一种基于对抗学习的新能源汽车电池异常检测方法技术

本发明专利技术涉及新能源汽车电池检测技术领域，公开了一种基于对抗学习的新能源汽车电池异常检测方法，包括：步骤S1，采集目标车辆的运行数据并提取数据特征，并对数据特征进行预处理，得到训练数据特征集合；步骤S2，利用训练数据特征集合训练生成器和判别器；步骤S3，采集测试数据并对测试进行优化，然后利用完成训练的生成器和判别器进行测试；步骤S4，计算分析得到异常分数，并将异常分数与第一阈值进行对比，然后根据对比结果判定电池有无异常。本发明专利技术具有快速准确地找到发生异常的时间段及对应的故障电芯号，降低故障误报率，保证了每一次报警的准确性的有益效果。次报警的准确性的有益效果。次报警的准确性的有益效果。

【技术实现步骤摘要】
一种基于对抗学习的新能源汽车电池异常检测方法


[0001]本专利技术涉及新能源汽车电池检测
，具体涉及一种基于对抗学习的新能源汽车电池异常检测方法。

技术介绍

[0002]近年来，随着全球石油等不可再生资源的日渐枯竭、各国环境保护措施的发布以及民众环保意识的提高，在汽车领域，越来越多的车企的重心已经逐步由燃油车向新能源汽车转变，这也促进了新能源汽车技术得到了飞速的发展与进步。从市场反馈来看，相比于燃油车，新能源汽车以其使用成本低、环保性好、行驶稳定性好等优势受到了广大车主的喜爱，因此目前市场上新能源汽车的保有量逐年上升，但是随着新能源汽车使用基数的增多，越来越多的问题也逐渐放大暴露在大众面前，例如城市新能源充电站或者充电桩的供给问题、新能源汽车本身的续航问题以及更严重的安全问题。而安全问题，往往是最受消费者关注的一个大问题，在新能源汽车停放期间或者行驶过程中，突发起火或电池故障等问题会严重威胁到车主的生命财产安全。
[0003]针对这一问题，各大车企采取了一系列的措施，其中，针对新能源汽车电池安全的检测，一般均是依靠车辆本身BMS系统发出的故障报警来进行分析判断，但这种报警方式存在一个严重的问题，即由于电池数据的正常波动会产生一些误报的情况，一旦对误报的情况分析不及时或者不准确，可能会采取错误的措施，则变相地增加了企业的运营成本和车主的运维时间，严重影响了用户的使用体验感。因此，针对电池异常数据特征的表现形式，急需设计一种针对性的检测方法，从而解决电池异常检测不准确的问题。

