CN117388716A - 基于时序数据的电池组故障诊断方法、系统及存储介质 - Google Patents
基于时序数据的电池组故障诊断方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117388716A CN117388716A CN202311688951.8A CN202311688951A CN117388716A CN 117388716 A CN117388716 A CN 117388716A CN 202311688951 A CN202311688951 A CN 202311688951A CN 117388716 A CN117388716 A CN 117388716A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- layer
- prompt
- feature
- attention module
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000012549 training Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005215 recombination Methods 0.000 claims description 7
- 230000006798 recombination Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 230000001737 promoting effect Effects 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 abstract description 6
- 230000003313 weakening effect Effects 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- QHGJSLXSVXVKHZ-UHFFFAOYSA-N dilithium;dioxido(dioxo)manganese Chemical compound [Li+].[Li+].[O-][Mn]([O-])(=O)=O QHGJSLXSVXVKHZ-UHFFFAOYSA-N 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- XGZVUEUWXADBQD-UHFFFAOYSA-L lithium carbonate Chemical compound [Li+].[Li+].[O-]C([O-])=O XGZVUEUWXADBQD-UHFFFAOYSA-L 0.000 description 1
- 229910052808 lithium carbonate Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于时序数据的电池组故障诊断方法、系统及存储介质，采用一维时序数据训练网络模型，将一维时序数据转换为二维图像数据，通过去噪编码网络部分将二维图像数据的特征信息从低维空间映射至高维空间，再通过提示引导解码网络部分启发模型解码信息，最后有监督地使用目标函数进行分类计算。本发明从通道、时序两个角度进行处理提取特征，挖掘时序数据之间的关联性，并通过嵌入可学习提示参数高效地结合空间、时序注意力进行学习，自适应地恢复受噪声影响的信息，减弱模型对噪声的敏感性从而提高模型的准确率；本发明通过提示引导解码网络部分增强特征信息流之间的交互性，抑制冗余的信息，允许有用的信息继续传播。
Description
技术领域
本发明属于电池故障诊断的技术领域，具体涉及基于时序数据的电池组故障诊断方法、系统及存储介质。
背景技术
随着全球城市化的快速发展，环境污染和能源枯竭问题接踵而至，我国开始着手绿色低碳能源的挖掘，大力推行节能减排政策，这是保护环境和缓解不可再生能源消耗的必然选择。电池组作为新能源存储单元，具有高能量密度、高功率、高耐久性的特点，大量的电池组是集装箱储能设备的组成之一，集装箱储能设备能简化基础设施，广泛应用于海岛、医院、学校等应用场合，带来一定程度的便利。
近几年锂电池类型较多，分为磷酸铁锂电池、锰酸锂电池、碳酸锂电池、三元锂电池等等，故障类别主要有微短路、过充电、过放电等，发现电池故障问题及时排查，能避免引发更严重的后续事件。电池组故障诊断方法主要分为三类：
第一类是基于模型的方法，这类方法通过将模型输出结果与实际测量结果进行对比，计算两者的差值是否达到故障阈值，达到故障判断的目的，因阈值是人为经验设定，设置不当时会导致诊断结果出错，主观性太强。
第二类是基于信号分析的方法，这类方法通过对电池组相关状态信息的监控，如电压、温度等参数，从而发现故障电池组，但这类方法也需要人为设定阈值，当监控参数达到阈值时才会及时报警，漏报误报率高。
第三类是基于数据驱动的方法，这类方法是通过收集电池组相关运行参数数据，再输入到基于深度学习或机器学习的模型中学习，稳定性和准确率都高于前面两类方法。
目前，大多数电池组故障诊断方法都是利用物理模型和统计分析，这些方法需要大量的人为经验和专业知识，泛化性不好，导致出现许多误报和漏报，即使是使用基于数据驱动的方法也需要大量的数据，增加人力成本。因此，急需一种自适应学习、部署简化的电池组故障诊断方案，能在有限的时序数据上得到高性能的模型，从而提高故障的报警准确性。
