CN117074961A - 一种变分自编码器动力电池异常检测方法、系统、装置及存储介质 - Google Patents
一种变分自编码器动力电池异常检测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN117074961A CN117074961A CN202311053721.4A CN202311053721A CN117074961A CN 117074961 A CN117074961 A CN 117074961A CN 202311053721 A CN202311053721 A CN 202311053721A CN 117074961 A CN117074961 A CN 117074961A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- abnormality detection
- power battery
- encoder
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 97
- 230000005856 abnormality Effects 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 239000000203 mixture Substances 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种变分自编码器动力电池异常检测方法，包括：S1、收集动力电池生产过程中的时间序列数据；S2、对所述电池时间序列数据进行预处理；S3、将训练集的序列数据输入到变分自编码器为主体的异常检测模型，得到重构序列；S4、采用高斯混合模型构建异常阈值；S5、采用训练好的异常检测模型在测试集上进行异常检测。本发明能够有效降低由于非异常因素引起的数据波动，大幅提高在电池时间序列异常检测方面的灵敏度和准确度。本发明还提供了基于上述变分自编码器动力电池异常检测方法的系统、装置及存储介质。
Description
技术领域
本发明涉及电池检测技术领域，具体涉及一种变分自编码器动力电池异常检测方法、系统、装置及存储介质。
背景技术
多元时间序列异常检测旨在捕捉数据中的意外或罕见的实例。作为数据分析的一个重要分支，其被广泛应用于多个领域，例如工业安全检测、故障检测、欺诈检测和网络安全检测等。现有的时间序列异常检测方法可分为传统机器学习方法和深度学习方法。传统机器学习方法包括统计模型、距离度量模型、预测模型和聚类模型等。虽然传统方法在时间序列异常检测上有着不错的表现，但是它们不适用于当前的工业成产环境。在当前的工业环境中，异常标签数量占比很小，因此正常数据和异常数据的比例出现明显的不平衡，而传统数据很难在这类数据上学得较好的模型。另外，随着工业应用程序的自动化和智能化水平的提高，数据的维度变得越来越大，而传统方法的性能往往随着数据维度增大而下降。深度学习方法通常包括基于重构的方法和基于预测的方法。基于重构的方法主要包括基于自编码器、变分自编码器、基于GAN、基于注意力机制的异常检测算法。而基于预测的方法主要包括两种，一种是预测数据标签，观察其是否和真实标签匹配；另一种是预测未来时间戳的期望值，观察期望值和观测值之间的误差。
现有技术中，也有关于电池多元时间序列异常检测的相关报道，例如公开号为CN112798963A的中国专利申请公开了一种基于时间序列的电池充电特性异常检测方法、装置及介质。该方法包括如下步骤：步骤S1、数据采集；步骤S2、数据处理；步骤S3、基于单个电芯历史数据的异常检测；以及步骤S4、基于所有电芯当前数据的异常检测。通过该发明中的方法，不仅能够较佳地对单个电芯是否在其生命周期内出现异常进行检测，而且还能够较佳地实现任一电芯相对其余电芯是否出现异常进行检测，故而能够较佳地实现充电异常的判定。但是该方法难以捕获数据中的复杂长期依赖关系，无法对时间序列表示进行重构，因而无法比较输入序列和重构序列之间的误差和异常阈值的差距，无法获得精准的异常值，从而无法有效降低由于非异常因素引起的数据波动，因而对多元时间序列异常检测的灵敏度和准确度均有待提升。
发明内容
针对现有技术的不足，本发明提出了一种变分自编码器动力电池异常检测方法，能够有效降低由于非异常因素引起的数据波动，大幅提高在电池时间序列异常检测方面的灵敏度和准确度。
本发明还提供了基于上述动力电池异常检测方法的检测系统、装置及存储介质。
为实现上述技术方案，本发明提供了一种变分自编码器动力电池异常检测方法，具体包括以下步骤：
S1、收集动力电池生产过程中的时间序列数据；
S2、对所述电池时间序列数据进行预处理；
S3、将训练集的序列数据输入到变分自编码器为主体的异常检测模型，得到重构序列；然后计算目标损失函数，采用梯度下降法进行模型的训练学习，同时运用验证集进行模型的超参数调整；
S4、采用高斯混合模型构建异常阈值。
S5、采用训练好的异常检测模型在测试集上进行异常检测。
