【技术实现步骤摘要】
本专利技术属于电动汽车（ev）动力电池异常检测，具体涉及基于深度支持向量数据尺度描述网络的电池异常检测方法。
技术介绍
1、随着电动汽车的广泛应用，动力电池的安全性和稳定性已成为电动汽车整体性能和可靠性的关键因素。然而，在长期运行过程中，动力电池不可避免地会出现老化和性能退化，导致功能性故障的发生。这些故障可能引发严重后果，例如电池过热、容量衰减，甚至火灾等安全隐患。因此，对电动汽车动力电池进行有效的状态监测和故障预警显得尤为重要。
2、当前的电池异常检测方法主要可分为基于物理模型和数据驱动模型两类。物理模型通过建立电池的物理和化学模型进行故障诊断，具有一定的准确性和可靠性，然而，当面临复杂多变的电池数据时，其适用性和准确性往往受到限制。数据驱动模型则通过提取和转换输入数据中的特征，更好地应对电池数据的复杂性和变异性，这类模型在特征提取和异常检测上表现出较高的灵活性，但常见的构造模型在处理复杂数据集时，其检测效率及准确性方面较差。
技术实现思路
1、本专利技术的目的是提供基于深度支持向量数据尺度描述网络的电池异常检测方法，解决现有检测方法的检测效率及准确性方面较差的问题。
2、本专利技术所采用的技术方案是，基于深度支持向量数据尺度描述网络的电池异常检测方法，具体按照以下步骤实施：
3、步骤1，采集电动汽车电池传感器数据；
4、步骤2，对步骤1采集的电池传感器数据进行预处理，得到处理后电池传感器数据；
5、步骤3，构建sl-
6、步骤4，将处理后的电池传感器数据划分为训练集和测试集，将训练集输入练步骤3构建的sl-dsvdd异常检测模型进行训练，得到训练好的sl-dsvdd异常检测模型，将测试集输入到训练好的sl-dsvdd异常检测模型中，得到电动汽车电池的异常检测结果。
7、本专利技术的特点还在于，
8、步骤2中，预处理依次包括去噪处理、缺失值处理、归一化处理、时间窗口化处理。
9、步骤3中，sl-dsvdd异常检测模型由基于尺度学习的特征学习模块和dsvdd网络组成；
10、基于尺度学习的特征学习模块包括监督信号生成模块、多层感知器；
11、dsvdd网络包括深度网和投影网，并将多层感知器集成于dsvdd网络中且位于深度网前面，超球体球心为所有正常样本经过这三层网络后在特征空间的位置。
12、多层感知器的输入特征数为128，输出特征数为10，隐藏层的维度为100，各层神经元之间通过非线性激活函数sigmoid连接。
13、深度网由5层全连接层组成，第1层至第5层的神经元数量分别是10、20、10、10、15，各层间以非线性激活函数sigmoid连接；投影网由5层全连接层组成，第1层至第5层的神经元数量分别是15、10、10、20、15，各层间以非线性激活函数sigmoid连接。
14、步骤3中，sl-dsvdd异常检测模型的处理过程为：
15、利用皮尔逊积矩相关系数计算不同电池传感器数据特征列之间的相关性，得到ppmcc矩阵，ppmcc表达式为：
16、（1）
17、式中，和表示处理后电池传感器数据的两个特定列向量，表示的均值，表示的均值，n表示输入的电池传感器数据的总数量；
18、给定ppmcc矩阵，每个特征对应的ppmcc值为：
19、（2）
20、式中，表示输入的处理后电池传感器数据的特定列向量，表示对应序数的特定列向量，k为处理后电池传感器数据实例列特征的数量；
21、对每个输入的处理后电池传感器数据实例均完整重复c次采样，再进行γ次随机采样，生成采样数据，根据ppmcc矩阵与采样数据，得到监控信号，即：
22、（3）
23、式中，表示将采样数据补零至等长度后的向量；为小于k的随机数，表示选择的处理后电池传感器数据实例列特征的数量；
24、将向量作为输入发送到投影网中，产生一个中间步长向量，其中，h为其投影后的第三维度的长度；
25、（4）
26、将中间步长向量 u经多层感知器转换为构造特征空间向量；
27、（5）
28、式中，；
29、将构造特征空间向量与监控信号进行比较，计算损失l1；
30、（6）
31、将基于尺度学习的特征学习模块输出的构造特征空间向量作为dsvdd网络的输入，通过计算样本与超球体球心的距离来确定异常分数，输出为基于数据实例到超球体球心距离的异常分数，当样本的距离超过预设的半径时，该样本被判定为异常，即为电动汽车电池的异常检测结果。
32、投影网为单层线性投影网络，其输入特征数为20，输出特征数为128。
33、dsvdd网络的损失函数为：
34、（8）
35、
36、式中，表示构造特征空间向量，即深度网的输入，表示投影后的实例，即投影网的输出，是dsvdd超球体的球心，r是超球体的最大容差半径，是决定半径惩罚项权重的超参数，表示采样数；
37、sl-dsvdd异常检测模型的总损失为：
38、（9）
39、式中，和是决定两个损失分量权重的超参数，分别为1和0.1。