发明内容
本发明的目的在于提供基于时序数据的电池组故障诊断方法、系统及存储介质，旨在解决上述的问题。
本发明主要通过以下技术方案实现：
基于时序数据的电池组故障诊断方法，包括以下步骤：
步骤S1：获取一维时序数据，所述一维时序数据包括正常时序数据和故障时序数据，所述正常时序数据和故障时序数据分别包括不同测试时间下电池组的电压、电流和温度三种时序数据；
步骤S2：搭建网络模型；
步骤S3：采用一维时序数据训练网络模型：
步骤S31：将一维时序数据转换为二维图像数据后输入网络模型；
步骤S32：通过去噪编码网络部分将二维图像数据的特征信息从低维空间映射至高维空间：提取二维图像数据的局部特征，并分别输入时序自注意力模块和通道注意力模块，最终通过特征拼接层实现特征融合；所述时序自注意力模块首先通过卷积组合块加深网络深度，再利用特征重组层改变特征信息的维度大小，然后通过相加的方式将可学习的提示参数P e 与原特征信息融合；所述通道注意力模块通过卷积组合块加深网络深度，然后通过相加的方式将可学习的提示参数P e 与原特征信息融合，构成一个共享空间，促进各个分支上的提示参数共享特征信息；
步骤S33：再通过提示引导解码网络部分启发模型解码信息：首先将以类别标签结尾的可学习的提示参数P d 输入到提示编码器中，经冻结参数的文本编码器处理后输出提示信息，然后利用特征拼接层将步骤S32输出的特征与提示信息拼接，增强特征信息流之间的交互性；
步骤S34：最后使用目标函数进行分类计算；
步骤S4：将监测数据输入训练后的网络模型并输出故障诊断结果。
为了更好地实现本发明，进一步地，所述步骤S31包括以下步骤：
步骤A1：首先，将时序数据进行归一化处理；
步骤A2：再利用马尔可夫转换场分别处理电压、电流和温度三种时序数据，得到马尔可夫转换场矩阵：
其中，M为马尔可夫转换场矩阵，
x为变量时序数据，
n为时序长度，
m ij 为分位数q i 转移到分位数q j 的转移概率；
步骤A3：然后，使用高斯模糊核进行聚合压缩计算，控制图像的尺寸，实现稀疏采样的同时保留信息；
步骤A4：最后，将电压、电流和温度的二维图像数据堆叠形成图像块，并输入到网络模型中训练学习。优选地，通过统一时序数据的长度使生成的二维图像尺寸统一。
为了更好地实现本发明，进一步地，所述步骤S32中，根据特征重组层方向上的特征信息的维度信息，随机生成一组符合高斯分布的可学习的提示参数，时序自注意力模块和通道注意力模块的信息融合的公式如下：
其中，N为批处理大小，
、/>和/>分别为维度结构的高、宽和通道的参数，
Q为时序自注意力模块的查询特征，为信息融合后的时序自注意力模块的查询特征；
K为时序自注意力模块的关键特征，为信息融合后的时序自注意力模块的关键特征；
V为时序自注意力模块的显著特征，为信息融合后的时序自注意力模块的显著特征；
C为构成通道注意力模块的特征。为信息融合后的构成通道注意力模块的特征。
为了更好地实现本发明，进一步地，所述步骤S33中，先通过提示编码器生成第K类的文本嵌入特征T e ，然后利用卷积组合块在文本嵌入特征T e 中添加非线性，增强特征融合的有效性，最后利用特征拼接层将其与步骤S32输出的特征进行拼接交互。
为了更好地实现本发明，进一步地，所述文本嵌入特征T e 的映射关系如下：
其中，TextEncoder为文本编码器；
可学习的提示参数P d 根据特征的分辨率变化而变化，如果文本嵌入特征T e 的分辨率小于特征的分辨率，则采用上采样操作扩大可学习的提示参数P d ，否则采用下采样操作缩小可学习的提示参数P d 。
本发明主要通过以下技术方案实现：
基于时序数据的电池组故障诊断系统，采用上述的电池组故障诊断方法进行，包括数据获取模块、数据预处理模块、训练模块和诊断模块；所述数据获取模块用于获取一维时序数据；所述训练模块用于采用一维时序数据训练网络模型，所述数据预处理模块用于将一维时序数据转换为二维图像数据并输入网络模型进行学习训练；所述诊断模块用于将监测数据输入训练后的网络模型并输出故障诊断结果；
所述网络模型包括从前至后依次设置的去噪编码网络部分、提示引导解码网络部分和分类器，所述去噪编码网络部分包括从前至后依次设置的卷积组合块和Transformer块，所述Transformer块内部嵌入有提示性混合注意力模块，所述提示性混合注意力模块包括分别引入可学习的变量参数P e 的时序自注意力模块和通道注意力模块以及特征拼接层，所述特征拼接层分别与时序自注意力模块和通道注意力模块连接；所述提示引导解码网络部分包括从前至后依次设置的提示编码器、卷积组合块和特征拼接层，所述提示编码器用于输出提示信息，且输入为一组以类别标签结尾的可学习的提示参数P d ；所述提示引导解码网络部分的特征拼接层用于将去噪编码网络部分输出的特征与提示信息拼接。
优选地，所述去噪编码网络部分用于将二维图像数据的特征信息从低维空间映射至高维空间，所述提示引导解码网络部分用于启发模型解码信息，所述分类器用于使用目标函数进行分类计算。
