WO2021017416A1 - 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 - Google Patents

一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 Download PDF

Info

Publication number
WO2021017416A1
WO2021017416A1 PCT/CN2020/070964 CN2020070964W WO2021017416A1 WO 2021017416 A1 WO2021017416 A1 WO 2021017416A1 CN 2020070964 W CN2020070964 W CN 2020070964W WO 2021017416 A1 WO2021017416 A1 WO 2021017416A1
Authority
WO
WIPO (PCT)
Prior art keywords
lithium battery
data
network
fault
battery fault
Prior art date
Application number
PCT/CN2020/070964
Other languages
English (en)
French (fr)
Inventor
李鹏华
张子健
王平
熊庆宇
邵子璇
朱智勤
程家伟
Original Assignee
重庆邮电大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from CN201910696529.4A external-priority patent/CN110412467B/zh
Priority claimed from CN201910695409.2A external-priority patent/CN110308397B/zh
Priority claimed from CN201910696488.9A external-priority patent/CN110399975A/zh
Priority claimed from CN201910695455.2A external-priority patent/CN110414604A/zh
Application filed by 重庆邮电大学 filed Critical 重庆邮电大学
Publication of WO2021017416A1 publication Critical patent/WO2021017416A1/zh

Links

Images

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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • the invention belongs to the technical fields of deep neural networks and lithium batteries, in particular the generation and screening of lithium battery fault data, the construction of lithium battery multi-type fault diagnosis models and the deep neural network model compression algorithm field, and relates to a deep neural network model under the generation of perceptual confrontation Compression power lithium battery fault diagnosis method.
  • the safe working window of lithium batteries is extremely harsh and narrow compared to unconstrained electric vehicle driving conditions, which makes the risk of failure of lithium batteries prominent in the complex and uncertain traffic environment. To a certain extent, it restricts the rapid development of the new energy automobile industry.
  • the diagnostic model cannot be practically applied due to its weak generalization ability and insufficient expressive ability.
  • This patent uses an adversarial neural network to drive the generation of candidate fault data for lithium batteries to solve the current problem of insufficient data scale.
  • the lithium battery fault data generated by perception is not necessarily true and effective, and lacks physical meaning, which affects the performance of the lithium battery fault diagnosis model and causes unnecessary economic losses.
  • this patent constitutes a lithium battery fault mixed data set based on the measured and screened high-value fault data, and a local convolution-long-short-term memory neural network for the measured and screened lithium battery fault data respectively, forming a hybrid convolution-length-short Time memory neural network fault diagnosis model for lithium battery.
  • the multi-classification and location of lithium battery faults are realized , Thereby improving the reliability and safety of the battery management system.
  • the artificial intelligence model of the deep neural network has high requirements for computing resources and is limited by the computing resources of the battery management system currently mounted on electric vehicles. Therefore, in order to realize the practical application of the high-performance deep neural network fault diagnosis model in electric vehicles with less available computing resources, it is necessary to solve the hardware transplantation problem of the corresponding diagnosis model without reducing the performance of the deep learning model.
  • this patent provides a three-stage pipeline compression processing method for multiple types of fault diagnosis models of lithium batteries, and realizes the hardware transplantation of deep neural network diagnosis models. Summary of the invention
  • the purpose of the present invention is to provide a deep compression power lithium battery fault diagnosis method under perceptual confrontation generation, by establishing a real lithium battery fault database, constructing a confrontation generation network model to generate pre-candidate lithium battery fault data, and combining scores Fourier transform and normalized mutual information give physical meaning to candidate lithium battery fault data, design a convolution-long-short-term memory neural network fault diagnosis model for hybrid lithium battery fault samples, and use three-level deep compression technology to perform training on the mixed Convolution-long-short-term memory neural network lithium battery fault diagnosis model is compressed to adapt to the vehicle hardware environment.
  • the present invention provides the following technical solutions:
  • a fault diagnosis method for deep compression power lithium battery under perceptual confrontation generation includes the following steps:
  • connection weights to trim the network to reduce the number of neurons
  • step 2) the process includes the following 2 steps:
  • step 3 the process includes the following 4 steps:
  • the discrimination network D compares the lithium battery fault data perception network T(x) with the marked real lithium battery fault data y from static ( The first item) and dynamic perception ( The second item).
  • step 4 the process includes the following 2 steps:
  • the candidate lithium battery failure data is generated through the generation network.
  • step 6 the process includes the following 6 steps:
  • step 7 the process includes the following 4 steps:
  • step 8 the process includes the following 6 steps:
  • step 10 the process includes 7 steps:
  • a time sliding window is used to convert the lithium battery failure data sub-sequence into a tensor, where the depth of the tensor is the time length of the sliding window;
  • the feature vectors obtained in the previous multi-variable convolution stage are sent to the long and short-term memory neural network in order, and useful feature data are filtered through input gates, forget gates, and output gates, and their timing features are extracted ;
  • the softmax layer uses the softmax function to classify lithium battery faults based on probability
  • i represents the input data
  • p(i) is the real data distribution
  • q(i) is the estimated data distribution.
  • step 12 the process includes the following 4 steps:
  • Pruning according to the set weight threshold, delete the weak channel in the input of the n+1 layer and its corresponding filter in the i layer, thereby reducing the model
  • step a Repeat step a to trim the next layer.
  • step 13 the process includes the following 4 steps:
  • the quantization coding index value further reduces the number of bits of each connection weight
  • this patent introduces residual constraints of random variables based on the limited actual data of labeled lithium battery faults, and uses the maximum and minimum game strategy to construct perception generation And discriminate against the loss function, and construct a perceptual confrontation generation network topology that adapts to the distribution of measured lithium battery fault data.
  • the generated confrontation loss of the defined perceptual confrontation network is used to punish the difference between the generated pre-candidate lithium battery failure data and the marked real lithium battery failure data distribution.
  • the discrimination network discriminates whether the generated pre-candidate lithium battery failure data becomes the candidate lithium battery failure data that meets the needs.
  • the generated pre-candidate lithium battery failure data is getting closer and closer to the labeled real lithium battery failure data distribution, and finally the candidate lithium battery operating condition data with the same distribution as the real failure data is generated.
