【技术实现步骤摘要】
本申请涉及电池检测，具体涉及一种动力电池检测模型训练方法、动力电池检测方法及装置。
技术介绍
1、动力电池是电动车辆的核心组件之一，其安全性对于保障电动车辆的正常运行至关重要。为实现动力电池的安全性检测，可通过将搭载在车辆上的动力电池的电池状态数据，如动力电池的电压、电流以及温度等输入基于神经网络训练的动力电池检测模型进行检测，以根据动力电池检测模型输出的安全等级标签，来评估该动力电池的安全等级。因此，动力电池的安全性检测准确率依赖于该动力电池检测模型。
2、相关技术中，对于进行动力电池检测的动力电池检测模型的训练，是将标记有不同安全等级标签的电池状态数据作为数据样本，输入到初始模型中进行训练以得到动力电池检测模型。然而，在实际情况中，实际采集到的标记有安全等级标签的电池状态数据数量通常较少，且动力电池的安全性不仅受动力电池的状态影响，还会受车辆对动力电池的使用情况所影响，使得仅实际采集到的标记有安全等级标签的电池状态数据进行动力电池检测模型的训练，会影响动力电池检测模型的训练效果，导致影响动力电池检测模型对动力电池的安全性检测的准确率。
技术实现思路
1、本申请旨在至少解决相关技术中存在的技术问题之一。为此，本申请提出一种动力电池检测模型训练方法，能够提高利用动力电池检测模型对动力电池的安全性进行检测的准确率。
2、根据本申请第一方面实施例的动力电池检测模型训练方法，包括：
3、根据训练好的生成对抗网络，对标记有安全等级标签的任一车辆状态数据样
4、根据各所述车辆状态数据样本和各所述扩充数据样本组成的样本集，对动力电池检测模型进行训练，得到训练好的动力电池检测模型；
5、其中，所述生成对抗网络通过多次将任一所述车辆状态数据样本输入待训练的生成对抗网络进行训练，每次均通过当前输入的所述车辆状态数据样本的量子态向量，以及所述生成对抗网络当前输出的目标数据样本的量子态向量，对所述生成对抗网络的生成器和判别器进行交替训练，直至所述交替训练的次数达到预设次数后得到；
6、所述车辆状态数据样本包括多个样本数据点，所述样本数据点为车辆的电池参数、车辆速度、车辆加速度或车辆的环境参数中的其中一种。
7、通过根据训练好的生成对抗网络，对标记有安全等级标签的任一车辆状态数据样本进行样本扩充，得到与车辆状态数据样本具有相同安全等级标签的扩充数据样本，以根据各车辆状态数据样本和各扩充数据样本组成的样本集，对动力电池检测模型进行训练，得到训练好的动力电池检测模型；其中，生成对抗网络通过多次将任一车辆状态数据样本输入待训练的生成对抗网络进行训练，每次均通过当前输入的车辆状态数据样本的量子态向量，以及生成对抗网络当前输出的目标数据样本的量子态向量，对生成对抗网络的生成器和判别器进行交替训练，直至交替训练的次数达到预设次数后得到；车辆状态数据样本包括多个样本数据点，样本数据点为车辆的电池参数、车辆速度、车辆加速度或车辆的环境参数中的其中一种。从而可利用量子态来对数据样本进行扩充，控制生成的数据样本的多样性和质量，以生成更具代表性和多样性的数据样本来对模型进行训练，从而有效地解决了训练样本不足的问题，同时还采用了会对动力电池的安全性造成影响的更多维度的数据样本，来对动力电池检测模型进行训练，使动力电池检测模型的训练更加充分，进而提高利用动力电池检测模型对动力电池的安全性进行检测的准确率。
8、根据本申请的一个实施例，还包括：
9、根据预设量子态编码模型，对所述车辆状态数据样本进行量子态编码，得到所述车辆状态数据样本的量子态向量；
10、其中，表示车辆状态数据样本中第i个样本数据点的量子态向量，表示量子态的预设维数，表示第维的预设量子角度，表示第维的预设量子基态。
11、根据本申请的一个实施例，所述交替训练包括：
12、将所述车辆状态数据样本的量子态向量输入所述判别器，得到判别器输出的第一标签，以及将所述车辆状态数据样本输入所述生成器得到的目标数据样本的量子态向量输入所述判别器，得到判别器输出的第二标签，以根据第一标签和第二标签计算所述判别器的损失函数并反向传播更新所述判别器的网络参数，直至将所述车辆状态数据样本的量子态向量输入所述判别器得到的第一标签为表示真实数据的标签，以及将所述目标数据样本的量子态向量输入所述判别器得到的第二标签为表示虚假数据的标签后，将所述车辆状态数据样本输入所述生成器，得到所述生成器输出的所述目标数据样本，以根据所述目标数据样本的量子态向量输入所述判别器得到的第二标签，以及所述目标数据样本的量子态向量，计算所述生成器的损失函数并反向传播更新损失判别器的网络参数，直至将所述车辆状态数据样本输入所述生成器得到的所述目标数据样本的量子态向量，输入所述判别器得到的第二标签为表示真实数据的标签的情况下，完成一次交替训练；