为了更好地实现本发明，进一步地，所述时序自注意力模块包括并列设置的第一支路、第二支路和第三支路，所述通道注意力模块包括第四支路；所述第一支路、第二支路和第三支路上分别从前至后依次设置有卷积组合块、特征重组层和特征相加层，所述第四支路上从前至后依次设置有若干个卷积组合块以及特征相加层；所述特征相加层的输入包括可学习的提示参数P e ；所述第一支路和第二支路的输出端分别通过特征相乘层与Softmax层连接，所述Softmax层和第三支路的输出端分别通过特征相乘层与提示性混合注意力模块的特征拼接层连接，所述第四支路的输出端与S型函数层连接，所述S型函数层以及第四支路上的卷积组合块的输出端分别通过特征相乘层与提示性混合注意力模块的特征拼接层连接。
为了更好地实现本发明，进一步地，所述Transformer块包括从前至后依次设置的归一化层、提示性混合注意力模块、第一特征相加层、归一化层、前馈网络和第二特征相加层，前端的归一化层的输入端和提示性混合注意力模块的输出端分别与第一特征相加层连接，后端的归一化层的输入和前馈网络的输出端分别与第二特征相加层连接。
为了更好地实现本发明，进一步地，所述数据预处理模块包括从前至后依次设置的归一化层、马尔可夫转换场模块、高斯模糊核层和图像数据堆叠模块，所述归一化层用于将时序数据进行归一化处理，所述图像数据堆叠模块用于将电压、电流和温度的二维图像数据堆叠形成图像块。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的电池组故障诊断方法。
本发明的有益效果如下：
（1）本发明提出的提示性混合注意力模块从通道、时序两个角度进行处理提取特征，挖掘时序数据之间的关联性，自适应恢复噪声影响退化的特征。本发明通过嵌入可学习提示参数高效地结合空间、时序注意力进行学习，自适应地恢复受噪声影响的信息，减弱模型对噪声的敏感性从而提高模型的准确率。所述提示引导解码网络部分能增强特征信息流之间的交互性，抑制冗余的信息，允许有用的信息继续传播；
（2）本发明针对时序数据采集和处理时会引入噪声的问题，提出去噪编码网络部分，通过嵌入可学习提示参数高效地结合通道、时序注意力进行学习，自适应地恢复受噪声影响的信息，减弱模型对噪声的敏感性从而提高模型的准确率。其次，因为传统的解码器部分只是将编码器输出的高维特征按全局进行解码，增加计算量，这个学习过程也会引入不相关特征之间的噪声交互，对图像分类结果产生歧义性，所以本发明提出提示引导解码网络部分，由可学习的提示参数参与训练，增强特征信息流之间有效的交互性，抑制冗余的信息，允许有用的信息继续传播；
（3）本发明通过在编码网络和解码网络分别引入可学习的提示参数，减少模型对数据量的依赖性，通过提示信息增强模型对隐含上下文信息的恢复，增进特征信息流之间的交互性，从而加强模型的动态适应能力，优化模型提取的特征质量，达到分类精度提升的目的。
附图说明
图1为电池组故障诊断系统的整体结构示意图；
图2为将一维时序数据转换为二维图像数据的流程图；
图3为提示性混合注意力模块的结构示意图。
具体实施方式
实施例1
一种基于时序数据的电池组故障诊断方法，包括以下步骤：
① 获取一维时序数据：收集不同测试时间下电池组的电压、电流、温度三种时序数据，人工将不同的故障类型进行分类归纳，形成故障时序数据；并与正常时序数据按照7：3的比例分成训练集和测试集。
② 搭建网络模型，并采用一维时序数据训练网络模型：
1)首先利用数据预处理模块将一维时序数据转换为二维图像数据，然后利用模型的去噪编码网络部分将特征信息从低维空间映射至高维空间，并通过提示性混合注意力模块在一定程度上减弱噪声对模型的影响，再使用提示引导解码网络部分启发模型解码信息，最后有监督地使用目标函数进行分类计算。
2)网络模型的分类损失函数采用交叉熵损失函数，用于计算预测类别与真实类别的差值，指导模型接近目标类别。
3)网络模型中参与训练的权重参数采用预训练方式初始化，预先设置学习率、最大迭代次数等超参数，多次迭代计算优化，直至得到最优模型中止训练。
③ 采用测试集进行模型预测，得到最终的网络模型，基于最终的网络模型进行电池组故障诊断。
优选地，如图2所示，将一维时序数据转换为二维图像数据主要包括以下步骤：
(1)首先将时序数据进行归一化处理，压缩到[-1,1]；
(2)再利用马尔可夫转换场分别处理电压、电流以及温度三种时序数据，得到马尔可夫转换场矩阵，矩阵表达式如下：
其中，M为马尔可夫转换场矩阵，
n为时序长度，
m ij 为分位数q i 转移到分位数q j 的转移概率。
(3)然后为了控制图像的尺寸，再使用非重叠的5×5窗口的高斯模糊核进行聚合压缩计算，即做到了稀疏采样又保留了重要信息。
(4)最后将电压、电流以及温度的聚合图堆叠，将三种二维图像数据堆叠形成图像块输入到网络模型中训练学习，为了使生成的二维图像尺寸统一，必须统一时序数据的长度。
优选地，在去噪编码网络部分，将卷积操作和transformer操作相结合，提取局部特征和全局特征，从而得到高质量特征信息，其中提示性混合注意力模块是嵌入到Transformer块中的。所述的提示性混合注意力模块通过嵌入可学习提示参数高效地结合空间、时序注意力进行学习，自适应地恢复受噪声影响的信息，减弱模型对噪声的敏感性从而提高模型的准确率。
如图3所示，所述时序自注意力模块首先通过卷积组合块加深网络深度，再利用特征重组层改变特征信息的维度大小，然后可学习的提示参数P e 通过相加的方式与原特征信息融合，构成一个共享空间，促进各个分支上的提示参数共享特征信息，增加线性复杂性。
在去噪编码网络部分中引入一组可学习的提示参数，例如[[V]1…[V] M ]，然后注入到注意力模块中，具体如下：