优选的，所述步骤S2具体包括如下步骤：
S21、剔除与异常无关的特征，避免引入额外的噪声，影响模型的训练学习；
S22、对数据进行标准化处理，使数据缩放到相同的数据范围，消除数据量纲的影响，同时提升模型的收敛速度；
S23、采用一阶差分、二阶差分、平方、开方的方式进行特征构造；
S24、设置时间窗口，对时间序列数据进行裁剪，采用滑动窗口方式，对序列数据进行滑动采样，从而将长序列数据划分成多条短序列数据；
S25、将序列数据划分成训练集、验证集和测试集，其中不包含异常的时间序列按比例划分成训练集和验证集，其余包含异常的时间序列全部归为测试集。
优选的，所述步骤S24中，实际执行过程中通过设置时间滑动窗口，对时间序列数据进行滑动裁剪，将所收集的序列数据S＝{s1,s2,...,sn}划分成多条子序列数据，划分过程如下：
S＝{s1,s2,...,sn}→{{s1,s2,...,sw},{s2,s3,...,sw+1},...,{sn-w-1,sn-w-2,...,sn},}
其中，n为所述电池时间序列数据的总长度，w为滑动窗口长度，即子序列长度，整个电池长时间序列可以被划分成n-w+1个子序列。
优选的，所述步骤S3具体包括如下步骤：
S31、将序列数据输入到编码器的多层长短期记忆网络层中进行编码，并且提取序列上的长期依赖关系；
S32、运用全连接层将长短期记忆网络层的输出转换为潜在空间表示的均值和方差；
S33、运用重参数层从潜在空间表示的均值和方差中采样得到最终的潜在空间表示；
S34、将所述的潜在空表表示输入到解码器，得到训练集的重构序列；
S35、计算异常检测模型的损失函数；
S36、使用梯度下降法，更新异常检测模型的参数，并使用验证集，判断模型是否出现过拟合问题，调整模型超参数。
优选的，所述步骤S35中具体通过如下方式计算异常检测模型的损失函数：损失函数由重构误差损失和KL散度误差构成，重构误差损失通常使用均方差误差来计算，用于衡量输入数据st和解码器重构数据之间的差异，KL散度误差损失计算潜在空间表示的均值和方差与标准正态分布之间的KL散度，衡量潜在空间表示分布与标准正态分布之间的差异，它的最小化可以使得编码器学习到将输入样本映射到隐空间中的分布与标准正态分布相似的表示，以促进模型学习更好的潜在表示，两类损失函数以及总的目标损失函数的公式如下所示：
其中，q(zt|st)是给定输入st时潜在变量zt的后验分布，p(zt)是潜在变量的先验分布并且设置为标准正态分布，k是潜在空间表示的维度，μi和σi分别是潜在空间表示的均值和标均差，
β是用于控制重构误差和KL散度误差之间权重比例的超参数。
优选的，所述步骤S4，具体包括：
S41、利用训练好的异常检测模型，在测试集上进行测试，得到序列的重构误差；
S42、使用高斯混合模型拟合重构误差分布；
S43、使用拟合好的高斯混合模型来计算每个重构误差的概率密度，并选取其中的某个百分数作为异常阈值。
优选的，所述步骤S41具体通过如下方式计算测试集数据的重构误差：首先使用训练好的异常检测模型对测试集数据进行预测，得到预测结果，然后，计算测试集数据和预测结果之间的重构误差，具体计算过程如下：
本发明还提供了一种变分自编码器动力电池异常检测系统，使用上述的变分自编码器动力电池异常检测方法进行检测，具体包括：数据收集模块，用于收集待检测电池的时间序列数据，包括时间戳和重要特征信息；数据预处理模块，用于对所述时间序列数据进行预处理，所述预处理操作包括数据清洗、数据标准化、特征提取和数据转换；异常检测模型训练模块，用于使用经过预处理的时间序列数据，训练异常检测模型；异常检测模块，用于使用所述异常检测模型进行异常检测，判断待检测电池数据是否存在异常情况。
本发明还提供了一种变分自编码器动力电池异常检测装置，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现本发明提供的变分自编码器动力电池异常检测方法。
本发明还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行本发明提供的变分自编码器动力电池异常检测方法。
本发明提供的一种变分自编码器动力电池异常检测方法有益效果在于：本变分自编码器动力电池异常检测方法采用基于长短期记忆网络的编码器，以捕获数据中的复杂长期依赖关系，从而得到时间序列的潜在空间表示。接下来，解码器对编码后的时间序列表示进行重构，并输出重构序列。本发明使用高斯混合模型来构建异常阈值，通过比较输入序列和重构序列之间的误差和异常阈值的差距，来判断是否为异常值。本发明在时间序列异常检测方面表现出良好的性能，能够有效降低由于非异常因素引起的数据波动，大幅提高在电池时间序列异常检测方面的灵敏度和准确度。
附图说明
图1是本发明的步骤流程图。
图2是本发明的总体逻辑运行流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：一种变分自编码器动力电池异常检测方法
