。电池工况特征可以是一个工况下的特征，也可以是多个工况下的特征。电池的工况包括：充电、放电、静置等。例如，电池充电状态下的电池工况特征可以包括：不同时间戳对应的电流(可以包括最小电流和最大电流)、电压(可以包括最小单体平均电压和最大单体平均电压)、温度、电池充电状态等，电池放电状态下的电池工况特征可以包括：不同时间戳对应的电流(可以包括最小电流和最大电流)、电压(可以包括最小单体平均电压和最大单体平均电压)、温度、电池放电状态等。

在一些实施例中，可以获取预设时间段内的电池工况数据，从电池工况数据中提取出关键特征，得到电池工况特征。按固定时间长度对电池工况特征进行划分，得到多个滑窗数据，并将滑窗数据作为样本电池工况序列特征。

在提取到电池工况特征后，也可以先对电池工况特征进行预处理，包括去噪、采样、归一化等操作。还可以将电池工况特征按照采集的时间戳进行拆分，例如，将大于三个采样周期的电池工况特征，在中断处拆分成两个片段数据。还可以将采样周期的数据缺失的部分使用线性插值的方法进行填充等。之后，按固定时间长度对上述处理后的电池工况特征进行划分，得到多个滑窗数据，最终得到的每个滑窗数据的数据长度也是固定的。

针对不同的电池检测任务，所使用的样本标签数据也会不同，即样本标签数据与电池检测任务对应。例如，如果电池检测任务为电池寿命估计任务，样本标签数据可以为电池的寿命数据，当然，该电池与前述采集电池工况特征时的电池相同。如果电池检测任务为电池异常检测任务，那么样本标签数据可以为样本分类值，样本分类值表征电池是否存在异常。例如，样本分类值为1，可以表示电池存在异常；样本分类值为0，可以表示电池不存在异常。

步骤S108，将每个样本电池工况序列特征输入初始电池检测模型，得到预测数据。

步骤S110，根据预测数据、样本标签数据和预设损失函数，得到损失值，并根据损失值对初始电池检测模型中Transformer网络和目标解码网络的网络参数进行调整，生成目标电池检测模型。

在模型训练过程中，将样本电池工况序列特征输入初始电池检测模型，得到的预测数据与实际的标签数据之间具有一定的误差。将预测数据和样本标签数据代入预设损失函数(例如可以包括均方误差等)，得到损失值，损失值可以用来估量模型的预测值与真实值的不一致程度。在训练的过程中，可以通过梯度下降法，根据反向传播原理，不断计算损失值，并根据损失值更新初始电池检测模型中网络参数的值，直至满足收敛条件(例如损失值小于预设阈值等)，最终生成目标电池检测模型。

本申请实施例的电池检测模型训练方法，在MAE模型的编码器部分Transformer网络的基础上，基于电池检测任务构建目标解码网络，并根据Transformer网络和目标解码网络构建与电池检测任务对应的初始电池检测模型。通过获取训练数据，对Transformer网络和目标解码网络进行调整。由于Transformer网络中的网络参数是预先训练完成的，因此在训练过程中进行微调即可，简化了模型训练的过程。由于训练数据是实际场景下采集到的数据，因此可以提高模型的精度和适用性。本申请实施例中，基于不同的电池检测任务，可以构建不同的目标解码网络，进而构建不同的初始电池检测模型，以适应不同场景的需求。由于Transformer网络具有自注意力机制，因此利用Transformer网络的自注意力机制，可以有效地处理时间序列数据，捕捉长距离依赖关系，提高了对时间序列数据的建模能力，进而提高电池检测的准确性。并且，本申请设计了轻量化的网络结构，降低了计算和内存需求，可以适用于资源受限的环境。

参见图3，图3为本申请实施例中训练电池寿命估计任务对应的电池检测模型的一种流程图，可以包括以下步骤：

步骤S302，获取预先训练的掩码自动编码器模型中的编码器部分。

步骤S304，根据电池寿命估计任务，构建多层神经网络，并根据编码器部分的Transformer网络和多层神经网络，构建电池检测任务对应的初始电池检测模型。

步骤S306，获取多个样本电池工况序列特征和每个样本电池工况序列特征对应的样本标签数据，电池寿命估计任务对应的样本标签数据为样本电池工况序列特征对应的样本寿命数据。