  • this patent uses the fractional Fourier transform method to map the lithium battery fault signal to the time-frequency domain space, and realizes the signal time-frequency domain expansion.
  • the different orders of the fractional Fourier transform in this patent correspond to different time-frequency domains, which can show all the change characteristics of the signal from the time domain to the frequency domain, and can provide a more refined fault spectrum representation for the lithium battery fault data .
  • normalized mutual information is used as a measure. Normalized mutual information can not only measure the linear relationship between data features, but also evaluate the nonlinearity between them (real lithium battery failure data and candidate lithium battery failure data) relationship.
  • the above two methods are combined to form a complete lithium battery fault data screening method, which not only makes the screened lithium battery fault data true and effective, but also improves the screening speed and provides high-quality data guarantee for the deep learning method of fault diagnosis.
  • Time memory neural network constitutes a hybrid convolution-long-short-term memory neural network lithium battery fault diagnosis model, and finally through the spatial characteristics of the global and local lithium battery fault data in the convolutional neural network and the lithium battery in the long-term memory neural network The time characteristics of the fault data are learned, and the fully connected classification mapping is adopted to realize the multi-classification and location of lithium battery faults.
  • This patent uses global and local deep learning to extract and diagnose multiple types of fault features with refined representations, and simultaneously diagnose multiple types of lithium battery faults in the same software and hardware space, thereby improving the reliability and safety of the battery management system.
  • the three-stage pipeline method of pruning, quantization, and Huffman encoding used in this patent compresses the deep neural network model.
  • the network model is greatly compressed.
  • the computer can effectively store and use the compressed sparse matrix, which is not only beneficial to the storage of the model, but also can accelerate the inference operation of the model.
  • this patent can reduce the need for hardware computing resources of the deep neural network model and accelerate the operation of the network without losing network performance, and solves the problem of lithium battery fault perception hybrid convolution in the vehicle hardware environment with limited computing resources-
  • the long- and short-term memory neural network has low power consumption, high reliability and fast operation.
  • Figure 1 is a framework diagram of the overall technical solution
  • Figure 2 is a structural diagram of a perception countermeasure network used to generate candidate lithium battery failure data
  • Figure 3 (a) the normalized candidate lithium battery failure data screening flowchart, (b) the normalized feature extraction diagram;
  • Figure 4 is a model diagram of a hybrid convolution-long-short-term memory neural network for fault diagnosis of lithium batteries
  • Figure 5 is a multivariate convolution diagram
  • Figure 6 is a flow chart of three-level depth compression: trimming, quantization and Huffman coding
  • Figure 7 shows (a) expressing sparse matrix with relative index, filling with zeros to prevent overflow, (b) sharing weight through scalar quantization (top) and centroid fine-tuning (bottom).
  • Fig. 1 is a framework diagram of the overall technical scheme.
  • the purpose of the present invention is to provide a method for generating fault data of a power lithium battery driven by a neural network driven by a perceptual confrontation generation for the problem of insufficient data for multiple types of fault status of effectively available power lithium batteries.
  • Figure 3 (a) the normalized candidate lithium battery failure data screening flowchart, (b) the normalized feature extraction diagram,
  • This method includes the following steps:
  • E represents the sample probability distribution
  • y represents the true lithium battery failure sample
  • x represents the lithium battery battery failure data sample injected with random variables.
  • the process includes 2 steps:
  • Lithium battery failure data sensing network T's perception generation loss defined as:
  • d j ( ⁇ ) is the data representation on the jth hidden layer of the authentication network D.
  • the hidden layer of the identification network D is a loss Can be defined as:
  • ⁇ is a hyperparameter, used to balance the impact of perceptual generation loss and counter-discrimination loss.
  • ⁇ is a hyperparameter, used to balance the impact of perceptual generation loss and counter-discrimination loss.
  • FIG. 2 Build a hybrid convolution-long-short-term memory neural network (CNN-LSTM). Design a global convolution-long-short-term memory neural network for hybrid lithium battery fault samples, and a local convolution-long-short-term memory neural network for measured and filtered lithium battery fault data respectively, forming a hybrid convolution-long-short-term memory neural network Network lithium battery fault diagnosis model.
  • the global convolutional neural network is used to obtain comprehensive fault information of lithium battery cells and battery packs under overcharge and overdischarge, short circuit, mechanical damage, aging and other working conditions.
  • the long and short-term memory neural network is used to extract lithium battery fault information. characteristic.
  • Figure 4 is a hybrid convolution-long-short-term memory neural network model diagram for fault diagnosis of lithium batteries
  • Figure 5 is a multivariate convolution diagram.
  • Fully connected classification mapping is used to classify and locate the faults extracted by the global model and the local model.
  • the quantization index value further reduces the number of bits of each connection weight.
  • L represents a loss function
  • the weight W ij is the j th row, i th column
  • I ij represents the index of the shared weights W ij corresponding
  • C k denotes the k-th each shared weights
  • 1 (. ) Is an indicator function, and the value is 1 when the conditions in the brackets are met, and 0 otherwise.
  • FIG. 3 Perform weight distribution and Huffman coding through top scalar quantization and bottom centroid fine-tuning, and use variable length codes to encode weights and indexes to further reduce the storage space required by the network.
  • Figure 6 is a three-level depth compression: pruning, quantization and Huffman coding flow chart
  • Figure 7 is (a) using relative index to represent the sparse matrix, filling with zeros to prevent overflow, (b) through scalar quantization (top) and centroid Fine-tune (bottom) for weight sharing.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种感知对抗生成下的深度压缩动力锂电池故障诊断方法，属于深度神经网络和锂电池技术领域。该方法包括以下步骤：采集锂电池故障数据，建立真实锂电池故障数据集；采用最大最小博弈策略设计感知生成与鉴别对抗损失函数；引入超参数，得到感知网络和判别网络的损失函数；通过训练对抗生成网络，得到候选锂电池故障数据；使用感知生成网络生成候选锂电池故障数据；采用分数阶傅里叶变换提取锂电池故障数据的特征；采用归一化互信息作为锂电池故障数据的筛选测度；利用故障诊断实验选取筛选阈值；通过分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障数据，构成用于锂电池故障诊断的混合大数据标注样本；设计面向混合锂电池故障样本的全局卷积-长短时记忆神经网络，以及分别针对实测的和筛选的锂电池故障数据的局部卷积-长短时记忆神经网络，构成混合卷积-长短时记忆神经网络锂电池故障诊断模型；全局与局部卷积神经网络学习锂电池故障数据的空间特征，长短时记忆神经网络用来提取锂电池故障数据的时间特征，最后采用全连接分类映射，对锂电池故障进行多分类与定位；使用连接权重对网络进行修剪，减少神经元数量；通过K均值方法，获取每个隐藏层的K个共享质心；删除原始权重，只存储共享质心；将每个隐藏层权值矩阵中的原始值替换对应共享权值的索引值；对共享质心和索引值进行哈夫曼编码；每一部分都重新训练网络，微调权重或质心，从而恢复精度。