其中，N为批处理大小，
、/>和/>分别为维度结构的高、宽和通道的参数，
Q为时序自注意力模块的查询特征，
K为时序自注意力模块的关键特征，
V为时序自注意力模块的显著特征，
C为构成通道注意力模块的特征。
优选地，在提示引导解码网络部分，首先将可学习的参数组输入到提示编码器中，经冻结参数的文本编码器处理后输出提示信息，然后利用特征拼接层将去噪编码器输出的特征与提示信息拼接，增强特征信息流之间的交互性，抑制冗余的信息，允许有用的信息继续传播，加强模型的动态适应能力。
在提示引导解码网络部分中引入一组可学习的提示参数P d ，例如[[V]1…[V] M [CLASS]]，先通过提示编码器生成K类的文本嵌入特征，特征映射关系如下：
其中，T e 表示第K类的文本嵌入特征，
这里P d 没有固定大小，根据特征的分辨率变化而变化，如果T e 的分辨率小于特征的分辨率，则采用上采样操作扩大，反之，采用下采样操作缩小。文本嵌入特征输出后利用3x3的卷积组合块添加非线性，增强特征融合的有效性，最后另一个分支输出的特征F进行拼接交互，具体如下：
其中，是拼接后的特征信息，由提示参数引导学习，增加模型学习的灵活性，引导模型进行解码，优化上下文信息。
综上所述，本发明提出的电池组故障诊断方法通过引入可学习的提示参数，增加模型的动态学习能力，优化模型提取的特征质量，可以大大提高模型的分类性能。由实验可得，本发明提出的方法与已有的方法相比较，能显著减弱噪声对时序数据的影响，且通过学习电压、电流及温度的关联信息，高效地判断出故障的类型，及时地给工作人员发出警告，避免故障带来的损失，具有较好的实用性。
实施例2
一种基于时序数据的电池组故障诊断系统，如图1所示，包括数据预处理模块、训练模块和诊断模块。所述训练模块用于采用一维时序数据训练网络模型，所述数据预处理模块用于将一维时序数据转换为二维图像数据，并输入网络模型进行训练。所述网络模型包括去噪编码网络部分、提示引导解码网络部分以及分类器，所述去噪编码网络部分用于将特征信息从低维空间映射至高维空间，并通过提示性混合注意力模块一定程度上减弱噪声对模型的影响；所述提示引导解码网络部分用于启发模型解码信息，所述分类器用于有监督地使用目标函数进行分类计算。
优选地，如图1所示，所述去噪编码网络部分包括依次连接的四个Transformer块，且只在第四级的Transformer块中添加提示性混合注意力模块。
优选地，所述去噪编码网络部分包括卷积组合块和Transformer块，所述Transformer块中嵌入有提示性混合注意力模块。将卷积操作和transformer操作相结合，提取局部特征和全局特征，从而得到高质量特征信息。所述提示性混合注意力模块包括分别引入可学习的变量参数P e 的时序自注意力模块和通道注意力模块以及特征拼接层，所述特征拼接层分别与时序自注意力模块和通道注意力模块连接。所述的提示性混合注意力模块通过嵌入可学习提示参数高效地结合通道、时序注意力进行学习，自适应地恢复受噪声影响的信息，减弱模型对噪声的敏感性从而提高模型的准确率。
优选地，所述提示引导解码网络部分包括提示编码器、卷积组合块、特征拼接层和Transformer块。核心思路是首先将可学习的参数组P d 输入到提示编码器中，经冻结参数的提示编码器处理后输出提示特征，然后利用特征拼接层将去噪编码器输出的特征与提示信息拼接，增强特征信息流之间的交互性，抑制冗余的信息，允许有用的信息继续传播，加强模型的动态适应能力。
网络结构中引入两处可学习的提示参数P e 和P d ，编码器中采用模型自主学习出提示参数P e ，输入的是一组可学习的变量参数，如[[V]1…[V] M ]，动态适应噪声带来的影响，一定程度上恢复退化特征信息。而解码器中引入了提示编码器P d ，输入的是一组以类别标签结尾的变量参数，如[[V]1…[V] M [CLASS]]，增加模型学习的灵活性，引导模型进行解码，优化上下文信息。
优选地，如图2所示，所述数据预处理模块包括从前至后依次设置的归一化层、马尔可夫转换场模块、高斯模糊核层和图像数据堆叠模块，所述归一化层用于将时序数据进行归一化处理，所述图像数据堆叠模块用于将电压、电流和温度的二维图像数据堆叠形成图像块。
优选地，如图3所示，所述时序自注意力模块包括并列设置的第一支路、第二支路和第三支路，所述通道注意力模块包括第四支路；第一支路、第二支路和第三支路上分别从前至后依次设置有卷积组合块、特征重组层和特征相加层，所述第四支路上从前至后依次设置有若干个卷积组合块以及特征相加层；所述特征相加层的输入还包括可学习的提示参数P e ；所述第一支路和第二支路的输出端分别通过特征相乘层与Softmax层连接，所述Softmax层和第三支路的输出端分别通过特征相乘层与特征拼接层连接，所述第四支路的输出端与S型函数层连接，所述S型函数层以及第四支路上的卷积组合块的输出端分别通过特征相乘层与特征拼接层连接。
所述的提示性混合注意力模块通过嵌入可学习提示实现高效地结合通道、时序注意力进行学习，自适应地恢复受噪声影响的信息，减弱模型对噪声的敏感性从而提高模型的准确率。第一支路、第二支路和第三支路的特征传播方向构成了时序自注意力模块，时序注意力模块可以有效地通过矩阵相似度计算，来捕获受噪声影响的特征信息，第四支路的特征传播方向构成通道注意力模块，为了捕获电压、电流以及温度三种信息之间的关联性，并给重要的信息赋予更多的关注力。
