一种基于多模态信息的电池数据处理方法和系统技术方案

本申请实施例提供的基于多模态信息的电池数据处理模型的训练方法，通过大模型，基于多模态信息的电池数据进行电池状态预测，结合多模态信息的融合以及对比学习完成对大模型的无监督训练

【技术实现步骤摘要】
一种基于多模态信息的电池数据处理方法和系统


[0001]本申请涉及大数据
，特别是涉及一种基于多模态信息的电池数据处理方法
、
系统
、
电子设备和存储介质
。

技术介绍

[0002]电池数据包括电池的容量
、
续航距离
、
可用寿命，以及与电池相关的换电工单信息等
。
利用电池数据进行大数据分析，可以为外卖
、
共享单车等行业提供积极有效的数据支持；
[0003]电池数据的嵌入式表示是一种将电池数据映射到低维向量空间的技术，以便计算机可以更好地理解和处理这些数据
。
电池数据可以包括电池的充电状态
、
温度
、
电压
、
容量
、
循环次数等信息
。
嵌入式表示可以用于电池健康监测
、
故障检测
、
性能预测等应用
。
[0004]在相关技术中，主要是单独任务单独建模，容量预估模型单独进行建模；寿命预测模型就单独进行建模预测
。
由于不同模型之间是互相独立的，进而会导致模型的训练过程繁琐，特别是当有很多预测任务的时候，需要训练多个复杂的预测模型；另外，由于每个预测模型都是较为复杂的，在使用的时候，会导致多个模型在运行，从而占据了大量的计算性能
。