Description

一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 技术领域
本发明属于深度神经网络和锂电池技术领域，特别是锂电池故障数据的生成、筛选，锂电池多类故障诊断模型的构建和深度神经网络模型压缩算法领域，涉及一种感知对抗生成下的深度压缩动力锂电池故障诊断方法。
背景技术
在电动汽车实际行车环境中，锂电池的安全工作窗口相比于无约束的电动汽车行驶工况，显得极其严苛与狭窄，致使锂电池在复杂不确定的交通环境中故障风险凸显，很大程度上制约着新能源汽车产业的快速发展。通常从电动汽车电池管理系统得到的仅有少量的多类故障前兆数据，有效可用的动力锂电池多类故障状态数据并不充足，这将严重影响数据驱动模型的训练，致使获得的锂电池故障诊断模型因泛化能力弱与表达能力不足而无法实际应用。本专利采用对抗神经网络驱动生成锂电池候选故障数据解决了目前存在的数据规模不够大的问题。但因生成过程中引入随机变量带来的不确定性，感知生成的锂电池故障数据不一定真实有效，缺乏物理意义，从而影响锂电池故障诊断模型性能，造成不必要的经济损失。
实践中，常常采取低效的人工方法筛选出高价值故障数据，针对该问题，亟需一种能够快速高效筛选生成的锂电池故障数据的方法。本专利采用分数阶傅里叶变换提取锂电池故障数据的特征，通过计算真实锂电池故障特征矩阵与候选锂电池故障特征矩阵之间的归一化互信息，筛选出感知生成出的高价值数据，解决由生成数据不真实性带来的损失。然后，本专利根据实测与筛选的高价值故障数据构成锂电池故障混合数据集，以及分别针对实测的和筛选的锂电池故障数据的局部卷积-长短时记忆神经网络，构成混合卷积-长短时记忆神经网络锂电池故障诊断模型。通过对神经网络中的全局与局部锂电池故障数据的空间特征和长短时记忆神经网络中的锂电池故障数据的时间特征进行学习，并采用全连接分类映射，实现锂电池故障的多分类与定位，从而提高电池管理系统可靠性和安全性。然而，深度神经网络的人工智能模型，对计算资源有着较高的要求，受到当前搭载在电动汽车上的电池管理系统计算资源的限制。因此，要实现高性能的深度神经网络故障诊断模型在可用计算资源较少的电动汽车上实际运用，就必须在不降低深度学习模型性能的前提下，解决相应诊断模型的硬件移植问题。
本专利针对车载计算资源约束使深度诊断模型应用受限的难题，提供一种针对锂电池多类故障诊断模型的三级流水线压缩处理方法，实现了深度神经网络诊断模型面向硬件移植。 发明内容
有鉴于此，本发明的目的在于提供一种感知对抗生成下的深度压缩动力锂电池故障诊断方法，通过建立真实锂电池故障数据库、构建对抗生成网络模型生成预候选锂电池故障数据，结合分数阶傅里叶变换和归一化互信息赋予候选锂电池故障数据物理意义、设计面向混合锂电池故障样本的卷积-长短时记忆神经网络故障诊断模型、采用三级深度压缩技术对已训练的混合卷积-长短时记忆神经网络锂电池故障诊断模型进行压缩以适应车载硬件环境。
为达到上述目的，本发明提供如下技术方案：
一种感知对抗生成下的深度压缩动力锂电池故障诊断方法，该方法包括以下步骤：
1)采集锂电池故障数据，建立真实锂电池故障数据集；
2)采用最大最小博弈策略设计感知生成与鉴别对抗损失函数；
3)引入超参数，得到感知网络和判别网络的损失函数；
4)通过训练对抗生成网络，得到候选锂电池故障数据；
5)使用感知生成网络生成候选锂电池故障数据；
6)采用分数阶傅里叶变换提取锂电池故障数据的特征；
7)采用归一化互信息作为锂电池故障数据的筛选测度；
8)利用故障诊断实验选取筛选阈值；
9)通过分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障数据，构成用于锂电池故障诊断的混合大数据标注样本；
10)设计面向混合锂电池故障样本的全局卷积-长短时记忆神经网络，以及分别针对实测的和筛选的锂电池故障数据的局部卷积-长短时记忆神经网络，构成混合卷积-长短时记忆神经网络锂电池故障诊断模型；
11)全局与局部卷积神经网络学习锂电池故障数据的空间特征，长短时记忆神经网络用来提取锂电池故障数据的时间特征，最后采用全连接分类映射，对锂电池故障进行多分类与定位；
12)使用连接权重对网络进行修剪，减少神经元数量；
13)通过K均值方法，获取每个隐藏层的K个共享质心；
14)删除原始权重，只存储共享质心；
15)将每个隐藏层权值矩阵中的原始值替换对应共享权值的索引值；
16)对共享质心和索引值进行哈夫曼编码；
17)每一部分都重新训练网络，微调权重或质心，从而恢复精度。
进一步，在步骤2)中，该过程包括以下2个步骤：
a)定义感知对抗网络的生成对抗损失来惩罚生成候选锂电池故障数据和标注的真实锂电池故障数据分布之间的差异；
b)通过生成对抗损失来惩罚生成的候选锂电池故障数据和标注的真实锂电池故障数据分布之间的差异。
进一步，在步骤3)中，该过程包含以下4个步骤：
a)引入超参数θ，用于平衡感知生成损失和对抗鉴别损失的影响；
b)当
Figure PCTCN2020070964-appb-000001
时，D的参数θ用来限制最小的
Figure PCTCN2020070964-appb-000002
与最大的
Figure PCTCN2020070964-appb-000003
是一致的；
c)当
Figure PCTCN2020070964-appb-000004
时，因为m为正余量，
Figure PCTCN2020070964-appb-000005
的第二项将具有零梯度；