本发明在编码网络和解码网络分别引入可学习的提示参数，减少模型对数据量的依赖性，通过提示信息增强模型对隐含上下文信息的恢复，增进特征信息流之间的交互性，从而加强模型的动态适应能力，优化模型提取的特征质量，达到分类精度提升的目的。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。
Claims (10)
1.基于时序数据的电池组故障诊断方法，其特征在于，包括以下步骤：
步骤S1：获取一维时序数据，所述一维时序数据包括正常时序数据和故障时序数据，所述正常时序数据和故障时序数据分别包括不同测试时间下电池组的电压、电流和温度三种时序数据；
步骤S2：搭建网络模型；
步骤S3：采用一维时序数据训练网络模型：
步骤S31：将一维时序数据转换为二维图像数据后输入网络模型；
步骤S32：通过去噪编码网络部分将二维图像数据的特征信息从低维空间映射至高维空间：提取二维图像数据的局部特征，并分别输入时序自注意力模块和通道注意力模块，最终通过特征拼接层实现特征融合；所述时序自注意力模块首先通过卷积组合块加深网络深度，再利用特征重组层改变特征信息的维度大小，然后通过相加的方式将可学习的提示参数P e 与原特征信息融合；所述通道注意力模块通过卷积组合块加深网络深度，然后通过相加的方式将可学习的提示参数P e 与原特征信息融合，构成一个共享空间，促进各个分支上的提示参数共享特征信息；
步骤S33：再通过提示引导解码网络部分启发模型解码信息：首先将以类别标签结尾的可学习的提示参数P d 输入到提示编码器中，经冻结参数的文本编码器处理后输出提示信息，然后利用特征拼接层将步骤S32输出的特征与提示信息拼接；
步骤S34：最后使用目标函数进行分类计算；
步骤S4：将监测数据输入训练后的网络模型并输出故障诊断结果。
2.根据权利要求1所述的基于时序数据的电池组故障诊断方法，其特征在于，所述步骤S31包括以下步骤：
步骤A1：首先，将时序数据进行归一化处理；
步骤A2：再利用马尔可夫转换场分别处理电压、电流和温度三种时序数据，得到马尔可夫转换场矩阵：
其中，M为马尔可夫转换场矩阵，
x为变量时序数据，
n为时序长度，
m ij 为分位数q i 转移到分位数q j 的转移概率；
步骤A3：然后，使用高斯模糊核进行聚合压缩计算，控制图像的尺寸，实现稀疏采样的同时保留信息；
步骤A4：最后，将电压、电流和温度的二维图像数据堆叠形成图像块，并输入到网络模型中训练学习。
3.根据权利要求1所述的基于时序数据的电池组故障诊断方法，其特征在于，所述步骤S32中，根据特征重组层方向上的特征信息的维度信息，随机生成一组符合高斯分布的可学习的提示参数，时序自注意力模块和通道注意力模块的信息融合的公式如下：
其中，N为批处理大小，R为实数集，
、/>和/>分别为维度结构的高、宽和通道的参数，
Q为时序自注意力模块的查询特征，为信息融合后的时序自注意力模块的查询特征；
K为时序自注意力模块的关键特征，为信息融合后的时序自注意力模块的关键特征；
V为时序自注意力模块的显著特征，为信息融合后的时序自注意力模块的显著特征；
C为构成通道注意力模块的特征，为信息融合后的构成通道注意力模块的特征。
4.根据权利要求1所述的基于时序数据的电池组故障诊断方法，其特征在于，所述步骤S33中，先通过提示编码器生成第K类的文本嵌入特征T e ，然后利用卷积组合块在文本嵌入特征T e 中添加非线性，最后利用特征拼接层将其与步骤S32输出的特征进行拼接交互。
5.根据权利要求4所述的基于时序数据的电池组故障诊断方法，其特征在于，所述文本嵌入特征T e 的映射关系如下：
其中，TextEncoder为文本编码器；
可学习的提示参数P d 根据特征的分辨率变化而变化，如果文本嵌入特征T e 的分辨率小于特征的分辨率，则采用上采样操作扩大可学习的提示参数P d ，否则采用下采样操作缩小可学习的提示参数P d 。
6.基于时序数据的电池组故障诊断系统，采用权利要求1-5任一项所述的电池组故障诊断方法进行，其特征在于，包括数据获取模块、数据预处理模块、训练模块和诊断模块；所述数据获取模块用于获取一维时序数据；所述训练模块用于采用一维时序数据训练网络模型，所述数据预处理模块用于将一维时序数据转换为二维图像数据并输入网络模型进行学习训练；所述诊断模块用于将监测数据输入训练后的网络模型并输出故障诊断结果；
所述网络模型包括从前至后依次设置的去噪编码网络部分、提示引导解码网络部分和分类器，所述去噪编码网络部分包括从前至后依次设置的卷积组合块和Transformer块，所述Transformer块内部嵌入有提示性混合注意力模块，所述提示性混合注意力模块包括分别引入可学习的变量参数P e 的时序自注意力模块和通道注意力模块以及特征拼接层，所述特征拼接层分别与时序自注意力模块和通道注意力模块连接；所述提示引导解码网络部分包括从前至后依次设置的提示编码器、卷积组合块和特征拼接层，所述提示编码器用于输出提示信息，且输入为一组以类别标签结尾的可学习的提示参数P d ；所述提示引导解码网络部分的特征拼接层用于将去噪编码网络部分输出的特征与提示信息拼接。
