基于时空图模型的动力电池生产工艺波动异常检测方法技术

本发明专利技术提出了一种基于时空图模型的动力电池生产工艺波动异常检测方法。该方法包括：将电池生产工艺的关键参数用于模型的训练，使用不同卷积核尺寸的时间卷积网络获取序列的时间模型；构建领接矩阵，使用图卷积神经网络获取时间序列的空间信息；构建带有门控机制的时空图卷积块对所得信息进行过滤，得到有效的时间和空间的依赖性；聚合所有门控时空图卷积网络的输出信息对输入滑动时间窗进行单步预测；应用数据的观测值和预测值计算预测误差，再应用预测误差计算异常分数的阈值；如果测试数据中预测误差大于阈值，则将其判断为异常，发出警报。发出警报。发出警报。

【技术实现步骤摘要】
基于时空图模型的动力电池生产工艺波动异常检测方法


[0001]本专利技术涉及电池生产工艺波动分析领域，具体涉及一种基于时空图模型的电池生产工艺异常波动检测方法。

技术介绍

[0002]新能源汽车的环保节能的特点促使其迅速普及和发展，未来的前景呈现积极的态势。动力电池的作为新能源机车的核心部件，对电池的生产过程中的核心工艺波动的自动化监控有利于降低成本和提高效率。纵观全球，当前关于工厂电池管理系统设计和智能制造计划管理模块设计处于仿真模拟或者封闭测试阶段，许多核心技术亟待突破，其中包括电池生产设备诊断、电池生产工艺波动分析电池生产工艺能力分析，本专利技术聚焦电池生产工艺波动分析异常检检测。电池生产过程包含诸多核心工艺，例如混料、涂布、辊压、分切、叠片、注液、化成等，需要被及时精确的监控。同时各个工艺的可以被传感器及时有效的记录下来，得到多维时间序列。这些参数(电流、电压、温度等)中可能隐藏电池生产工艺的异常模型，生产过程中的异常检测成为了一个十分重要的问题。然而异常的模式形式多样，获得所有种类异常的标签非常困难，且需花费巨大成本，同时在电池生产设备运行过程中，大部分时间都处于正常状态，导致异常和正常的类别的极不平衡，在深度学习领域，很多流行的监督学习的分类算法都不能有效工作，提升了对动力电池的生产工艺波动异常检测的难度。
[0003]综合考虑电池生产工艺波动分析的异常检测的准确性、鲁棒性和效率，采用无监督学习的方法是最合适的方法。通过深度学习的模型学习数据中潜在的时空关系，对关键参数进行预测，根据观测值和预测值之差检测异常值。但是，电池生产过程中，参数的稳定性和各个参数之间的线性和非线性关系十分复杂，且随时间动态变化。现有的无监督的异常检测算法不能处理动力电池生产过程的时间和空间的依赖性，存在很大提升空间。
[0004]综上所述，在动力电池生产工艺波动分析问题中，寻找一种新的多维时间序列异常检测方法，可以对电池核心生产工艺参数的时间信息和空间模式进行建模，成为了目前亟需解决的问题。

