【技术实现步骤摘要】
一种变分自编码器动力电池异常检测方法、系统、装置及存储介质
[0001]本专利技术涉及电池检测
,具体涉及一种变分自编码器动力电池异常检测方法
、
系统
、
装置及存储介质
。
技术介绍
[0002]多元时间序列异常检测旨在捕捉数据中的意外或罕见的实例
。
作为数据分析的一个重要分支,其被广泛应用于多个领域,例如工业安全检测
、
故障检测
、
欺诈检测和网络安全检测等
。
现有的时间序列异常检测方法可分为传统机器学习方法和深度学习方法
。
传统机器学习方法包括统计模型
、
距离度量模型
、
预测模型和聚类模型等
。
虽然传统方法在时间序列异常检测上有着不错的表现,但是它们不适用于当前的工业成产环境
。
在当前的工业环境中,异常标签数量占比很小,因此正常数据和异常数据的比例出现明显的不平衡,而传统数据很难在这类数据上学得较好的模型
。
另外,随着工业应用程序的自动化和智能化水平的提高,数据的维度变得越来越大,而传统方法的性能往往随着数据维度增大而下降
。
深度学习方法通常包括基于重构的方法和基于预测的方法
。
基于重构的方法主要包括基于自编码器
、
变分自编码器
、
基于
GAN、
基于注意力机制的异常检测算法
。
而基于 ...
【技术保护点】
【技术特征摘要】
1.
一种变分自编码器动力电池异常检测方法,其特征在于,具体包括以下步骤:
S1、
收集动力电池生产过程中的时间序列数据;
S2、
对所述电池时间序列数据进行预处理;
S3、
将训练集的序列数据输入到变分自编码器为主体的异常检测模型,得到重构序列;然后计算目标损失函数,采用梯度下降法进行模型的训练学习,同时运用验证集进行模型的超参数调整;
S4、
采用高斯混合模型构建异常阈值;
S5、
采用训练好的异常检测模型在测试集上进行异常检测
。2.
根据权利要求1所述的变分自编码器动力电池异常检测方法,其特征在于,所述步骤
S2
具体包括如下步骤:
S21、
剔除与异常无关的特征,避免引入额外的噪声,影响模型的训练学习;
S22、
对数据进行标准化处理,使数据缩放到相同的数据范围,消除数据量纲的影响,同时提升模型的收敛速度;
S23、
采用一阶差分
、
二阶差分
、
平方
、
开方的方式进行特征构造;
S24、
设置时间窗口,对时间序列数据进行裁剪,采用滑动窗口方式,对序列数据进行滑动采样,从而将长序列数据划分成多条短序列数据;
S25、
将序列数据划分成训练集
、
验证集和测试集,其中不包含异常的时间序列按比例划分成训练集和验证集,其余包含异常的时间序列全部归为测试集
。3.
根据权利要求2所述的变分自编码器动力电池异常检测方法,其特征在于,所述步骤
S24
中,实际执行过程中通过设置时间滑动窗口,对时间序列数据进行滑动裁剪,将所收集的序列数据
S
=
{s1,s2,...,s
n
}
划分成多条子序列数据,划分过程如下:
S
=
{s1,s2,...,s
n
}
→
{{s1,s2,...,s
w
},{s2,s3,...,s
w+1
},...,{s
n
‑
w
‑1,s
n
‑
w
‑2,...,s
n
},}
其中,
n
为所述电池时间序列数据的总长度,
w
为滑动窗口长度,即子序列长度,整个电池长时间序列可以被划分成
n
‑
w+1
个子序列
。4.
根据权利要求1所述的变分自编码器动力电池异常检测方法,其特征在于,所述步骤
S3
具体包括如下步骤:
S31、
将序列数据输入到编码器的多层长短期记忆网络层中进行编码,并且提取序列上的长期依赖关系;
S32、
运用全连接层将长短期记忆网络层的输出转换为潜在空间表示的均值和方差;
S33、
运用重参数层从潜在空间表示的均值和方差中采样得到最终的潜在空间表示;
S34、
将所述的潜在空表表示输入到解码器,得到训练集的重构序列;
S35、
计算异常检测模型的损失函数;
S36、
使用梯度下降法,更新异常检测模型的参数,并使用验证集,判断模型是...
【专利技术属性】
技术研发人员:张浩,陈东,周海洋,吴辉,陈谦,王守模,
申请(专利权)人:广东恒翼能科技股份有限公司,
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。