d)判别网络D将锂电池故障数据感知网络T(x)与已标注真实锂电池故障数据y从静态(
Figure PCTCN2020070964-appb-000006
的第一项)和动态感知(
Figure PCTCN2020070964-appb-000007
的第二项)区分开。
进一步，在步骤4)中，该过程包含以下2个步骤：
a)通过训练对抗生成网络，判别网络判断生成数据与真实锂电池故障数据的差异，使网络输出的锂电池数据和真实数据之间的差异不断减少；
b)对抗生成网络训练好后，通过生成网络生成候选锂电池故障数据。
进一步，在步骤6)中，该过程包含以下6个步骤：
a)选取一组分数阶傅里叶变换旋转角；
b)将不同旋转角的分数阶傅里叶变换应用到真实锂电池故障数据上，得到一组幅频特性；
c)选取一组频率，对幅频特性进行采样得到精细化故障频谱表征向量；
d)拼接得到的表征向量，得到该真实锂电池故障数据的特征矩阵；
e)将上述步骤应用到数据集中每一个样本上，得到真实锂电池故障特征数据集；
f)同理，可得到候选锂电池故障特征数据集。
进一步，在步骤7)中，该过程包含以下4个步骤：
a)同过真实锂电池故障特征数据集计算出平均真实锂电池故障特征；
b)计算出平均真实锂电池故障特征所含的信息熵；
c)对每个候选锂电池故障特征数据，计算其所含的信息熵；
d)对每个候选锂电池故障特征数据，计算其与平均真实锂电池故障特征之间的归一化互信息。
进一步，在步骤8)中，该过程包含以下6个步骤：
a)选取归一化互信息阈值；
b)筛选出大于该阈值的候选锂电池故障数据；
c)用筛选后锂电池故障数据训练故障诊断网络；
d)根据网络的性能，选取新的归一化互信息阈值；
e)重复上述过程，直至最优；
f)对候选锂电池频谱信息使用分数阶傅里叶逆变换，获得还原锂电池数据。
进一步，在步骤10)中，该过程包括7个步骤：
a)输入张量变换阶段，使用时间滑动窗口将锂电池故障数据子序列转换为张量，其中张量的深度为滑动窗口的时间长度；
b)单变量卷积阶段，对张量进行单变量卷积操作(过滤器为1*1)，提取输入数据特征；
c)多变量卷积阶段，使用不同尺寸的过滤器(3*3,5*5,7*7,11*11)对单变量卷积的输出进行两层卷积操作；第一层卷积的目的是获得输入数据序列的局部相关性，第二层卷积的目的是获得输入序列的全局相关性，在两层卷积后分别加入激活函数层；然后将经过两层卷积和激活获得的结果进行顺序拼接，再进行卷积操作，最终获得单个向量；
d)时间特征提取阶段，将之前多变量卷积阶段获得的特征向量按次序送入长短时记忆神经网络，通过输入门、遗忘门、输出门来筛选出有用的特征数据，并提取其时序特征；
e)全连接阶段，在全连接层前添加Dropout层防止模型过度拟合；
f)softmax层，使用softmax函数基于概率进行锂电池故障分类；
g)使用交叉熵函数作为损失函数；
H(p,q)＝-∑p(i)logq(i)
其中，i表示输入数据，p(i)是真实数据分布，q(i)是估计数据分布。
进一步，在步骤12)中，该过程包含以下4个步骤：
a)过滤器的选择，若第n+1层输入的少数通道能近似第n+1的输出，则可以移除第n层相应的其他过滤器；
b)修剪，根据设定权重阈值，删除第n+1层输入中的弱通道及其在第i层中对应的滤波器，从而缩小模型；
c)微调权重，恢复因过滤、修剪而损坏的模型精度；
d)重复执行步骤a，以修剪下一层。
进一步，在步骤13)中，该过程包含以下4个步骤：
a)对网络的每个隐藏层，使用K均值聚类方法，将权重聚类成K个簇，并计算得到K个簇的质心C，之后删除原始权重，只存储共享质心；
b)将每个隐藏层权值矩阵中的原始值替换对应共享权值的索引值；
c)量化编码索引值进一步减少每个连接权值的比特位数；
d)重新训练网络，微调质心。
本发明的有益效果在于：
1)针对有效可用的动力锂电池多类故障状态数据不充足的情况下，本专利根据有限的已标注锂电池故障真实数据，引入随机变量的残差约束，利用最大最小博弈的策略构造感知生成与鉴别对抗损失函数，并构建适应实测锂电池故障数据分布的感知对抗生成网络拓扑结构。利用定义的感知对抗网络的生成对抗损失，来惩罚生成的预候选锂电池故障数据和标注的真实锂电池故障数据分布之间的差异。判别网络在损失函数约束下，辨别生成的预候选锂电池故障数据是否成为满足需要的候选锂电池故障数据。使生成的预候选锂电池故障数据与标注的真实锂电池故障数据分布越来越接近，最终生成与真实故障数据分布相同的候选锂电池工况数据。
2)为使候选锂电池故障数据具有实际的物理意义，本专利采用分数阶傅里叶变换方法将锂电池故障信号映射到时频域空间，实现信号时频域展开。本专利中不同阶次分数阶傅里叶变换对应不同的时频域，能展示出信号从时域逐步变化到频域的所有变化特征，可以为锂电池故障数据提供更精细化的故障频谱表征。同时，采用采用归一化互信息作为测度，归一化互信息不仅能度量数据特征之间的线性关系，还能评估它们(真实锂电池故障数据和候选锂电池故障数据)之间的非线性关系。将以上两种方法结合，组成完整的锂电池故障数据筛选方法，不仅使筛选的锂电池故障数据真实有效，同时还提高了筛选速度，为故障诊断的深度学习方法提供了高质量的数据保障。
3)根据获得的用于锂电池故障锂电池故障诊断的混合大数据标注样本，设计全局卷积-长短时记忆神经网络，以及分别针对实测的和筛选的锂电池故障数据的局部卷积-长短时记忆神经网络，构成混合卷积-长短时记忆神经网络锂电池故障诊断模型，最后通过对卷积神经网络中的全局与局部锂电池故障数据的空间特征和长短时记忆神经网络中的锂电池故障数据的时间特征进行学习，并采用全连接分类映射，实现锂电池故障的多分类与定位。本专利通过全局与局部的深度学习来抽取并诊断精细化表征的多类故障特征，在同一软硬件空间中同时诊断出多类锂电池故障，提高电池管理系统可靠性和安全性。