如图1和图2所示，本实施例提供一种动力电池的异常检测方法。基于变分自编码器对动力电池的多元时间序列进行重构，并且使用高斯混合模型得到异常阈值，实现了多元时间序列的异常检测。本发明的方法具体包括以下步骤：
S1、收集动力电池生产过程中的时间序列数据。具体地，借助动力电池生产线的传感器，按照时间戳顺序依次记录电池的电流、电压、温度等特征信息。
S2，对所述电池时间序列数据进行预处理。
其中，步骤S2具体包括步骤S21-S25：
S21、数据清洗。根据先验知识，从原始数据中选择最相关的特征，去除无关的特征，避免有些特征可能会对模型的检测结果产生负面影响，以提高模型的准确性和可靠性。
S22、数据标准化。考虑到不同的特征具有不同的量纲和单位，这会导致模型的检测结果受到影响。对所述电池的特征信息进行数据标准化，消除不同特征之间的量纲和单位差异，从而使得不同特征之间具有可比性，提高了模型的精度和稳定性，同时加速模型的收敛速度。
S23、特征生成。采用一阶差分、二阶差分、平方、开方等方式进行特征构造。
S24、序列数据裁剪。由于时间序列数据存在时间依赖性，对时间序列t时刻的特征值st进行异常检测时，仅根据当前时间的特征信息来判断是否异常，通常很难给出准确的结果。因此设置时间滑动窗口，对时间序列数据进行滑动裁剪，从而将所收集的序列数据S＝{s1,s2,...,sn}划分成多条子序列数据，划分过程大致如下：
S＝{s1,s2,...,sn}→{{s1,s2,...,sw},{s2,s3,...,sw+1},...,{sn-w-1,sn-w-2,...,sn},}
其中，n为所述电池时间序列数据的总长度，w为滑动窗口长度，即子序列长度，整个电池长时间序列可以被划分成n-w+1个子序列。
S25、数据集划分。鉴于真实生产环境下异常数据较为稀少，难以收集大量的异常数据用于模型的监督训练，因此本方法采用无监督的方式训练异常检测模型。在数据集的划分方面，本发明将不包含异常的时间序列按比例划分为训练集和验证集，而将包含异常的时间序列全部归为测试集，以用于评估模型的异常检测效果。
S3、模型训练。本发明设计的异常检测模型主体为变分自编码器模型。模型结构有解码器和编码器两个部分组成。其中解码器由多层长短期记忆网络(LSTM)层、两个全连接层和重参数化层构成，而编码器由多层全连接层构成。
其中，步骤S3具体包括步骤S31-S36：
S31、子序列首先输入到编码器的多层长短期记忆网络(LSTM)层中进行更加准确的编码，并捕获数据中复杂的长期依赖关系。与传统的全连接神经网络相比，LSTM具有记忆单元和门控机制，使其能够更好地处理时间序列数据。多层LSTM层可以将前一层的输出作为后一层的输入，从而在逐层处理数据时对数据进行更深入的分析。最后一层LSTM层输出每个时间步的潜在空间表示。
S32、LSTM层的输出分别输入到两个全连接层中得到潜在空间表示的均值和方差。
S33、重参数层从潜在空间表示的均值和方差中采样得到最终的潜在空间表示。这个过程包括两个步骤：从标准正态分布中采样随机向量；将潜在空间表示的均值和方差计算出的参数，将随机向量转换为最终的潜在空间表示zt。该步骤的作用是将潜在空间编码与标准正态分布相互关联起来，使得潜在空间采样过程转化为可微分的操作，以便模型能够进行有效的梯度下降优化。
S34、将所述的潜在空表表示输入解码器。首先，输入传递给多层具有ReLU激活函数的全连接层，然后输出通过一个具有线性激活函数的全连接层进行缩放，以匹配原始输入数据的尺寸，将潜在空间编码映射到原始输入空间，从而生成与原始数据相似的重构数据
S35、计算异常检测模型的损失函数。损失函数由重构误差损失和KL散度误差构成。重构误差损失通常使用均方差误差(MSE)来计算，用于衡量输入数据st和解码器重构数据之间的差异。KL散度误差损失计算潜在空间表示的均值和方差与标准正态分布之间的KL散度，衡量潜在空间表示分布与标准正态分布之间的差异，它的最小化可以使得编码器学习到将输入样本映射到隐空间中的分布与标准正态分布相似的表示，以促进模型学习更好的潜在表示。两类损失函数以及总的目标损失函数的公式如下所示：
其中，q(zt|st)是给定输入st时潜在变量zt的后验分布，p(zt)是潜在变量的先验分布并且设置为标准正态分布，k是潜在空间表示的维度，μi和σi分别是潜在空间表示的均值和标均差。β是用于控制重构误差和KL散度误差之间权重比例的超参数。通常情况下，β的值在训练过程中逐渐增加，以便在训练早期更加注重重构误差，而在训练后期更加注重KL散度误差。
S36、使用梯度下降法，更新异常检测模型的参数，直到目标损失函数达到预设阈值。同时，使用验证集，判断模型是否出现过拟合等问题，调整模型超参数。
S4、异常阈值构建。本发明结合高斯混合模型(GMM)来拟合重构误差的分布，并根据分布生成异常阈值。
其中，步骤S4具体包括步骤S41-S46：
S41、计算测试集数据的重构误差。首先，使用训练好的异常检测模型对测试集数据进行预测，得到预测结果。然后，计算测试集数据和预测结果之间的重构误差。该步骤的计算过程如下：