40、步骤4中，sl-dsvdd异常检测模型训练的过程为：输入数据经过基于尺度学习的特征学习模块提取高层次分布特征，并被传递到dsvdd网络中，计算每个样本点的异常分数；根据前向传播的结果，按照公式（6）、公式（8）和公式（9）计算sl-dsvdd异常检测模型的总损失值；通过反向传播算法，将损失值对网络参数的梯度进行计算，并根据优化算法调整参数；通过网格搜索或贝叶斯优化方法自动调整超参数，以获得最佳模型性能。
41、本专利技术的有益效果是：
42、（1）本专利技术方法提出的基于尺度学习的特征学习模块通过对特征列之间的相关性进行建模和对齐，自动调整特征的重要性，减少不相关特征的影响，使得模型能够在高维空间中捕获更多有用的分布信息，避免数据集中现象的发生；
43、（2）本专利技术方法通过构建sl-dsvdd网络能够在数据复杂的分布环境中保持强大的鲁棒性，不仅能够处理高维特征，还能够在复杂分布下准确识别异常，通过深度特征提取和高层次分布分析，大大提高了检测的可靠性；
44、（3）本专利技术方法构建的sl-dsvdd网络，采用了多层深度支持向量数据描述网络，通过学习高维空间中的分布规律生成异常分数，不仅能够显著提高异常检测的准确率，还能够加速模型的收敛速度，提升计算效率，同时，还能在高维数据集中保持稳定性和高效性，从而大幅提升了电动汽车动力电池异常检测的实际应用效果。
本文档来自技高网...【技术保护点】
1.基于深度支持向量数据尺度描述网络的电池异常检测方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于深度支持向量数据尺度描述网络的电池异常检测方法，其特征在于，步骤2中，预处理依次包括去噪处理、缺失值处理、归一化处理、时间窗口化处理。
3.根据权利要求1所述的基于深度支持向量数据尺度描述网络的电池异常检测方法，其特征在于，步骤3中，SL-DSVDD异常检测模型由基于尺度学习的特征学习模块和DSVDD网络组成；
4.根据权利要求3所述的基于深度支持向量数据尺度描述网络的电池异常检测方法，其特征在于，多层感知器的输入特征数为128，输出特征数为10，隐藏层的维度为100，各层神经元之间通过非线性激活函数Sigmoid连接。
5.根据权利要求3所述的基于深度支持向量数据尺度描述网络的电池异常检测方法，其特征在于，深度网由5层全连接层组成，第1层至第5层的神经元数量分别是10、20、10、10、15，各层间以非线性激活函数Sigmoid连接；投影网由5层全连接层组成，第1层至第5层的神经元数量分别是15、10、10、20
6.根据权利要求3所述的基于深度支持向量数据尺度描述网络的电池异常检测方法，其特征在于，步骤3中，SL-DSVDD异常检测模型的处理过程为：
7.根据权利要求6所述的基于深度支持向量数据尺度描述网络的电池异常检测方法，其特征在于，投影网为单层线性投影网络，其输入特征数为20，输出特征数为128。
8.根据权利要求6所述的基于深度支持向量数据尺度描述网络的电池异常检测方法，其特征在于，DSVDD网络的损失函数为：
9.根据权利要求6所述的基于深度支持向量数据尺度描述网络的电池异常检测方法，其特征在于，步骤4中，SL-DSVDD异常检测模型训练的过程为：输入数据经过基于尺度学习的特征学习模块提取高层次分布特征，并被传递到DSVDD网络中，计算每个样本点的异常分数；根据前向传播的结果，按照公式（6）、公式（8）和公式（9）计算SL-DSVDD异常检测模型的总损失值；通过反向传播算法，将损失值对网络参数的梯度进行计算，并根据优化算法调整参数；通过网格搜索或贝叶斯优化方法自动调整超参数，以获得最佳模型性能。
...【技术特征摘要】
1.基于深度支持向量数据尺度描述网络的电池异常检测方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于深度支持向量数据尺度描述网络的电池异常检测方法，其特征在于，步骤2中，预处理依次包括去噪处理、缺失值处理、归一化处理、时间窗口化处理。
3.根据权利要求1所述的基于深度支持向量数据尺度描述网络的电池异常检测方法，其特征在于，步骤3中，sl-dsvdd异常检测模型由基于尺度学习的特征学习模块和dsvdd网络组成；
4.根据权利要求3所述的基于深度支持向量数据尺度描述网络的电池异常检测方法，其特征在于，多层感知器的输入特征数为128，输出特征数为10，隐藏层的维度为100，各层神经元之间通过非线性激活函数sigmoid连接。
5.根据权利要求3所述的基于深度支持向量数据尺度描述网络的电池异常检测方法，其特征在于，深度网由5层全连接层组成，第1层至第5层的神经元数量分别是10、20、10、10、15，各层间以非线性激活函数sigmoid连接；投影网由5层全连接层组成，第1层至第5层的神经元数量分别是15、10、10、20、15，...
【专利技术属性】
技术研发人员：王婧，廖川杰，赵雪青，郝嘉睿，余家春，周博宇，
申请(专利权)人：西安工程大学，
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。