【技术实现步骤摘要】
基于可解释性神经网络的跳水电池特征识别方法
[0001]本申请涉及锂电池健康检测
，具体地涉及一种基于可解释性神经网络的跳水电池特征识别方法。
技术介绍
[0002]锂离子电池由于其成本低、能量密度高、寿命长而被广泛应用。而在实际使用过程中，锂电池容量会随着电池老化不断下降，根据锂电池容量的衰减速度，可以将电池容量的衰减过程分为前期的线性衰减过程和后期的非线性衰减过程；非线性衰减过程的典型特点是在短时间内电池的容量大幅衰减，即电池容量跳水，这对于电池的使用和梯次利用都有不利的影响。在企业生产中，若能使用早期周期数据实现电池的跳水风险识别，在电池容量跳水出现之前准确分类跳水电池与正常电池，将为电池的生产、使用和优化提供新的机会。
[0003]随着深度学习的快速发展，神经网络因其具有强鲁棒性、容错性、信息综合能力和自学习、自组织、自适应性、能充分逼近任意复杂的非线性关系等优势广泛应用于各个领域；但神经网络的“黑箱”性质使其在安全性和可靠性要求较高的领域未能得到实质性的应用。对于此，神经网络的一系列可解释性方法被提出...
【技术保护点】
【技术特征摘要】
1.一种基于可解释性神经网络的跳水电池特征识别方法，其特征在于，其包括以下步骤：步骤1：将锂电池原始充放电数据集划分为训练集和测试集，生成跳水电池与正常电池的标签矩阵；获取锂电池原始充放电数据集和锂电池的循环寿命，将锂电池原始充放电数据集划分为训练集和测试集；根据锂电池的循环寿命生成训练集和测试集中跳水电池与正常电池的标签矩阵；步骤2：构建电池的特征矩阵，基于卷积神经网络构建电池分类模型；步骤21：将训练集和测试集电池的特征数据降维后，按照规则排列成行为循环次数、列为特征值的特征矩阵；步骤22：将训练集电池的特征矩阵作为输入，标签矩阵作为输出，代入卷积神经网络模型中进行训练，得到跳水电池和正常电池的分类模型；使用ReLU激活函数对特征数据进行非线性化，使用Dropout函数防止过拟合；步骤23：将测试集各电池的特征矩阵输入步骤22中的分类模型进行两类电池的分类，将分类结果与步骤1中的标签矩阵对比，确定每个电池的分类结果是否正确；获得电池的分类准确度Ca；调整卷积神经网络模型参数进行训练，构建用于测试集电池分类的分类模型；步骤3：应用梯度加权类激活映射识别跳水电池特征；用梯度加权类激活映射解释跳水电池与正常电池分类准确度最高的模型，将电池梯度加权类激活映射图中的激活区域对应到输入的原电池特征矩阵中分析网络做出正确分类的依据，识别出分类出跳水电池与正常电池的特征；步骤31：基于卷积神经网络模型在softmax层之前得到跳水电池的类别分数S
drop
，将跳水电池的类别梯度设置为1，正常电池的类别梯度设置为0，再将跳水电池的类别分数S
drop
反向传播至卷积特征图后求出跳水电池类别相对于所有特征层的梯度得分，即S
drop
对于卷积层F
Convs
各通道的偏导信息将偏导信息进行全局平均池化处理，计算得到跳水电池在特征层F各通道上的重要性权重如下所示：式中：表示类别为跳水电池在最后一层卷积层F
Convs
的第k个通道上的重要性权重；表示跳水电池类别在卷积层F
Convs
上反向传播得到的梯度信息；S
drop
表示在softmax层之前前向传播得到的跳水电池类别所对应的分数；F表示需要进行可视化的卷积特征层，为最后一个卷积层输出的特征层；u表示跳水电池定位图宽度；i表示跳水电池定位图宽度编号；v表示跳水电池定位图高度；j表示跳水电池定位图高度；表示最后一层卷积层F
Convs
的第k个通道中坐标为(i,j)位置的权重矩阵；k表示最后一层卷积层F中的通道编号；步骤32：将跳水电池在特征层个通道上的重要性权重
与特征层加权求和，如下所示：式中：表示最终得到电池类别的梯度加权激活图；表示将k个通道的权重与跳水电池特征层加权求和；ReLU表示激活函数；n表示共有n个特征参与建模；步骤33：采用ReLU激活函数去除梯度小于0的部分，加强对分类跳水电池与正常电池特征起正向作用的效果；将步骤32中获得的跳水电池与正常电池梯度加权激活图与步骤2中构建的电池特征矩阵对比分析，得到卷积神经网络模型做出准确判断时的依据，从而识别出分类跳水电池与正常电池的主要特征。2.根据权利要求1所述的基于可解释性神经网络的跳水电池特征识别方法，其特征在于，所述步骤1中的原始充放电数据集包括：充放电过程中的实际电池容量、电池温度、充放电电流、充放电电压、充电时间、电池内阻、循环寿命在电池充放电过程中测得的全部数据。3.根据权利要求1所述的基于可解释性神经网络的跳水电池特征识别方法，其特征在于，...
【专利技术属性】
技术研发人员：陈云霞，周子懿，王聪，高昊天，
申请(专利权)人：北京航空航天大学，
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。