S42、使用GMM将重构误差分成正常值和异常值两部分。GMM是一种参数化的概率模型，由多个高斯分布组成，可以对数据进行聚类和异常检测。GMM的基本思想是将数据看作是由多个高斯分布组成的混合分布，即每个数据点都来自于某个高斯分布。本发明使用GMM将重构误差分成两个高斯分布，一个高斯分布表示正常值，另一个高斯分布表示异常值。
S43、使用拟合好的GMM模型来计算每个重构误差的概率密度然后将重构误差的概率密度按照从小到大排序，然后选取第m个百分位数作为阈值φ，记为，k的取值范围为1％到10％不等。
S5、异常检测。使用每个时间步的概率密度值与步骤S43得到的异常阈值进行比较φ，当/>时，则可判断当前时间步出现异常情况。
本实施例中的变分自编码器动力电池异常检测方法采用基于长短期记忆网络的编码器，以捕获数据中的复杂长期依赖关系，从而得到时间序列的潜在空间表示。接下来，解码器对编码后的时间序列表示进行重构，并输出重构序列。本发明使用高斯混合模型来构建异常阈值，通过比较输入序列和重构序列之间的误差和异常阈值的差距，来判断是否为异常值。本发明在时间序列异常检测方面表现出良好的性能，能够有效降低由于非异常因素引起的数据波动，大幅提高在电池时间序列异常检测方面的灵敏度和准确度。
实施例2：一种变分自编码器动力电池异常检测系统
一种变分自编码器动力电池异常检测系统，具体包括：
数据收集模块，用于收集待检测电池的时间序列数据，包括时间戳和重要特征信息，例如电压、电流、温度等指标。
数据预处理模块，用于对所述时间序列数据进行预处理，所述预处理操作包括数据清洗、数据标准化、特征提取和数据转换，通过数据预处理模块将不包含异常的时间序列按比例划分为训练集和验证集，而将包含异常的时间序列全部归为测试集，以用于评估模型的异常检测效果，并可以消除不同特征之间的量纲和单位差异，从而使得不同特征之间具有可比性，提高了模型的精度和稳定性，同时加速模型的收敛速。
异常检测模型训练模块，用于使用经过预处理的时间序列数据，训练异常检测模型。并可以使用验证集，判断模型是否出现过拟合等问题，调整模型超参数。
异常检测模块，用于使用所述异常检测模型进行异常检测，判断待检测电池数据是否存在异常情况，异常检测模使用高斯混合模型来构建异常阈值，通过比较输入序列和重构序列之间的误差和异常阈值的差距，来判断是否为异常值。
本变分自编码器动力电池异常检测系统可以有效降低由于非异常因素引起的数据波动，大幅提高在电池时间序列异常检测方面的灵敏度和准确度，而且自动化、智能化程度高。
实施例3：一种变分自编码器动力电池异常检测装置
一种变分自编码器动力电池异常检测装置，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现实施例1提供的变分自编码器动力电池异常检测方法。
实施例4：一种计算机可读存储介质
一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行实施例1提供的变分自编码器动力电池异常检测方法。
本发明在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中，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，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上所述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，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种变分自编码器动力电池异常检测方法，其特征在于，具体包括以下步骤：
S1、收集动力电池生产过程中的时间序列数据；
S2、对所述电池时间序列数据进行预处理；
S3、将训练集的序列数据输入到变分自编码器为主体的异常检测模型，得到重构序列；然后计算目标损失函数，采用梯度下降法进行模型的训练学习，同时运用验证集进行模型的超参数调整；
S4、采用高斯混合模型构建异常阈值；
S5、采用训练好的异常检测模型在测试集上进行异常检测。
2.根据权利要求1所述的变分自编码器动力电池异常检测方法，其特征在于，所述步骤S2具体包括如下步骤：
S21、剔除与异常无关的特征，避免引入额外的噪声，影响模型的训练学习；
S22、对数据进行标准化处理，使数据缩放到相同的数据范围，消除数据量纲的影响，同时提升模型的收敛速度；
S23、采用一阶差分、二阶差分、平方、开方的方式进行特征构造；
S24、设置时间窗口，对时间序列数据进行裁剪，采用滑动窗口方式，对序列数据进行滑动采样，从而将长序列数据划分成多条短序列数据；
S25、将序列数据划分成训练集、验证集和测试集，其中不包含异常的时间序列按比例划分成训练集和验证集，其余包含异常的时间序列全部归为测试集。
3.根据权利要求2所述的变分自编码器动力电池异常检测方法，其特征在于，所述步骤S24中，实际执行过程中通过设置时间滑动窗口，对时间序列数据进行滑动裁剪，将所收集的序列数据S＝{s1,s2,...,sn}划分成多条子序列数据，划分过程如下：