7.根据权利要求6所述的基于时序数据的电池组故障诊断系统，其特征在于，所述时序自注意力模块包括并列设置的第一支路、第二支路和第三支路，所述通道注意力模块包括第四支路；所述第一支路、第二支路和第三支路上分别从前至后依次设置有卷积组合块、特征重组层和特征相加层，所述第四支路上从前至后依次设置有若干个卷积组合块以及特征相加层；所述特征相加层的输入包括可学习的提示参数P e ；所述第一支路和第二支路的输出端分别通过特征相乘层与Softmax层连接，所述Softmax层和第三支路的输出端分别通过特征相乘层与提示性混合注意力模块的特征拼接层连接，所述第四支路的输出端与S型函数层连接，所述S型函数层以及第四支路上的卷积组合块的输出端分别通过特征相乘层与提示性混合注意力模块的特征拼接层连接。
8.根据权利要求6或7所述的基于时序数据的电池组故障诊断系统，其特征在于，所述Transformer块包括从前至后依次设置的归一化层、提示性混合注意力模块、第一特征相加层、归一化层、前馈网络和第二特征相加层，前端的归一化层的输入端和提示性混合注意力模块的输出端分别与第一特征相加层连接，后端的归一化层的输入和前馈网络的输出端分别与第二特征相加层连接。
9.根据权利要求6所述的基于时序数据的电池组故障诊断系统，其特征在于，所述数据预处理模块包括从前至后依次设置的归一化层、马尔可夫转换场模块、高斯模糊核层和图像数据堆叠模块，所述归一化层用于将时序数据进行归一化处理，所述图像数据堆叠模块用于将电压、电流和温度的二维图像数据堆叠形成图像块。
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，该程序被处理器执行时实现权利要求1-5任一项所述的电池组故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311688951.8A CN117388716B (zh) | 2023-12-11 | 2023-12-11 | 基于时序数据的电池组故障诊断方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311688951.8A CN117388716B (zh) | 2023-12-11 | 2023-12-11 | 基于时序数据的电池组故障诊断方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117388716A true CN117388716A (zh) | 2024-01-12 |
| CN117388716B CN117388716B (zh) | 2024-02-13 |
Family
ID=89472501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311688951.8A Active CN117388716B (zh) | 2023-12-11 | 2023-12-11 | 基于时序数据的电池组故障诊断方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117388716B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB8722960D0 (en) * | 1983-11-25 | 1987-11-04 | Mars Inc | Automatic test equipment |
| GB8722958D0 (en) * | 1983-11-25 | 1987-11-04 | Mars Inc | Automatic test equipment |
| WO2015198631A1 (ja) * | 2014-06-24 | 2015-12-30 | 株式会社 東芝 | 蓄電池システムの劣化制御装置及びその方法 |
| CN208352685U (zh) * | 2018-06-28 | 2019-01-08 | 北京博基兴业科技有限公司 | 一种线缆线束智能向导装置 |
| US20200101865A1 (en) * | 2018-09-28 | 2020-04-02 | Honda Motor Co., Ltd. | Diagnosis device, diagnosis system, diagnosis method, and program |
| CN110996440A (zh) * | 2019-11-29 | 2020-04-10 | 青岛海尔科技有限公司 | 用于家电控制板的控制方法及装置、控制板 |
| US20220018901A1 (en) * | 2020-07-17 | 2022-01-20 | Keith A. Jones | Techniques to enable integrated circuit debug across low power states |
| CN114897138A (zh) * | 2022-05-06 | 2022-08-12 | 东南大学 | 基于注意力机制和深度残差网络的系统故障诊断方法 |
| CA3219733A1 (en) * | 2021-05-21 | 2022-11-24 | Jonathan CONDER | Transfer learning in image recognition systems |
| CN115808643A (zh) * | 2023-02-06 | 2023-03-17 | 北京瑞阳伟业科技有限公司 | 一种具有实时数据获取的电气柜功能测试台 |