技术实现思路

[0005]本申请实施例提供了一种基于多模态信息的电池数据处理模型的训练方法
、
装置
、
系统
、
计算机设备和计算机可读存储介质，以至少解决相关技术中针对不同任务需要分别训练模型进而导致模型复杂的问题
。
[0006]第一方面，本申请实施例提供了一种基于多模态信息的电池数据处理模型的训练方法，所述方法包括：大模型训练流程，包括：获取原始电池数据和对比电池数据，其中，所述对比电池数据基于所述原始电池获取，所述原始电池数据和所述对比电池数据均包括多模态的电池状态信息，通过特征处理模块，分别对所述原始电池数据和所述对比电池数据进行特征提取，得到第一融合特征和第二融合特征，通过对比学习模块，基于所述第一融合特征和所述第二融合特征获取电池数据自身的潜在信息，以及不同电池特征之间交叉隐变量信息，根据所述潜在信息和所述交叉隐变量信息得到所述原始电池数据的嵌入式表示；大模型优化流程，包括：基于所述第一融合特征和所述第二融合特征确定损失函数，并基于所述损失函数对所述大模型进行优化训练，得到训练好的电池数据处理模型
。
[0007]在其中一些实施例中，所述多模态信息包括电池文本信息
、
电池图像信息和电池序列化信息，对所述原始电池数据和所述对比电池数据进行特征提取包括：分别通过文本特征提取模块
、
图像特征提取模块和序列化特征提取模块，对所述
电池文本信息
、
电池图像信息和电池序列化信息进行特征提取，分别得到电池文本特征
、
电池图像特征和电池序列化特征；基于所述原始电池数据的电池文本特征
、
电池图像特征和电池序列化特征进行基于注意力机制的加权特征融合，得到第一融合特征；基于所述对比电池数据的电池文本特征
、
电池图像特征和电池序列化特征进行基于注意力机制的加权特征融合，得到第二融合特征
。
[0008]在其中一些实施例中，所述方法还包括：所述文本特征提取模块的
Transformer
网络，获取所述电池文本信息中的上下文关联信息和语义信息，得到所述电池文本特征；所述图像特征提取模块的
CNN
网络，对所述电池图像信息进行卷积和池化操作，得到所述电池图像特征；所述序列化特征提取模块的
Transformer
网络，获取所述电池序列化信息中的时序关系和上下文信息，得到所述电池序列化特征
。
[0009]在其中一些实施例中，基于所述第一融合特征和所述第二融合特征获取电池数据自身的潜在信息，以及不同电池特征之间交叉隐变量信息包括：基于所述第一融合特征，进行自我比对学习，获取电池数据自身的潜在信息；通过将所述第一融合特征与所述第二融合特征进行比较学习，获取特征不同特征之间的相似性和差异性，得到所述交叉隐变量信息
。
[0010]在其中一些实施例中，基于第一融合特征和所述第二融合特征，通过如下公式获取所述损失函数：；
[0011]其中，
L
是所述损失函数，
、、
分别是基于第一融合特征进行自我比对学习得到的文本预测损失参量
、
重构图片损失参量和时序序列预测参量，是基于所述第一融合特征和第二融合特征进行对比学习，得到的样本对比损失，分别是权重参数， 表示所述电池文本信息中被
mask
的单词的数量，是通过文本解码器预测的被
mask
的单词的概率，是所述电池图像信息，是通过图片解码器基于所述原始电池数据的嵌入式表示获取的电池图像信息，是下一时间步的电池状态，是通过时间预测解码器基于所述原始电池数据的嵌入式表示获取的下一时间步的电池状态
。
[0012]在其中一些实施例中，所述对比电池数据包括正样本数据和负样本数据，所述方法还包括：对目标原始电池数据进行随机扰动，得到与所述目标原始电池数据具备相似性的正样本数据；随机选取与目标原始电池数据不同序列的原始电池数据，得到与所述目标原始电
池数据具备差异性的负样本数据
。
[0013]第二方面，本申请实施例提供了一种基于多模态模型的电池数据处理方法，所述方法包括：获取目标环境下的实时电池数据；根据与所述实时电池数据对应的电池数据处理任务，对基于第一方面训练得到的电池数据处理模型进行微调；基于所述微调之后的电池数据模型对所述实时电池数据进行预测，得到与所述实时电池数据对应的电池嵌入式表示
。
[0014]第三方面，本申请实施例提供了一种基于多模态信息的电池数据模型的训练系统，所述系统包括：大模型训练模块和大模型优化模块，其中，所述大模型训练模块用于：获取原始电池数据和对比电池数据，其中，所述对比电池数据基于所述原始电池获取，所述原始电池数据和所述对比电池数据均包括多模态的电池状态信息，通过特征处理模块，分别对所述原始电池数据和所述对比电池数据进行特征提取，得到第一融合特征和第二融合特征，通过对比学习模块，基于所述第一融合特征和所述第二融合特征获取电池数据自身的潜在信息，以及不同电池特征之间交叉隐变量信息，根据所述潜在信息和所述交叉隐变量信息得到所述原始电池数据的嵌入式表示；所述优化模块用于：基于所述第一融合特征和所述第二融合特征确定损失函数，并基于所述损失函数对大模型进行优化训练，得到训练好的电池数据处理模型
。
[0015]第四方面，本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多模态信息的电池数据处理模型的训练方法，其特征在于，所述方法包括：大模型训练流程，包括：获取原始电池数据和对比电池数据，其中，所述对比电池数据基于所述原始电池获取，所述原始电池数据和所述对比电池数据均包括多模态的电池状态信息，通过特征处理模块，分别对所述原始电池数据和所述对比电池数据进行特征提取，得到第一融合特征和第二融合特征，通过对比学习模块，基于所述第一融合特征和所述第二融合特征获取电池数据自身的潜在信息，以及不同电池特征之间交叉隐变量信息，根据所述潜在信息和所述交叉隐变量信息得到所述原始电池数据的嵌入式表示；大模型优化流程，包括：基于所述第一融合特征和所述第二融合特征确定损失函数，并基于所述损失函数对所述大模型进行优化训练，得到训练好的电池数据处理模型
。2.
根据权利要求1所述的方法，其特征在于，所述多模态信息包括电池文本信息
、
电池图像信息和电池序列化信息，对所述原始电池数据和所述对比电池数据进行特征提取包括：分别通过文本特征提取模块
、
图像特征提取模块和序列化特征提取模块，对所述电池文本信息
、
电池图像信息和电池序列化信息进行特征提取，分别得到电池文本特征
、
电池图像特征和电池序列化特征；基于所述原始电池数据的电池文本特征
、
电池图像特征和电池序列化特征进行基于注意力机制的加权特征融合，得到第一融合特征；基于所述对比电池数据的电池文本特征
、
电池图像特征和电池序列化特征进行基于注意力机制的加权特征融合，得到第二融合特征
。3.
根据权利要求2所述的方法，其特征在于，所述方法还包括：所述文本特征提取模块的
Transformer
网络，获取所述电池文本信息中的上下文关联信息和语义信息，得到所述电池文本特征；所述图像特征提取模块的
CNN
网络，对所述电池图像信息进行卷积和池化操作，得到所述电池图像特征；所述序列化特征提取模块的
Transformer
网络，获取所述电池序列化信息中的时序关系和上下文信息，得到所述电池序列化特征
。4.
根据权利要求1所述的方法，其特征在于，基于所述第一融合特征和所述第二融合特征获取电池数据自身的潜在信息，以及不同电池特征之间交叉隐变量信息包括：基于所述第一融合特征，进行自我比对学习，获取电池数据自身的潜在信息；通过将所述第一融合特征与所述第二融合特征进行比较学习，获取特征不同特征之间的相似性和差异性，得到所述交叉隐变量信息
。5.
根据权利要求4所述的方法，其特征在于，基于第一融合特征和所述第二融合特征，通过如下公式获取所述损失函数：
...

【专利技术属性】
技术研发人员：李朝，黄家明，丁东辉，胡始昌，杨建燮，肖劼，
申请(专利权)人：杭州宇谷科技股份有限公司，
类型：发明
国别省市：