4)在计算资源受限的现实场景中，本专利采用的修剪、量化和霍夫曼编码的三级流水线 方式对深度神经网络模型进行压缩，在每一级流水线中，都能够在不损失精度的前提下，一步一步的删除冗余权重，大大压缩网络模型。同时得益于本专利的量化和霍夫曼编码步骤，使得计算机能够有效的存储和使用压缩后的稀疏矩阵，这不仅有益于模型的存储，还能够加速模型的推理运算。最终本专利能够在不损失网络性能的前提下，减少深度神经网络模型对硬件计算资源的需求并加速网络的运行，解决在计算资源受限的车载硬件环境中，锂电池故障感知混合卷积-长短时记忆神经网络低功耗、高可靠快速运行的问题。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为总体技术方案框架图；
图2为用于生成候选锂电池故障数据的感知对抗网络结构图；
图3(a)归一化候选锂电池故障数据筛选流程图，(b)归一化特征提取图；
图4为用于锂电池故障诊断的混合卷积-长短时记忆神经网络模型图；
图5为多变量卷积图；
图6为三级深度压缩：修剪，量化和霍夫曼编码的流程图；
图7为(a)用相对索引表示稀疏矩阵，填充零以防止溢出，(b)通过标量量化(上)和质心微调(下)进行权重共享。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
图1为总体技术方案框架图，本发明的目的对于有效可用的动力锂电池多类故障状态数据并不充足的问题而提供一种基于感知对抗生成神经网络驱动的动力锂电池故障数据生成方法。以电流、电压、温度等外部电气参数表示的实测标注故障小样本数据为对象，研究随机变量注入小样本故障数据的感知残差效应，以感知生成网络为对象，研究适应故障小样本数据分布的深度神经网络结构，及其感知损失函数设计策略，以对抗鉴别网络为对象，研究反映真实故障数据分布的网络结构，及其对抗损失函数构建范式，理解故障数据生成模型中真实分布与感知分布的误差传播关系及其可能的博弈模式；对于生成的锂电池多类数据缺乏物理意义的问题，采用分数阶傅里叶提取锂电池故障数据的特征，通过计算真实锂电池故障特征矩阵与候选锂电池故障特征矩阵之间的归一化互信息，筛选出感知生成出的高价值数据，解决由数据不真实性带来的损失；对于锂电池多故障诊断问题提供一种混合卷积-长短时记忆神经网络驱动的锂电池多类故障诊断建模方法；对于车载计算资源约束使深度诊断模型应用 受限的难题，提供一种面向硬件移植的锂电池故障诊断模型三级流水线压缩处理方法，图2为用于生成候选锂电池故障数据的感知对抗网络结构图。
图3(a)归一化候选锂电池故障数据筛选流程图，(b)归一化特征提取图，
本方法包括以下步骤：
1、实测锂电池多类故障数据的采集。
2、感知对抗生成网络驱动的锂电池故障数据生成与筛选。
①采用最大最小博弈策略设计感知生成与鉴别对抗损失函数。通过定义感知对抗网络的生成对抗损失来惩罚生成的预候选锂电池故障数据和标注的真实锂电池故障数据分布之间的差异。该生成对抗损失定义为：
min Tmax Dv D,T＝E y∈γ[logD(y)]+E x∈χ[log(1-D(T(x))]
其中，E表示样本概率分布，y表示真实锂电池故障样本，x表示注入随机变量的锂电池电池故障数据样本。
②定义感知网络的感知生成损失和判别网络隐藏层的损失，该过程包含2个步骤：
a)锂电池故障数据感知网络T的感知生成损失
Figure PCTCN2020070964-appb-000008
定义为：
Figure PCTCN2020070964-appb-000009
其中，
Figure PCTCN2020070964-appb-000010
表示第j个隐藏层D测量的差异。，它定义为：
Figure PCTCN2020070964-appb-000011
其中，d j(·)为鉴别网络D的第j个隐藏层上的数据表示。
b)在给定正余量m后，鉴别网络D的隐藏层是损失
Figure PCTCN2020070964-appb-000012
可定义为：
Figure PCTCN2020070964-appb-000013
其中，
Figure PCTCN2020070964-appb-000014
表示平衡F不同隐藏层影响的超参数。
③得到感知网络损失函数与判别网络损失函数。基于上述感知生成损失和对抗鉴别损失，感知网络损失函数
Figure PCTCN2020070964-appb-000015
与鉴别网络损失函数
Figure PCTCN2020070964-appb-000016
更新为：
Figure PCTCN2020070964-appb-000017
Figure PCTCN2020070964-appb-000018
其中，θ是超参数，用于平衡感知生成损失和对抗鉴别损失的影响。当
Figure PCTCN2020070964-appb-000019
时，D的参 数θ用来限制最小的
Figure PCTCN2020070964-appb-000020
与最大的
Figure PCTCN2020070964-appb-000021
是一致的。否则，当
Figure PCTCN2020070964-appb-000022
时，因为m为正余量，
Figure PCTCN2020070964-appb-000023