| CN115906949A (zh) * | 2022-11-22 | 2023-04-04 | 东北石油大学三亚海洋油气研究院 | 一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备 |
| CN116381424A (zh) * | 2023-03-06 | 2023-07-04 | 武汉理工大学 | 一种基于多源数据融合的岸电箱绝缘性能异常检测方法 |
| CN116579413A (zh) * | 2023-05-22 | 2023-08-11 | 国网智能电网研究院有限公司 | 时序数据预训练模型微调方法及装置、时序数据预测模型 |
| KR102563550B1 (ko) * | 2023-04-14 | 2023-08-11 | 고려대학교산학협력단 | 읽기 전용 프롬프트 학습 방법 및 장치 |
| EP4243438A1 (en) * | 2022-03-11 | 2023-09-13 | Huawei Digital Power Technologies Co., Ltd. | Battery fault diagnosis method and apparatus |
| CN117129790A (zh) * | 2023-10-26 | 2023-11-28 | 山西思极科技有限公司 | 一种电力系统故障诊断系统 |
| CN117192358A (zh) * | 2023-07-26 | 2023-12-08 | 安徽理工大学 | 基于卷积神经网络的永磁同步电机匝间短路故障诊断方法 |
-
2023
- 2023-12-11 CN CN202311688951.8A patent/CN117388716B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB8722960D0 (en) * | 1983-11-25 | 1987-11-04 | Mars Inc | Automatic test equipment |
| GB8722958D0 (en) * | 1983-11-25 | 1987-11-04 | Mars Inc | Automatic test equipment |
| WO2015198631A1 (ja) * | 2014-06-24 | 2015-12-30 | 株式会社 東芝 | 蓄電池システムの劣化制御装置及びその方法 |
| CN208352685U (zh) * | 2018-06-28 | 2019-01-08 | 北京博基兴业科技有限公司 | 一种线缆线束智能向导装置 |
| US20200101865A1 (en) * | 2018-09-28 | 2020-04-02 | Honda Motor Co., Ltd. | Diagnosis device, diagnosis system, diagnosis method, and program |
| CN110996440A (zh) * | 2019-11-29 | 2020-04-10 | 青岛海尔科技有限公司 | 用于家电控制板的控制方法及装置、控制板 |
| US20220018901A1 (en) * | 2020-07-17 | 2022-01-20 | Keith A. Jones | Techniques to enable integrated circuit debug across low power states |
| CA3219733A1 (en) * | 2021-05-21 | 2022-11-24 | Jonathan CONDER | Transfer learning in image recognition systems |
| EP4243438A1 (en) * | 2022-03-11 | 2023-09-13 | Huawei Digital Power Technologies Co., Ltd. | Battery fault diagnosis method and apparatus |
| US20230288490A1 (en) * | 2022-03-11 | 2023-09-14 | Huawei Digital Power Technologies Co., Ltd. | Battery fault diagnosis method and apparatus |
| CN114897138A (zh) * | 2022-05-06 | 2022-08-12 | 东南大学 | 基于注意力机制和深度残差网络的系统故障诊断方法 |
| CN115906949A (zh) * | 2022-11-22 | 2023-04-04 | 东北石油大学三亚海洋油气研究院 | 一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备 |
| CN115808643A (zh) * | 2023-02-06 | 2023-03-17 | 北京瑞阳伟业科技有限公司 | 一种具有实时数据获取的电气柜功能测试台 |
| CN116381424A (zh) * | 2023-03-06 | 2023-07-04 | 武汉理工大学 | 一种基于多源数据融合的岸电箱绝缘性能异常检测方法 |