技术实现思路

>[0004]本专利技术意在提供一种基于对抗学习的新能源汽车电池异常检测方法，以提高新能源汽车电池异常检测结果的准确性。
[0005]为达到上述目的，本专利技术采用如下技术方案：一种基于对抗学习的新能源汽车电池异常检测方法，包括以下步骤：
[0006]步骤S1，采集目标车辆的运行数据并提取数据特征，并对数据特征进行预处理，得到训练数据特征集合；
[0007]步骤S2，利用训练数据特征集合训练生成器和判别器；
[0008]步骤S3，采集测试数据并对测试进行优化，然后利用完成训练的生成器和判别器进行测试；
[0009]步骤S4，计算分析得到异常分数，并将异常分数与第一阈值进行对比，然后根据对比结果判定电池有无异常。
[0010]本方案的原理及优点是：实际应用时，通过采集新能源汽车电池的运行数据，然后提取其中的单体电芯电压数据特征，并对提取后的数据特征进行切片和降维处理后，然后利用正常的数据来训练生成器和判别器，利用生成器的重构特征与原始数据特征的重构误
差和判别器的判别误差相结合计算得到最终用于判断电池故障的异常分数，并与设置的阈值对比，判断目标电池有无故障。
[0011]相比于现有技术，本方案的优点在于，专门针对采集到的数据进行对抗学习网络设计，选择一种无监督的学习方式，学习正常车电池数据特征的潜在分布空间，选择生成对抗网络结构与思想对正常车数据特征进行训练学习，利用生成器的重构特征与原始数据特征的重构误差和判别器的判别误差相结合的方式得到最终的异常分数，能够快速准确地找到发生异常的时间段及对应的故障电芯号，降低了误报率，保证了每一次报警的准确性。
[0012]优选的，作为一种改进，对数据特征进行预处理为，先对数据特征进行切片处理，然后对切片后的数据特征进行PCA降维处理，得到最终的训练数据特征集合。
[0013]有益效果：通过此步骤，将采集到的数据进行精简化处理，从而提高输入特征数据的有效性和准确性，也能够减少后续计算分析的工作量，提高电池故障判断效率。
[0014]优选的，作为一种改进，训练生成器和判别器训练过程中，计算判别器中的交叉熵损失函数，并进行反向传播更新权重参数，直至迭代完成则训练结束。
[0015]有益效果：通过此设置，能够不断更新权重参数，从而使生成器和判别器的训练结果更准确，进而保证数据分析结果的准确性，实现对新能源汽车电池故障的精准判定，保障新能源汽车的驾驶安全。
[0016]优选的，作为一种改进，步骤S3中还包括：
[0017]步骤S31，采集测试数据并进行切片、降维处理，得到最终的测试数据特征；
[0018]步骤S32，利用相似性与梯度下降算法优化测试数据特征，得到最优的随机数据特征；
[0019]步骤S33，将最优的随机数据特征输入生成器中，得到重构特征；
[0020]步骤S34，将重构特征与测试数据特征输入判别器中，得到判别误差；
[0021]步骤S35，计算测试数据特征与重构特征的L1距离，得到重构误差。
[0022]有益效果：通过此步骤，能够完成数据的优化，特别是能够提高重构特征的准确性，从而减小重构误差，保障判别器的判别结果的精准性。
[0023]优选的，作为一种改进，切片处理为，将采集到的数据特征划分为每40维一段的多段数据特征。
[0024]有益效果：由于采集到的电池数据特征为半年甚至一年的数据，因此数据量非常大，不可能全部作为输入特征，因此通过此切片处理，能够极大程度上精简数据量，并且保证每段数据量的一致性，从而便于进行后续的故障分析判定。
[0025]优选的，作为一种改进，对切片后的数据特征进行PCA降维处理为，将40维的特征降维至10维，得到最终的训练数据特征作为训练集X＝{x
i
，i＝1,2,...m}；其中，x
i
表示一个列为10，行为30的矩阵。
[0026]有益效果：通过将切片后的数据特征进行降维处理，能够进一步精简数据，从而便于后续对数据进行快速分析，保证新能源汽车电池故障分析的效率和准确性。
[0027]优选的，作为一种改进，利用相似性与梯度下降算法优化测试数据特征时，利用以下公式进行计算优化：
[0028]min Er(Xtest,G(Z))＝1
‑
sim(Xtest,G(Z))。
[0029]有益效果：利用此公式来进行数据特征的优化，从而有效保证数据的真实性和可
靠性，进而提高数据分析结果的准确性，保障对新能源汽车电池故障的判定结果的精准性。
[0030]优选的，作为一种改进，计算测试数据特征与重构特征的L1距离时，利用以下公式进行计算：
[0031][0032]有益效果：通过此公式计算L1距离，能够得到准确可靠的重构误差，从而保证对电池故障判断结果的准确性。
[0033]优选的，作为一种改进，计算分析得到异常分数为，将判别误差与重构误差代入下列公式：
[0034]L＝λRes(Xtest)+(1
‑
λ)Drnn(Xtest)，共同计算得到最终的异常分数；其中λ为常数，Res(Xtest)为重构误差，Drnn(Xtest)为判别误差。
[0035]有益效果：通过两个误差来共同计算出异常分数，不仅能够保证分数计算结果的准确性，同时还能够反向印证生成器和判别器的准确性，进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗学习的新能源汽车电池异常检测方法，其特征在于：包括以下步骤：步骤S1，采集目标车辆的运行数据并提取数据特征，并对数据特征进行预处理，得到训练数据特征集合；步骤S2，利用训练数据特征集合训练生成器和判别器；步骤S3，采集测试数据并对测试进行优化，然后利用完成训练的生成器和判别器进行测试；步骤S4，计算分析得到异常分数，并将异常分数与第一阈值进行对比，然后根据对比结果判定电池有无异常。2.根据权利要求1所述的一种基于对抗学习的新能源汽车电池异常检测方法，其特征在于：所述对数据特征进行预处理为，先对数据特征进行切片处理，然后对切片后的数据特征进行PCA降维处理，得到最终的训练数据特征集合。3.根据权利要求1所述的一种基于对抗学习的新能源汽车电池异常检测方法，其特征在于：训练生成器和判别器训练过程中，计算判别器中的交叉熵损失函数，并进行反向传播更新权重参数，直至迭代完成则训练结束。4.根据权利要求1所述的一种基于对抗学习的新能源汽车电池异常检测方法，其特征在于：所述步骤S3中还包括：步骤S31，采集测试数据并进行切片、降维处理，得到最终的测试数据特征；步骤S32，利用相似性与梯度下降算法优化测试数据特征，得到最优的随机数据特征；步骤S33，将最优的随机数据特征输入生成器中，得到重构特征；步骤S34，将重构特征与测试数据特征输入判别器中，得到判别误差；步骤S35，计算测试数据特征与重构特征的L1距离，得到重构误差。5.根据权利要求2所述的一种基于对抗学习的新能源汽车电池异常检测方法，其特征...

【专利技术属性】
技术研发人员：杨飞，闫文，王振宇，程端前，抄佩佩，张怒涛，王澎，曹熙，
申请(专利权)人：中国汽车工程研究院股份有限公司，
类型：发明
国别省市：