的第二项将具有零梯度。鉴别网络D旨在将锂电池故障数据感知网络T(x)与已标注真实锂电池故障数据y从静态(
Figure PCTCN2020070964-appb-000024
的第一项)和动态感知(
Figure PCTCN2020070964-appb-000025
的第二项)区分开。
④通过训练锂电池故障数据感知网络T减少输出和真实数据之间的差异，以得到复合期望的候选锂电池故障数据。
⑤采用分数阶傅里叶变换提取锂电池故障数据的特征，该过程包含以下4个步骤：
a)对于真实锂电池故障信号f(t)与生成候选的锂电池故障信号g(t)选取一组分数阶傅里叶变换旋转角
Figure PCTCN2020070964-appb-000026
b)通过分数阶傅里叶变换：
Figure PCTCN2020070964-appb-000027
其中
Figure PCTCN2020070964-appb-000028
T p(x)＝exp{-iπpx 2}，p＝tan(α/2)，s＝-csc(α),得到n个真实锂电池故障f(t)信号的幅频曲线
Figure PCTCN2020070964-appb-000029
n个生成候选的锂电池故障信号g(t)的幅频曲线
Figure PCTCN2020070964-appb-000030
c)取一组ω 1,ω 2…,ω m，对真实锂电池故障信号f(t)和候选锂电池故障信号g(t)的各个幅频曲线进行采样。
d)将采样得到的对应n个不同旋转角的m维真实锂电池精细化故障频谱表征向量，拼接得到n×m大小的真实锂电池故障特征矩阵A，同理，可得信号g(t)的候选锂电池故障特征矩阵B。
⑥计算真实锂电池故障特征矩阵A与候选锂电池故障特征矩阵B之间的归一化互信息，该过程包含以下4个步骤：
a)计算真实锂电池故障特征矩阵A的信息熵：
Figure PCTCN2020070964-appb-000031
b)计算候选锂电池故障特征矩阵B的信息熵：
Figure PCTCN2020070964-appb-000032
c)计算真实锂电池故障特征矩阵A和候选锂电池故障特征矩阵B之间的互信息：
Figure PCTCN2020070964-appb-000033
d)计算A与B之间的归一化故障互信息：
Figure PCTCN2020070964-appb-000034
⑦通过参数估计和适用性检验的方法得出可信故障数据的互信息阈值条件，并用该阈值筛选出感知生成数据的高价值故障数据。
3混合卷积-长短时记忆神经网络驱动的锂电池多类故障诊断建模
①通过分数阶傅里叶变换筛选获得实测的和筛选的锂电池故障数据，构成用于锂电池故障诊断的混合故障大数据标注样本。
②搭建混合卷积-长短时记忆神经网络(CNN-LSTM)。设计面向混合锂电池故障样本的全局卷积-长短时记忆神经网络，以及分别针对实测的和筛选的锂电池故障数据的局部卷积-长短时记忆神经网络，构成混合卷积-长短时记忆神经网络锂电池故障诊断模型。全局卷积神经网络用于获取锂电池单体与电池包在过充过放电、短路、机械损伤、老化等工况下的故障综合信息，长短时记忆神经网络用于提取锂电池故障信息的时间特性。图4为用于锂电池故障诊断的混合卷积-长短时记忆神经网络模型图，图5为多变量卷积图。
③设计全连接层。采用全连接分类映射对全局模型和局部模型提取的故障进行分类与定位。
4面向硬件移植的锂电池深度诊断模型压缩
①利用阈值学习方法获取锂电池故障诊断模型中的混合卷积-长短时记忆神经网络重要权值，在不损失精度的情况下减少网络规模。该过程包括三个步骤：
a)训练用于锂电池故障诊断的混合卷积-长短时记忆神经网络，以获取网络连接。
b)设置合理阈值，在已训练的混合卷积-长短时记忆神经网络中删除低于阈值的连接，压缩网络规模，同时使用压缩稀疏行(CSR)或压缩稀疏列(CSC)格式存储该稀疏矩阵从而进一步压缩模型大小。
c)重新训练修剪过的混合卷积-长短时记忆神经网络，微调权重以恢复网络精度。
②采用数值聚合方式量化强制实现权值共享，使用压缩稀疏格式存储有效的共享权值编码与和索引。该过程包含4个步骤：
a)在已修剪的混合卷积-长短时记忆神经网络的每个隐藏层中，n个原始权值W＝{w 1,w 2,...,w n}分成k个簇C＝{c 1,c 2,..,c k}，第i个簇里的所有权值将共享相同的质心c i，c i的初始值通过线性初始化得到；同时令n＞＞k以使簇内平方和最小，其中簇内平方和的公式为：
Figure PCTCN2020070964-appb-000035
b)生成共享权值C后，删除原始权值，只存储共享权值，同时将每个隐藏层权值矩阵中的原始值替换对应共享权值的索引值。
c)量化索引值进一步减少每个连接权值的比特位数。
d)重新训练模型，微调模型以恢复网络精度。在反向传播期间，计算每个共享权值的梯度并用于更新共享权值，具体如下：
Figure PCTCN2020070964-appb-000036
式中，L表示损失函数，W ij是第j行i列的权值，I ij表示W ij所对应的共享权值的索引，C k表示每层的第k个共享权值，1(.)是指示函数，当满足括号内条件时取值为1，否则为0。
③通过顶部标量量化和底部质心微调进行权值分配与哈夫曼编码，使用可变长度码编码权重与索引，进一步减少网络所需要的存储空间。图6为三级深度压缩：修剪，量化和霍夫曼编码的流程图，图7为(a)用相对索引表示稀疏矩阵，填充零以防止溢出，(b)通过标量量化(上)和质心微调(下)进行权重共享。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (10)