| KR102563550B1 (ko) * | 2023-04-14 | 2023-08-11 | 고려대학교산학협력단 | 읽기 전용 프롬프트 학습 방법 및 장치 |
| CN116579413A (zh) * | 2023-05-22 | 2023-08-11 | 国网智能电网研究院有限公司 | 时序数据预训练模型微调方法及装置、时序数据预测模型 |
| CN117192358A (zh) * | 2023-07-26 | 2023-12-08 | 安徽理工大学 | 基于卷积神经网络的永磁同步电机匝间短路故障诊断方法 |
| CN117129790A (zh) * | 2023-10-26 | 2023-11-28 | 山西思极科技有限公司 | 一种电力系统故障诊断系统 |
Non-Patent Citations (3)
| Title |
|---|
| 张利丹: "基于云架构的省地县一体化配电网运行控制与管理系统概述", 科学与信息化, no. 014, 31 December 2020 (2020-12-31) * |
| 李泽东;李志农;王成军;: "深度卷积神经网络在轴承多故障复合诊断中应用研究", 南昌航空大学学报(自然科学版), no. 01, 15 March 2020 (2020-03-15) * |
| 肖德秋: "数字化技术在电力工程设计中的运用分析", 电子乐园, no. 005, 31 December 2021 (2021-12-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117388716B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110188167B (zh) | 一种融入外部知识的端到端对话方法及系统 | |
| Chen et al. | Embedded system real-time vehicle detection based on improved YOLO network | |
| CN112148997B (zh) | 一种用于灾害事件检测的多模态对抗模型的训练方法和装置 | |
| CN113361559B (zh) | 基于深宽度联合神经网络的多模态数据知识信息提取方法 | |
| CN115424059B (zh) | 一种基于像素级对比学习的遥感土地利用分类方法 | |
| CN111062395A (zh) | 一种实时的视频语义分割方法 | |
| CN110956222A (zh) | 用于水下目标检测的检测网络的方法 | |
| CN116152611B (zh) | 一种多级多尺度点云补全方法、系统、设备及存储介质 | |
| CN111541900A (zh) | 基于gan的安防视频压缩方法、装置、设备及存储介质 | |
| CN114238652A (zh) | 一种用于端到端场景的工业故障知识图谱建立方法 | |
| Yang et al. | Research on subway pedestrian detection algorithms based on SSD model | |
| CN116151459A (zh) | 基于改进Transformer的电网防汛风险概率预测方法和系统 | |
| CN112115744B (zh) | 点云数据的处理方法及装置、计算机存储介质、电子设备 | |
| Fang et al. | Sparse point‐voxel aggregation network for efficient point cloud semantic segmentation | |
| CN116862080B (zh) | 一种基于双视角对比学习的碳排放预测方法及系统 | |
| CN114328943A (zh) | 基于知识图谱的问题回答方法、装置、设备及存储介质 | |
| CN117388716B (zh) | 基于时序数据的电池组故障诊断方法、系统及存储介质 | |
| CN117634563A (zh) | 一种层序列提取实现方法、系统及存储介质 | |
| CN117237685A (zh) | 一种基于多模态深度聚类的机械设备故障诊断方法 | |
| Sheng et al. | A novel text mining algorithm based on deep neural network | |
| CN116403278A (zh) | 一种基于文本监督的人体动作识别方法 | |
| CN114596464A (zh) | 多特征交互的无监督目标检测方法、系统、电子设备和可读存储介质 | |
| CN114036319A (zh) | 一种电力知识抽取方法、系统、装置及存储介质 | |
| CN117993868B (zh) | 基于双模态注意力的电网工程项目审计预警方法及系统 | |
| Feng et al. | Intelligent Evaluation Mechanism for Cloud-Edge-End based Next Generation Ship Simulator towards Maritime Pilot Training |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |