基于弹性时间序列相似度网络的异常电池检测系统和方法技术方案

本发明专利技术涉及电池异常检测技术领域，涉及一种基于弹性时间序列相似度网络的异常电池检测系统和方法。该异常电池检测系统具有：异常电池序列库，其用于记载不同异常类别的电池特征时间序列；输入单元，其用于输入待检测电池的电池特征时间序列；转换函数模型，其用于获取的深度序列；距离函数模型，其用于计算特征序列间的欧式距离；弹性函数模型，其用于计算差值序列的二分类结果；相似性度量函数模型，其用于计算电池特征时间序列与电池特征时间序列间的相似度分数；以及输出单元，其用于输出待检测电池的异常类别。该方法基于上述系统实现。本发明专利技术能够较佳地实现深层次潜在特征的挖掘及时间序列的对齐，故而具备较佳的精准度。度。度。

【技术实现步骤摘要】
基于弹性时间序列相似度网络的异常电池检测系统和方法


[0001]本专利技术涉及电池异常检测
，具体地说，涉及一种基于弹性时间序列相似度网络的异常电池检测系统和方法。

技术介绍

[0002]电池安全性无疑是电池生产应用环节中的重中之重，而如何发现电池制造应用过程中潜在的安全性隐患，提前识别出异常高危电池，是一个值得不断研究的关键问题。
[0003]在电池的实际应用过程中，我们可以实时地监测到电池的如电流、电压、阻值变化等特征在充、放电过程中随时间的变化情况，因此我们可以将当前电池的特征时间序列和异常电池的特征时间序列间的变化进行比对，来实现快人一步地异常电池识别。
[0004]相似性度量学习是机器学习领域的一项既定任务，并在近年来得到了广泛的研究。例如，在图像检索的上下文中，相似性学习被用来在搜索引擎应用程序中“按图像搜索”等功能。现有的基于时间序列的相似性度量往往都是基于统计类方法或者简单直接的深度神经网络方法。
[0005]在深度神经网络方法中，通常是基于孪生网络进行学习的，也即使用相同的网络来获得一对实例的表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于弹性时间序列相似度网络的异常电池检测系统，其具有：异常电池序列库P，其用于记载不同异常类别r所对应的电池特征时间序列；输入单元，其用于输入待检测电池的电池特征时间序列；转换函数模型，其用于对电池特征时间序列和电池特征时间序列进行处理，进而获取待检测电池的深度序列和异常类别的深度序列；距离函数模型，其用于计算深度序列中任一第i个时间点下的特征序列，与深度序列任一第j个时间点下的特征序列间的欧式距离；弹性函数模型，其用于计算任一特征序列与任一特征序列的差值序列的二分类结果；相似性度量函数模型S（*），其用于计算电池特征时间序列与电池特征时间序列间的相似度分数，其中，T为时间序列的长度；以及输出单元，其用于输出与待检测电池的相似度分数最高的电池的异常类别。2.根据权利要求1所述的基于弹性时间序列相似度网络的异常电池检测系统，其特征在于：转换函数模型包括，转换输入层，其用于输入电池特征时间序列或电池特征时间序列，并获取电池特征时间序列或电池特征时间序列在每个时间点下的特征序列和；第一转换全连接层，其神经元个数为D，且用于输入特征序列或；第二转换全连接层，其神经元个数为K，并以第一转换全连接层的输出作为输入，并用于输出对应每个时间点下的特征序列或；转换融合输出层，其用于按照时间维度的顺序对每个特征序列或进行整
合，进而输出深度序列或；其中，D为特征维度的数量。3.根据权利要求1或2所述的基于弹性时间序列相似度网络的异常电池检测系统，其特征在于：距离函数模型的表达式如下，其中，表示特征序列中的第k个元素，表示特征序列中的第k个元素。4.根据权利要求1或2所述的基于弹性时间序列相似度网络的异常电池检测系统，其特征在于：弹性函数模型包括，弹性输入层，其用于计算特征序列和的差值序列；第一...

【专利技术属性】
技术研发人员：肖劼，
申请(专利权)人：杭州宇谷科技有限公司，
类型：发明
国别省市：