  1. 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法，其特征在于：该方法包括以下步骤：
    1)采集锂电池故障数据，建立真实锂电池故障数据集；
    2)采用最大最小博弈策略设计感知生成与鉴别对抗损失函数；
    3)引入超参数，得到感知网络和判别网络的损失函数；
    4)通过训练对抗生成网络，得到候选锂电池故障数据；
    5)使用感知生成网络生成候选锂电池故障数据；
    6)采用分数阶傅里叶变换提取锂电池故障数据的特征；
    7)采用归一化互信息作为锂电池故障数据的筛选测度；
    8)利用故障诊断实验选取筛选阈值；
    9)通过分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障数据，构成用于锂电池故障诊断的混合大数据标注样本；
    10)设计面向混合锂电池故障样本的全局卷积-长短时记忆神经网络，以及分别针对实测的和筛选的锂电池故障数据的局部卷积-长短时记忆神经网络，构成混合卷积-长短时记忆神经网络锂电池故障诊断模型；
    11)全局与局部卷积神经网络学习锂电池故障数据的空间特征，长短时记忆神经网络用来提取锂电池故障数据的时间特征，最后采用全连接分类映射，对锂电池故障进行多分类与定位；
    12)使用连接权重对网络进行修剪，减少神经元数量；
    13)通过K均值方法，获取每个隐藏层的K个共享质心；
    14)删除原始权重，只存储共享质心；
    15)将每个隐藏层权值矩阵中的原始值替换对应共享权值的索引值；
    16)对共享质心和索引值进行哈夫曼编码；
    17)每一部分都重新训练网络，微调权重或质心，从而恢复精度。
  2. 根据权利要求1所述的一种感知对抗生成下的深度压缩动力锂电池故障诊断方法，其特征在于：在步骤2)中，该过程包括以下2个步骤：
    a)定义感知对抗网络的生成对抗损失来惩罚生成候选锂电池故障数据和标注的真实锂电池故障数据分布之间的差异；
    b)通过生成对抗损失来惩罚生成的候选锂电池故障数据和标注的真实锂电池故障数据分布之间的差异。
  3. 根据权利要求1所述的一种感知对抗生成下的深度压缩动力锂电池故障诊断方法，其特征在于：在步骤3)中，该过程包含以下4个步骤：
    a)引入超参数θ，用于平衡感知生成损失和对抗鉴别损失的影响；
    b)当
    Figure PCTCN2020070964-appb-100001
    时，D的参数θ用来限制最小的
    Figure PCTCN2020070964-appb-100002
    与最大的
    Figure PCTCN2020070964-appb-100003
    是一致的；
    c)当
    Figure PCTCN2020070964-appb-100004
    时，因为m为正余量，
    Figure PCTCN2020070964-appb-100005
    的第二项将具有零梯度；
    d)判别网络D将锂电池故障数据感知网络T(x)与已标注真实锂电池故障数据y从静态(
    Figure PCTCN2020070964-appb-100006
    的第一项)和动态感知(
    Figure PCTCN2020070964-appb-100007
    的第二项)区分开。
  4. 根据权利要求1所述的一种感知对抗生成下的深度压缩动力锂电池故障诊断方法，其特征在于：在步骤4)中，该过程包含以下2个步骤：
    a)通过训练对抗生成网络，判别网络判断生成数据与真实锂电池故障数据的差异，使网络输出的锂电池数据和真实数据之间的差异不断减少；
    b)对抗生成网络训练好后，通过生成网络生成候选锂电池故障数据。
  5. 根据权利要求1所述的一种感知对抗生成下的深度压缩动力锂电池故障诊断方法，其特征在于：在步骤6)中，该过程包含以下6个步骤：
    a)选取一组分数阶傅里叶变换旋转角；
    b)将不同旋转角的分数阶傅里叶变换应用到真实锂电池故障数据上，得到一组幅频特性；
    c)选取一组频率，对幅频特性进行采样得到精细化故障频谱表征向量；
    d)拼接得到的表征向量，得到该真实锂电池故障数据的特征矩阵；
    e)将上述步骤应用到数据集中每一个样本上，得到真实锂电池故障特征数据集；
    f)同理，可得到候选锂电池故障特征数据集。
  6. 根据权利要求1所述的一种感知对抗生成下的深度压缩动力锂电池故障诊断方法，其特征在于：在步骤7)中，该过程包含以下4个步骤：
    a)同过真实锂电池故障特征数据集计算出平均真实锂电池故障特征；
    b)计算出平均真实锂电池故障特征所含的信息熵；
    c)对每个候选锂电池故障特征数据，计算其所含的信息熵；
    d)对每个候选锂电池故障特征数据，计算其与平均真实锂电池故障特征之间的归一化互信息。
  7. 根据权利要求1所述的一种感知对抗生成下的深度压缩动力锂电池故障诊断方法，其特征在于：在步骤8)中，该过程包含以下6个步骤：
    a)选取归一化互信息阈值；
    b)筛选出大于该阈值的候选锂电池故障数据；
    c)用筛选后锂电池故障数据训练故障诊断网络；
    d)根据网络的性能，选取新的归一化互信息阈值；
    e)重复上述过程，直至最优；
    f)对候选锂电池频谱信息使用分数阶傅里叶逆变换，获得还原锂电池数据。
  8. 根据权利要求1所述的一种感知对抗生成下的深度压缩动力锂电池故障诊断方法，其特征在于：在步骤10)中，该过程包括7个步骤：
    a)输入张量变换阶段，使用时间滑动窗口将锂电池故障数据子序列转换为张量，其中张量的深度为滑动窗口的时间长度；
    b)单变量卷积阶段，对张量进行单变量卷积操作(过滤器为1*1)，提取输入数据特征；
    c)多变量卷积阶段，使用不同尺寸的过滤器(3*3,5*5,7*7,11*11)对单变量卷积的输出进行两层卷积操作；第一层卷积的目的是获得输入数据序列的局部相关性，第二层卷积的目的是获得输入序列的全局相关性，在两层卷积后分别加入激活函数层；然后将经过两层卷积和激活获得的结果进行顺序拼接，再进行卷积操作，最终获得单个向量；
    d)时间特征提取阶段，将之前多变量卷积阶段获得的特征向量按次序送入长短时记忆神经网络，通过输入门、遗忘门、输出门来筛选出有用的特征数据，并提取其时序特征；
    e)全连接阶段，在全连接层前添加Dropout层防止模型过度拟合；
    f)softmax层，使用softmax函数基于概率进行锂电池故障分类；
    g)使用交叉熵函数作为损失函数；
    H(p,q)＝-∑p(i)log q(i)
    其中，i表示输入数据，p(i)是真实数据分布，q(i)是估计数据分布。
  9. 根据权利要求1所述的一种感知对抗生成下的深度压缩动力锂电池故障诊断方法，其特征在于：在步骤12)中，该过程包含以下4个步骤：
    a)过滤器的选择，若第n+1层输入的少数通道能近似第n+1的输出，则可以移除第n层相应的其他过滤器；
    b)修剪，根据设定权重阈值，删除第n+1层输入中的弱通道及其在第i层中对应的滤波器，从而缩小模型；
    c)微调权重，恢复因过滤、修剪而损坏的模型精度；
    d)重复执行步骤a，以修剪下一层。
  10. 根据权利要求1所述的一种感知对抗生成下的深度压缩动力锂电池故障诊断方法，其特征在于：在步骤13)中，该过程包含以下4个步骤：
    a)对网络的每个隐藏层，使用K均值聚类方法，将权重聚类成K个簇，并计算得到K个簇的质心C，之后删除原始权重，只存储共享质心；
    b)将每个隐藏层权值矩阵中的原始值替换对应共享权值的索引值；
    c)量化编码索引值进一步减少每个连接权值的比特位数；
    d)重新训练网络，微调质心。
PCT/CN2020/070964 2019-07-30 2020-01-08 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 WO2021017416A1 (zh)