步骤S308，将每个样本电池工况序列特征输入初始电池检测模型，得到预测寿命数据。

步骤S310，根据预测寿命数据、样本寿命数据和第一预设损失函数，得到损失值，并根据损失值对初始电池检测模型中Transformer网络和多层神经网络的网络参数进行调整，生成目标电池检测模型。

针对电池寿命估计任务，最终需要输出电池的寿命，多层神经网络的结构比较简单，包括输入层、隐藏层和输出层，可以使用多层神经网络作为解码网络。相应地，电池寿命估计任务对应的样本标签数据为样本电池工况序列特征对应的样本寿命数据。电池的寿命数据可以是电池健康度SOH，SOH是指电池容量、健康度、性能状态，即电池使用一段时间后性能参数与标称参数的比值。新出厂的电池的SOH为100％，完全报废的电池的SOH为0％。

在Transformer网络的基础上，利用多层神经网络，可以构建用于对电池寿命进行估计的初始电池检测模型。根据样本电池工况序列特征和样本寿命数据对初始电池检测模型进行训练，可以生成用于对电池寿命进行估计的目标电池检测模型。

参见图4，图4为本申请实施例中训练电池异常检测任务对应的电池检测模型的一种流程图，可以包括以下步骤：

步骤S402，获取预先训练的掩码自动编码器模型中的编码器部分。

步骤S404，根据电池异常检测任务，构建分类器网络，并根据编码器部分的Transformer网络和分类器网络，构建初始电池检测模型。

步骤S406，获取多个样本电池工况序列特征和每个样本电池工况序列特征对应的样本标签数据，电池异常检测任务对应的样本标签数据为样本电池工况序列特征对应的样本分类值，样本分类值表征电池是否存在异常。

步骤S408，将每个样本电池工况序列特征输入初始电池检测模型，得到预测分类值。

步骤S410，根据预测分类值、样本分类值和第二预设损失函数，得到损失值，并根据损失值对初始电池检测模型中Transformer网络和分类器网络的网络参数进行调整，生成目标电池检测模型。

由于电池异常检测任务是检测电池是否属于异常，属于分类任务，因此可以使用分类器网络作为解码网络，分类器网络包括但不限于SVM(支持向量机)、xgboost、随机森林。电池异常检测任务对应的样本标签数据为样本电池工况序列特征对应的样本分类值，样本分类值可以是1或0，1可以表示电池存在异常，0表示电池不存在异常。

在Transformer网络的基础上，利用分类器网络，可以构建用于检测电池是否存在异常的初始电池检测模型。根据样本电池工况序列特征和样本分类值对初始电池检测模型进行训练，可以生成用于检测电池是否存在异常的目标电池检测模型。

参见图5，图5为本申请实施例中电池检测方法的一种流程图，可以包括以下步骤：

步骤S502，获取待检测电池的电池工况序列特征，以及针对待检测电池的检测任务。

本申请实施例中，电池工况序列特征与前述训练过程中的滑窗数据的获取方法相同，待检测电池的电池工况序列特征可以是一个时间段内的一个或多个滑窗数据。

步骤S504，将电池工况序列特征输入预先训练的、与检测任务对应的目标电池检测模型，得到待检测电池的检测结果，其中，目标电池检测模型基于图1所示的方法训练生成。

如前所述，检测任务不同，训练生成的模型也会不同。将每个滑窗数据输入检测任务对应的目标电池检测模型，可以得到对应的检测结果。在待检测电池的电池工况序列特征包括一个滑窗数据的情况下，该滑窗数据对应的检测结果可以直接作为待检测电池的检测结果。在待检测电池的电池工况序列特征包括多个滑窗数据的情况下，可以对多个滑窗数据分别对应的检测结果进行统计分析，来确定待检测电池的检测结果，这样，可以提高检测结果的准确性。

在一些实施例中，检测任务为：电池寿命估计任务；与电池寿命估计任务对应的目标电池检测模型为电池寿命估计模型。将电池工况序列特征输入预先训练的电池寿命估计模型，得到待检测电池的寿命数据。

在一些实施例中，检测任务为：电池异常检测任务；与电池异常检测任务对应的电池检测模型为电池异常检测模型。将电池工况序列特征输入预先训练的电池异常检测模型，得到待检测电池的分类值，分类值表征待检测电池是否存在异常。

本申请实施例的电池检测方法，通过实时获取电池工况序列特征，从而可以及时发现电池的异常情况，为实际应用提供更好的保障。由于采用了Transformer网络，因此能够充分利用电池数据的时间序列特征，从而实现更准确的建模和预测。并且，能够实现并行计算，提高模型的处理速度，从而提高电池检测效率。另外，可以同时实现电池的异常检测和寿命估计，具有更加广泛的应用价值。

相应于上述方法实施例，本申请实施例还提供了一种电池检测模型训练装置，参见图6，电池检测模型训练装置600包括：

编码器部分获取模块602，用于获取预先训练的MAE模型中的编码器部分，其中，MAE模型中的编码器部分和解码器部分均为Transformer网络；

目标解码网络构建模块604，用于根据电池检测任务，构建目标解码网络；

初始电池检测模型构建模块606，用于根据编码器部分的Transformer网络和目标解码网络，构建电池检测任务对应的初始电池检测模型；

训练数据获取模块608，用于获取多个样本电池工况序列特征和每个样本电池工况序列特征对应的样本标签数据，样本标签数据与电池检测任务对应；

预测数据确定模块610，用于将每个样本电池工况序列特征输入初始电池检测模型，得到预测数据；

损失值确定模块612，用于根据预测数据、样本标签数据和预设损失函数，得到损失值；

参数调整模块614，用于根据损失值对初始电池检测模型中Transformer网络和目标解码网络的网络参数进行调整，生成目标电池检测模型。

可选地，电池检测任务为电池寿命估计任务；电池寿命估计任务对应的样本标签数据为样本电池工况序列特征对应的样本寿命数据；

目标解码网络构建模块604，具体用于根据电池寿命估计任务，构建多层神经网络；

初始电池检测模型构建模块606，具体用于根据编码器部分的Transformer网络和多层神经网络，构建初始电池检测模型；

预测数据确定模块610，具体用于将每个样本电池工况序列特征输入初始电池检测模型，得到预测寿命数据；

损失值确定模块612，具体用于根据预测寿命数据、样本寿命数据和第一预设损失函数，得到损失值；

参数调整模块614，具体用于根据损失值对初始电池检测模型中Transformer网络和多层神经网络的网络参数进行调整，生成目标电池检测模型。

可选地，电池检测任务为电池异常检测任务；电池异常检测任务对应的样本标签数据为样本电池工况序列特征对应的样本分类值，样本分类值表征电池是否存在异常；

目标解码网络构建模块604，具体用于根据电池异常检测任务，构建分类器网络；

初始电池检测模型构建模块606，具体用于根据编码器部分的Transformer网络和分类器网络，构建初始电池检测模型；

预测数据确定模块610，具体用于将每个样本电池工况序列特征输入初始电池检测模型，得到预测分类值；

损失值确定模块612，具体用于根据预测分类值、样本分类值和第二预设损失函数，得到损失值；

参数调整模块614，具体用于根据损失值对初始电池检测模型中Transformer网络和分类器网络的网络参数进行调整，生成目标电池检测模型。

可选地，训练数据获取模块608具体用于通过下述步骤实现获取多个样本电池工况序列特征：

获取预设时间段内的电池工况数据；

从电池工况数据中提取出关键特征，得到电池工况特征，按固定时间长度对电池工况特征进行划分，得到多个滑窗数据，并将滑窗数据作为样本电池工况序列特征。

本申请实施例还提供了一种电池检测装置，参见图7，电池检测装置700包括：

特征及任务获取模块702，用于获取待检测电池的电池工况序列特征，以及针对待检测电池的检测任务；

检测结果确定模块704，用于将电池工况序列特征输入预先训练的、与检测任务对应的目标电池检测模型，得到待检测电池的检测结果，其中，目标电池检测模型基于图1所示的方法训练生成。