S＝{s1,s2,...,sn}→{{s1,s2,...,sw},{s2,s3,...,sw+1},...,{sn-w-1,sn-w-2,...,sn},}
其中，n为所述电池时间序列数据的总长度，w为滑动窗口长度，即子序列长度，整个电池长时间序列可以被划分成n-w+1个子序列。
4.根据权利要求1所述的变分自编码器动力电池异常检测方法，其特征在于，所述步骤S3具体包括如下步骤：
S31、将序列数据输入到编码器的多层长短期记忆网络层中进行编码，并且提取序列上的长期依赖关系；
S32、运用全连接层将长短期记忆网络层的输出转换为潜在空间表示的均值和方差；
S33、运用重参数层从潜在空间表示的均值和方差中采样得到最终的潜在空间表示；
S34、将所述的潜在空表表示输入到解码器，得到训练集的重构序列；
S35、计算异常检测模型的损失函数；
S36、使用梯度下降法，更新异常检测模型的参数，并使用验证集，判断模型是否出现过拟合问题，调整模型超参数。
5.根据权利要求4所述的变分自编码器动力电池异常检测方法，其特征在于，所述步骤S35中具体通过如下方式计算异常检测模型的损失函数：损失函数由重构误差损失和KL散度误差构成，重构误差损失通常使用均方差误差来计算，用于衡量输入数据st和解码器重构数据之间的差异，KL散度误差损失计算潜在空间表示的均值和方差与标准正态分布之间的KL散度，衡量潜在空间表示分布与标准正态分布之间的差异，它的最小化可以使得编码器学习到将输入样本映射到隐空间中的分布与标准正态分布相似的表示，以促进模型学习更好的潜在表示，两类损失函数以及总的目标损失函数的公式如下所示：
其中，q(zt|st)是给定输入st时潜在变量zt的后验分布，p(zt)是潜在变量的先验分布并且设置为标准正态分布，k是潜在空间表示的维度，μi和σi分别是潜在空间表示的均值和标均差，β是用于控制重构误差和KL散度误差之间权重比例的超参数。
6.根据权利要求1所述的变分自编码器动力电池异常检测方法，其特征在于，所述步骤S4，具体包括：
S41、利用训练好的异常检测模型，在测试集上进行测试，得到序列的重构误差；
S42、使用高斯混合模型拟合重构误差分布；
S43、使用拟合好的高斯混合模型来计算每个重构误差的概率密度，并选取其中的某个百分数作为异常阈值。
7.根据权利要求6所述的变分自编码器动力电池异常检测方法，其特征在于，所述步骤S41具体通过如下方式计算测试集数据的重构误差：首先使用训练好的异常检测模型对测试集数据进行预测，得到预测结果，然后，计算测试集数据和预测结果之间的重构误差，具体计算过程如下：
8.一种变分自编码器动力电池异常检测系统，其特征在于，使用如权利要求1-7任一所述的方法进行检测，具体包括：
数据收集模块，用于收集待检测电池的时间序列数据，包括时间戳和重要特征信息；
数据预处理模块，用于对所述时间序列数据进行预处理，所述预处理操作包括数据清洗、数据标准化、特征提取和数据转换；
异常检测模型训练模块，用于使用经过预处理的时间序列数据，训练异常检测模型；
异常检测模块，用于使用所述异常检测模型进行异常检测，判断待检测电池数据是否存在异常情况。
9.一种变分自编码器动力电池异常检测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-7任一项所述方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311053721.4A CN117074961A (zh) | 2023-08-21 | 2023-08-21 | 一种变分自编码器动力电池异常检测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311053721.4A CN117074961A (zh) | 2023-08-21 | 2023-08-21 | 一种变分自编码器动力电池异常检测方法、系统、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117074961A true CN117074961A (zh) | 2023-11-17 |
Family
ID=88714804
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311053721.4A Pending CN117074961A (zh) | 2023-08-21 | 2023-08-21 | 一种变分自编码器动力电池异常检测方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117074961A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117406161A (zh) * | 2023-12-11 | 2024-01-16 | 普华讯光（北京）科技有限公司 | 一种计量装置量值偏离度预警方法、系统、设备及介质 |