Applications Claiming Priority (8)

Application Number Priority Date Filing Date Title
CN201910695455.2 2019-07-30
CN201910696529.4A CN110412467B (zh) 2019-07-30 2019-07-30 一种归一化互信息准则约束的锂电池故障数据筛选方法
CN201910695409.2A CN110308397B (zh) 2019-07-30 2019-07-30 一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法
CN201910696529.4 2019-07-30
CN201910696488.9A CN110399975A (zh) 2019-07-30 2019-07-30 一种面向硬件移植的锂电池深度诊断模型压缩算法
CN201910696488.9 2019-07-30
CN201910695409.2 2019-07-30
CN201910695455.2A CN110414604A (zh) 2019-07-30 2019-07-30 感知对抗生成网络驱动的锂电池故障数据生成方法

Publications (1)

Publication Number Publication Date
WO2021017416A1 true WO2021017416A1 (zh) 2021-02-04

Family

ID=74228329

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/070964 WO2021017416A1 (zh) 2019-07-30 2020-01-08 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法

Country Status (1)

Country Link
WO (1) WO2021017416A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591816A (zh) * 2021-09-29 2021-11-02 广东省科学院智能制造研究所 基于自监督引导编码网络的高光谱异常检测方法和系统
CN113704565A (zh) * 2021-10-28 2021-11-26 浙江大学 基于全局区间误差的学习型时空索引方法、装置及介质
CN113762486A (zh) * 2021-11-11 2021-12-07 中国南方电网有限责任公司超高压输电公司广州局 换流阀故障诊断模型的构建方法、装置和计算机设备
CN114236410A (zh) * 2021-11-24 2022-03-25 广东工业大学 基于新型生成式对抗神经网络的锂电池soh估计方法
CN114386537A (zh) * 2022-03-23 2022-04-22 中国华能集团清洁能源技术研究院有限公司 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN117131457A (zh) * 2023-10-26 2023-11-28 杭州海兴泽科信息技术有限公司 基于ai模型的电力大数据采集处理方法及系统
CN117290732A (zh) * 2023-11-24 2023-12-26 山东理工昊明新能源有限公司 故障分类模型的构建方法、风电设备故障分类方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190086912A1 (en) * 2017-09-18 2019-03-21 Yuan Ze University Method and system for generating two dimensional barcode including hidden data
CN109814523A (zh) * 2018-12-04 2019-05-28 合肥工业大学 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法
CN109921414A (zh) * 2019-03-13 2019-06-21 华北电力大学 一种基于深度学习融合模型的电力系统暂态稳定评估方法
CN110308397A (zh) * 2019-07-30 2019-10-08 重庆邮电大学 一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法
CN110399975A (zh) * 2019-07-30 2019-11-01 重庆邮电大学 一种面向硬件移植的锂电池深度诊断模型压缩算法
CN110412467A (zh) * 2019-07-30 2019-11-05 重庆邮电大学 一种归一化互信息准则约束的锂电池故障数据筛选方法
CN110414604A (zh) * 2019-07-30 2019-11-05 重庆邮电大学 感知对抗生成网络驱动的锂电池故障数据生成方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190086912A1 (en) * 2017-09-18 2019-03-21 Yuan Ze University Method and system for generating two dimensional barcode including hidden data
CN109814523A (zh) * 2018-12-04 2019-05-28 合肥工业大学 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法
CN109921414A (zh) * 2019-03-13 2019-06-21 华北电力大学 一种基于深度学习融合模型的电力系统暂态稳定评估方法
CN110308397A (zh) * 2019-07-30 2019-10-08 重庆邮电大学 一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法
CN110399975A (zh) * 2019-07-30 2019-11-01 重庆邮电大学 一种面向硬件移植的锂电池深度诊断模型压缩算法
CN110412467A (zh) * 2019-07-30 2019-11-05 重庆邮电大学 一种归一化互信息准则约束的锂电池故障数据筛选方法
CN110414604A (zh) * 2019-07-30 2019-11-05 重庆邮电大学 感知对抗生成网络驱动的锂电池故障数据生成方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591816A (zh) * 2021-09-29 2021-11-02 广东省科学院智能制造研究所 基于自监督引导编码网络的高光谱异常检测方法和系统
CN113591816B (zh) * 2021-09-29 2022-02-22 广东省科学院智能制造研究所 基于自监督引导编码网络的高光谱异常检测方法和系统
CN113704565A (zh) * 2021-10-28 2021-11-26 浙江大学 基于全局区间误差的学习型时空索引方法、装置及介质
CN113704565B (zh) * 2021-10-28 2022-02-18 浙江大学 基于全局区间误差的学习型时空索引方法、装置及介质
CN113762486A (zh) * 2021-11-11 2021-12-07 中国南方电网有限责任公司超高压输电公司广州局 换流阀故障诊断模型的构建方法、装置和计算机设备
CN114236410A (zh) * 2021-11-24 2022-03-25 广东工业大学 基于新型生成式对抗神经网络的锂电池soh估计方法
CN114386537A (zh) * 2022-03-23 2022-04-22 中国华能集团清洁能源技术研究院有限公司 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN114386537B (zh) * 2022-03-23 2023-02-07 中国华能集团清洁能源技术研究院有限公司 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN117131457A (zh) * 2023-10-26 2023-11-28 杭州海兴泽科信息技术有限公司 基于ai模型的电力大数据采集处理方法及系统
CN117131457B (zh) * 2023-10-26 2024-01-26 杭州海兴泽科信息技术有限公司 基于ai模型的电力大数据采集处理方法及系统
CN117290732A (zh) * 2023-11-24 2023-12-26 山东理工昊明新能源有限公司 故障分类模型的构建方法、风电设备故障分类方法及装置
CN117290732B (zh) * 2023-11-24 2024-03-01 山东理工昊明新能源有限公司 故障分类模型的构建方法、风电设备故障分类方法及装置

Similar Documents

Publication Publication Date Title
WO2021017416A1 (zh) 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法
CN113343633B (zh) 动力锂电池热失控故障分类及风险预测方法、系统
CN110941928B (zh) 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法
Liu et al. Transfer learning for battery smarter state estimation and ageing prognostics: Recent progress, challenges, and prospects
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
Zhou et al. Battery health prognosis using improved temporal convolutional network modeling
WO2015158198A1 (zh) 一种基于神经网络自学习的故障识别方法及系统
Li et al. Remaining useful life prediction for lithium-ion batteries with a hybrid model based on TCN-GRU-DNN and dual attention mechanism
CN114580706A (zh) 基于gru-lstm神经网络的电力金融业务风控方法及系统
CN116679211B (zh) 一种锂电池健康状态的预测方法
CN113821875B (zh) 一个基于端云协同的智能车辆故障实时预测方法及系统
CN112784920A (zh) 云边端协同的旋转部件对抗域自适应故障诊断方法
CN116523177A (zh) 融合机理和深度学习模型的车辆能耗预测方法及装置
CN114580262A (zh) 一种锂离子电池健康状态估计方法
CN113469013B (zh) 一种基于迁移学习和时间序列的电机故障预测方法及系统
CN117148200B (zh) 基于分段聚合近似和聚类的pack不一致性监测方法及装置
Rui et al. Smart network maintenance in an edge cloud computing environment: An adaptive model compression algorithm based on model pruning and model clustering
CN116930682A (zh) 基于BiLSTM网络的高压输电系统故障诊断方法及系统
Hou et al. A vehicle alarm network for high-temperature fault diagnosis of electric vehicles
CN112100902B (zh) 一种基于流数据的锂离子电池寿命预测方法
CN114372618A (zh) 一种学生成绩的预测方法、系统、计算机设备及存储介质
CN114168822A (zh) 一种时间序列数据聚类模型建立及时间序列数据聚类方法
CN118171049B (zh) 一种基于大数据的边缘计算的电池管理方法及系统
CN118362904B (zh) 一种新能源电池供电测试方法和系统
Wang et al. Instrument Fault Diagnosis Method based on Machine Learning

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20847166

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20847166

Country of ref document: EP

Kind code of ref document: A1