可选地，检测任务为：电池寿命估计任务；与电池寿命估计任务对应的目标电池检测模型为电池寿命估计模型；

检测结果确定模块704，具体用于将电池工况序列特征输入预先训练的电池寿命估计模型，得到待检测电池的寿命数据；或者，

检测任务为：电池异常检测任务；与电池异常检测任务对应的电池检测模型为电池异常检测模型；

检测结果确定模块704，具体用于将电池工况序列特征输入预先训练的电池异常检测模型，得到待检测电池的分类值，分类值表征待检测电池是否存在异常。

上述装置中各模块的具体细节已经在对应的方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

在本申请的示例性实施例中，还提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行本示例实施方式中上述电池检测模型训练方法或电池检测方法。

图8为本申请实施例中电子设备的一种结构示意图。需要说明的是，图8示出的电子设备800仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统操作所需的各种程序和数据。中央处理单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如局域网(LAN)卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元801执行时，执行本申请的装置中限定的各种功能。

本申请实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述电池检测模型训练方法或电池检测方法。

需要说明的是，本申请所示的计算机可读存储介质例如可以是—但不限于—电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器、只读存储器、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、射频等等，或者上述的任意合适的组合。

本申请实施例中，还提供了一种计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行上述电池检测模型训练方法或电池检测方法。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种电池检测模型训练方法，其特征在于，包括：

获取预先训练的掩码自动编码器MAE模型中的编码器部分，其中，所述MAE模型中的编码器部分和解码器部分均为Transformer网络；

根据电池检测任务，构建目标解码网络，并根据所述编码器部分的Transformer网络和所述目标解码网络，构建所述电池检测任务对应的初始电池检测模型；

获取多个样本电池工况序列特征和每个样本电池工况序列特征对应的样本标签数据，所述样本标签数据与所述电池检测任务对应；

将每个样本电池工况序列特征输入所述初始电池检测模型，得到预测数据；

根据所述预测数据、所述样本标签数据和预设损失函数，得到损失值，并根据所述损失值对所述初始电池检测模型中Transformer网络和目标解码网络的网络参数进行调整，生成目标电池检测模型。

2.根据权利要求1所述的方法，其特征在于，所述电池检测任务为电池寿命估计任务；所述电池寿命估计任务对应的样本标签数据为样本电池工况序列特征对应的样本寿命数据；

所述根据电池检测任务，构建目标解码网络，包括：

根据所述电池寿命估计任务，构建多层神经网络；

所述根据所述编码器部分的Transformer网络和所述目标解码网络，构建初始电池检测模型，包括：

根据所述编码器部分的Transformer网络和所述多层神经网络，构建初始电池检测模型；

所述将每个样本电池工况序列特征输入所述初始电池检测模型，得到预测数据，包括：

将每个样本电池工况序列特征输入所述初始电池检测模型，得到预测寿命数据；

所述根据所述预测数据、所述样本标签数据和预设损失函数，得到损失值，并根据所述损失值对所述初始电池检测模型中Transformer网络和目标解码网络的网络参数进行调整，生成目标电池检测模型，包括：

根据所述预测寿命数据、所述样本寿命数据和第一预设损失函数，得到损失值，并根据所述损失值对所述初始电池检测模型中Transformer网络和多层神经网络的网络参数进行调整，生成目标电池检测模型。

3.根据权利要求1所述的方法，其特征在于，所述电池检测任务为电池异常检测任务；所述电池异常检测任务对应的样本标签数据为样本电池工况序列特征对应的样本分类值，所述样本分类值表征电池是否存在异常；