| CN117692346A (zh) * | 2024-01-31 | 2024-03-12 | 浙商银行股份有限公司 | 基于谱正则化变分自编码器的消息阻塞预测方法及装置 |
| CN117793764A (zh) * | 2023-12-27 | 2024-03-29 | 广东宜通衡睿科技有限公司 | 5g专网软探针拨测数据完整性校验和补全方法及系统 |
-
2023
- 2023-08-21 CN CN202311053721.4A patent/CN117074961A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117406161A (zh) * | 2023-12-11 | 2024-01-16 | 普华讯光（北京）科技有限公司 | 一种计量装置量值偏离度预警方法、系统、设备及介质 |
| CN117406161B (zh) * | 2023-12-11 | 2024-04-02 | 普华讯光（北京）科技有限公司 | 一种计量装置量值偏离度预警方法、系统、设备及介质 |
| CN117793764A (zh) * | 2023-12-27 | 2024-03-29 | 广东宜通衡睿科技有限公司 | 5g专网软探针拨测数据完整性校验和补全方法及系统 |
| CN117692346A (zh) * | 2024-01-31 | 2024-03-12 | 浙商银行股份有限公司 | 基于谱正则化变分自编码器的消息阻塞预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117074961A (zh) | 一种变分自编码器动力电池异常检测方法、系统、装置及存储介质 | |
| CN109948117A (zh) | 一种对抗网络自编码器的卫星异常检测方法 | |
| CN113255835A (zh) | 一种水电站泵类设备异常检测方法 | |
| CN110763997A (zh) | 一种同步电机定子早期故障预警方法 | |
| CN112731260B (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
| CN112036042B (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
| CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
| CN114623050A (zh) | 风电机组的运行数据异常检测方法、系统及介质 | |
| CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
| CN112101554A (zh) | 异常检测方法及装置、设备、计算机可读存储介质 | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| Wang et al. | A hidden semi-markov model with duration-dependent state transition probabilities for prognostics | |
| Hu et al. | A hybrid model for predicting the degradation trend of hydropower units based on deep learning | |
| CN114912640A (zh) | 基于深度学习的发电机组的异常模式检测方法及系统 | |
| CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
| Lu et al. | GAN-LSTM predictor for failure prognostics of rolling element bearings | |
| CN115184054A (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
| Xu et al. | Anomaly detection with gru based bi-autoencoder for industrial multimode process | |
| CN113076689B (zh) | 一种基于自动编码器的电池状态评估方法 | |
| CN117290685A (zh) | 一种基于历史数据的电厂电力设备专家诊断系统及方法 | |
| CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
| CN111930728A (zh) | 一种设备的特征参数和故障率的预测方法及系统 | |
| CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 |
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 |