技术实现思路

[0005]本专利技术提出一种电池生产工艺波动的异常检测算法，称为门控时空图模型(Gate Spatial
‑
Temporal Graph Model for Anomaly Detection，GSTAD)。该算法考虑电池生产过程核心参数的时间依赖性和空间模式，可以实现高效的电池生产过程工艺波动异常检测。
[0006]本专利技术的技术方案包括以下步骤：
[0007]1)对记录电池生产工艺的关键参数进行预处理，使具有不同属性、不同范围的参数具有相同的度量。
[0008]2)将预处理后的数据分为三个子集，其中N1子集用于模型的训练，其中仅包含正
常的数据集；N2子集用于模型的超参数的调节和阈值的选择；N3用于测试模型的性能，N2和N3均包含正常和异常数据，模型的输入为一个滑动时间窗X
W
∈R
k
×
L
,其中k表示多维时间序列的特征维度，L表示滑动时间窗的尺寸；
[0009]3)构建门控时空图模型；
[0010]首先构建不同尺寸的卷积核的时间卷积网络和卷积核为1
×
1的卷积来捕获动力电池生产工艺关键参数的时间依赖性；
[0011]不同动力电池生产工艺关键参数通过图的形式表达，图被表述为G＝(V，E)，其中V是节点的集合，E是边的集合；用k来表示图中的节点数量。让v∈V表示一个节点，e＝(v，u)∈E表示从u指向v的一条边；构建的电池生产工艺参数系统的有向图的邻接矩阵，表示为A∈R
k
×
k
，如果(v
i
，v
j
)∈E，则A
ij
＝1，如果则A
ij
＝0；在电池生产过程中，不同参数之间存在复杂的关系，例如辊压的前拉伸张力和后拉伸张力，分切机的分条速度和工作功率，均浆工艺中搅拌速度和搅拌温度等存在紧密的联系，通过自适应图的结构捕获不同生产工艺的线性与非线性的关系，具体采用两种方法学习邻接矩阵，第一，根据电池生产过程工艺参数的相关性，构建邻接矩阵第二，由模型通过梯度下降学习自适应邻接矩阵A
apt
，通过随机初始化起始节点和目标节点的嵌入表示作为可学习的参数E1,E2∈R
k
×
m
,其中m表示每一个节点嵌入的维度，目标的自适应连接矩阵表示为公式3。通过自适应图的结构捕获不同生产工艺的线性与非线性的关系，使用图卷积神经网络聚合相关工艺参数的信息，图卷积神经网络表示为公式4，
[0012][0013][0014]其中A
apt
表示初始化的自适应邻接矩阵，使用ReLU激活函数去除其中一些弱连接，增加邻接矩阵的稀疏性，Softmax为激活函数。在模型的训练过程中，学习有利于预测的最佳的连接矩阵。X表示图卷积神经网络的输入，W
i1
和W
i2
表示图卷积神经网络模型的参数矩阵。
[0015]4)使用门结构对所得时空信息进行过滤；
[0016]在门控时空图模型中，采用一个公式5所示的输出门g
i
，每个门结构的输出中都蕴含时间序列的有效信息。在公式6中，将每个门结构的输出结果相加，通过两层全连接层，获得多维时间序列的时空信息进行下一时间步的观测值预测；
[0017]g
i
＝h
i1
(Θ1*X+a)
⊙
h
i2
(Θ2*X+b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0018][0019]其中h
i1
和hi2表示串联时间卷积和图卷积神经网络的两个运算，Θ1，Θ2分别为其中的参数，
⊙
表示矩阵对应元素相乘，a,b,c,d为偏置项，W1和W2为全连接层的参数矩阵，Tanh和ReLU为激活函数。
[0020]5)使用正常数据对模型训练，使用自动化阈值策略，用验证集调节模型的超参数，选择最佳的阈值。最后测试模型的性能，直观上，当测试数据集中含有异常时，将获得较大的预测误差，将预测误差大于阈值的观测值判为异常。
[0021]作为优选，所述的使具有不同属性、不同范围的参数具有相同的度量，具体为：
[0022]采用如下公式将每个传感器的数据都归一化，
[0023][0024]其中x∈R
N
表示一种度量参数，min(x),max(x)分别表示x的最小值和最大值，x
′
表示x归一化之后的值,eps的值设置为1e
‑
8，避免出现除0的情况。
[0025]作为优选，所述的动力电池生产过程的关键参数，包括辊压速度、分切长度、注液温度。
[0026]作为优选，所述的滑动时间窗尺寸设置为42。
[0027]作为优选，其中扩张系数r设置为2或3。
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于时空图模型的动力电池生产工艺波动异常检测方法，其特征在于：该方法具体包括以下步骤：1)对记录电池生产工艺的关键参数进行预处理，使具有不同属性、不同范围的参数具有相同的度量；2)将预处理后的数据分为三个子集，其中N1子集用于模型的训练，其中仅包含正常的数据集；N2子集用于模型的超参数的调节和阈值的选择；N3用于测试模型的性能，N2和N3均包含正常和异常数据，模型的输入为一个滑动时间窗X
W
∈R
k
×
L
,其中k表示多维时间序列的特征维度，L表示滑动时间窗的尺寸；3)构建门控时空图模型；首先构建不同尺寸的卷积核的时间卷积网络和卷积核为1
×
1的卷积来捕获动力电池生产工艺关键参数的时间依赖性；不同动力电池生产工艺关键参数通过图的形式表达，图被表述为G＝(V，E)，其中V是节点的集合，E是边的集合；用k来表示图中的节点数量；让v∈V表示一个节点，e＝(v，u)∈E表示从u指向v的一条边；构建的电池生产工艺参数系统的有向图的邻接矩阵，表示为A∈R
k
×
k
，如果(v
i
，v
j
)∈E，则A
ij
＝1，如果则A
ij
＝0；通过自适应图的结构捕获不同生产工艺的线性与非线性的关系，具体采用两种方法学习邻接矩阵，第一，根据电池生产过程工艺参数的相关性，构建邻接矩阵第二，由模型通过梯度下降学习自适应邻接矩阵A
apt
，通过随机初始化起始节点和目标节点的嵌入表示作为可学习的参数E1,E2∈R
k
×
m
,其中m表示每一个节点嵌入的维度，目标的自适应连接矩阵表示为公式3；通过自适应图的结构捕获不同生产工艺的线性与非线性的关系，使用图卷积神经网络聚合相关工艺参数的信息，图卷积神经网络表示为公式4，神经网络表示为公式4，其中A
apt
表示初始化的自适应邻接矩阵，X表示图卷积神经网络的输入，W
i1
和W
i2
表示图卷积神经网络模型的参数矩阵；4)使用门结构对所得时空信息进行过滤；在门控时空图模型中，采用一个公式5所示的输出门g
i
，每个门结构的输出中都蕴含时间序列的有效信息；在公式6中，将每个门结构的输出结果相加，...

【专利技术属性】
技术研发人员：何志伟，官思伟，赵宾杰，董哲康，高明煜，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：