13、其中，表示所述车辆状态数据样本的量子态向量，表示所述目标数据样本的量子态向量，表示第一标签，表示所述第二标签，表示所述生成器通过随机噪声以及所述车辆状态数据样本生成的所述目标数据样本的量子态向量的第二标签，表示量子正则化的预设权重，，表示目标数据样本的量子态信息熵，表示在第维的概率幅度。
14、根据本申请的一个实施例，所述动力电池检测模型包括特征提取子模型；
15、根据各所述车辆状态数据样本和各所述扩充数据样本组成的样本集，对动力电池检测模型进行训练，得到训练好的动力电池检测模型，包括：
16、初始化所述特征提取子模型的网络参数；
17、迭代训练所述特征提取子模型，直至所述迭代训练的次数达到预设次数，根据对所述特征提取子模型进行预测次数的迭代训练后更新的网络参数，得到训练好的所述特征提取子模型；
18、其中，每次迭代训练均根据所述特征提取子模型的当前网络参数和所述样本集中的各样本，模拟各所述样本在虚拟生态系统中的特征演化过程，以基于各所述样本在虚拟生态系统中的特征演化结果，以及所述特征演化结果的目标函数，更新所述当前网络参数。
19、根据本申请的一个实施例，所述动力电池检测模型包括特征降维子模型；
20、根据各所述车辆状态数据样本和各所述扩充数据样本组成的样本集，对动力电池检测模型进行训练，得到训练好的动力电池检测模型，包括：
21、将样本集中的各样本输入训练好的特征提取子模型，得到各所述样本的特征数据；
22、对各所述特征数据进行掩码处理，得到各所述特征数据一一对应的各掩码数据；
23、将各所述掩码数据依次输入所述特征降维子模型的编码器，每次输入均在获取编码器输出的特征向量后，将所述特征向量输入所述特征降维子模型的解码器，得到重构数据，以根据所述重构数据与所述特征向量对应的所述特征数据之间的重构误差，通过误差反向传播调整所述特征降维子模型的网络参数，本文档来自技高网...
【技术保护点】
1.一种动力电池检测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的动力电池检测模型训练方法，其特征在于，还包括：
3.根据权利要求1或2所述的动力电池检测模型训练方法，其特征在于，所述交替训练包括：
4.根据权利要求1所述的动力电池检测模型训练方法，其特征在于，所述动力电池检测模型包括特征提取子模型；
5.根据权利要求4所述的动力电池检测模型训练方法，其特征在于，所述动力电池检测模型包括特征降维子模型；
6.根据权利要求5所述的动力电池检测模型训练方法，其特征在于，根据所述重构数据与所述特征向量对应的所述特征数据之间的重构误差，通过误差反向传播调整所述特征降维子模型的网络参数，包括：
7.根据权利要求5或6所述的动力电池检测模型训练方法，其特征在于，所述动力电池检测模型包括分类子模型；
8.一种动力电池检测方法，其特征在于，包括：
9.一种动力电池检测模型训练装置，其特征在于，包括：
10.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理
...【技术特征摘要】
1.一种动力电池检测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的动力电池检测模型训练方法，其特征在于，还包括：
3.根据权利要求1或2所述的动力电池检测模型训练方法，其特征在于，所述交替训练包括：
4.根据权利要求1所述的动力电池检测模型训练方法，其特征在于，所述动力电池检测模型包括特征提取子模型；
5.根据权利要求4所述的动力电池检测模型训练方法，其特征在于，所述动力电池检测模型包括特征降维子模型；
6.根据权利要求5所述的动力电池检测模型训练方法，其特征在于，根据所述重构...
【专利技术属性】
技术研发人员：李懿，邓剑鹏，赵广乐，
申请(专利权)人：广汽埃安新能源汽车股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。