所述根据电池检测任务，构建目标解码网络，包括：

根据所述电池异常检测任务，构建分类器网络；

所述根据所述编码器部分的Transformer网络和所述目标解码网络，构建初始电池检测模型，包括：

根据所述编码器部分的Transformer网络和所述分类器网络，构建初始电池检测模型；

所述将每个样本电池工况序列特征输入所述初始电池检测模型，得到预测数据，包括：

将每个样本电池工况序列特征输入所述初始电池检测模型，得到预测分类值；

所述根据所述预测数据、所述样本标签数据和预设损失函数，得到损失值，并根据所述损失值对所述初始电池检测模型中Transformer网络和目标解码网络的网络参数进行调整，生成目标电池检测模型，包括：

根据所述预测分类值、所述样本分类值和第二预设损失函数，得到损失值，并根据所述损失值对所述初始电池检测模型中Transformer网络和分类器网络的网络参数进行调整，生成目标电池检测模型。

4.根据权利要求1所述的方法，其特征在于，所述获取多个样本电池工况序列特征，包括：

获取预设时间段内的电池工况数据；

从所述电池工况数据中提取出关键特征，得到电池工况特征；

按固定时间长度对所述电池工况特征进行划分，得到多个滑窗数据，并将所述滑窗数据作为样本电池工况序列特征。

5.一种电池检测方法，其特征在于，包括：

获取待检测电池的电池工况序列特征，以及针对所述待检测电池的检测任务；

将所述电池工况序列特征输入预先训练的、与所述检测任务对应的目标电池检测模型，得到所述待检测电池的检测结果，其中，所述目标电池检测模型基于权利要求1～4任一项所述的方法训练生成。

6.根据权利要求5所述的方法，其特征在于，所述检测任务为：电池寿命估计任务；与电池寿命估计任务对应的目标电池检测模型为电池寿命估计模型；

所述将所述电池工况序列特征输入预先训练的、与所述检测任务对应的目标电池检测模型，得到所述待检测电池的检测结果，包括：

将所述电池工况序列特征输入预先训练的电池寿命估计模型，得到所述待检测电池的寿命数据；或者，

所述检测任务为：电池异常检测任务；与电池异常检测任务对应的电池检测模型为电池异常检测模型；

所述将所述电池工况序列特征输入预先训练的、与所述检测任务对应的目标电池检测模型，得到所述待检测电池的检测结果，包括：

将所述电池工况序列特征输入预先训练的电池异常检测模型，得到所述待检测电池的分类值，所述分类值表征所述待检测电池是否存在异常。

7.一种电池检测模型训练装置，其特征在于，包括：

编码器部分获取模块，用于获取预先训练的掩码自动编码器MAE模型中的编码器部分，其中，所述MAE模型中的编码器部分和解码器部分均为Transformer网络；

目标解码网络构建模块，用于根据电池检测任务，构建目标解码网络；

初始电池检测模型构建模块，用于根据所述编码器部分的Transformer网络和所述目标解码网络，构建所述电池检测任务对应的初始电池检测模型；

训练数据获取模块，用于获取多个样本电池工况序列特征和每个样本电池工况序列特征对应的样本标签数据，所述样本标签数据与所述电池检测任务对应；

预测数据确定模块，用于将每个样本电池工况序列特征输入所述初始电池检测模型，得到预测数据；

损失值确定模块，用于根据所述预测数据、所述样本标签数据和预设损失函数，得到损失值；

参数调整模块，用于根据所述损失值对所述初始电池检测模型中Transformer网络和目标解码网络的网络参数进行调整，生成目标电池检测模型。

8.一种电池检测装置，其特征在于，包括：

特征及任务获取模块，用于获取待检测电池的电池工况序列特征，以及针对所述待检测电池的检测任务；

检测结果确定模块，用于将所述电池工况序列特征输入预先训练的、与所述检测任务对应的目标电池检测模型，得到所述待检测电池的检测结果，其中，所述目标电池检测模型基于权利要求1～4任一项所述的方法训练生成。

9.一种电子设备，其特征在于，包括：处理器，所述处理器用于执行存储于存储器的计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的方法，或者实现权利要求5或6所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的方法，或者实现权利要求5或6所述的方法。