【技术实现步骤摘要】
本专利技术涉及电池健康状态评估领域，特别是涉及一种电池健康状态评估方法、系统、设备及介质。
技术介绍
1、当前，健康管理领域的数据量和数据类型得到了极大的丰富，工业领域的大数据时代已然到来。大数据包含了大数据量和多数据类型两个方面，但当前的健康管理领域主要关注了大数据量，而忽视了多数据类型。数据类型的多样性，不仅包含了数据源的多样性，也包含了数据模态的多样性。从不同传感器或条件下获得的同一对象数据，被称为多模态数据，其中每种传感器或条件都被称为一个模态。例如，在多模态图片分类研究中，常包含图片模态数据和文本描述模态数据。在多模态视频预测研究中，常包含音频模态、图像模态和字幕等文字模态数据。值得注意的是，由于视角的不同，不同模态信息都包含其特有的信息，但又与其他模态数据紧密相关。在进行多模态数据处理时，需融合处理不同模态的信息。理论上，由于信息量的增加，多模态数据比传统单模态数据更适用于健康管理等数据挖掘研究。而对多模态数据的研究，目前仍局限于多语种机器学习，图像匹配，医学诊断等领域，而工业设备健康管理领域开展的多模态信息系统研究和应用还非常有限。随着技术的发展，设备的外部观测信息、经验信息、数字孪生体等，理论上相较于传统内部传感器信息更为容易获得，因此具备开展多模态健康管理的天然条件。
2、日常生产中多模态信息的种类繁多，如视频监控、经验公式甚至数字孪生体等，但目前基于多模态信息的设备健康状态评估研究还比较少。目前的相关研究主要集中在从传感器数据评估其健康状况，而忽略了对其他模态数据的研究。
3、常用的相
4、由于对抗性训练的特点，生成对抗网络(generative adversarial networks，gan)在健康评估方面得到了广泛的研究。目前的相关研究主要将gan用于数据生成，其实现的功能，无非是对真实数据分布的学习和模拟。简单说就是，使用gan去学习a的分布，从而产生一个与a相似的分布a’。但对于多模态信息而言，由于视角或传感器的不同，其不同模态的分布是不完全相同的，各自包含着一定的共享特征信息和部分独有特征信息。因此，仅仅学习单一模态的分布，就不能完全掌握多模态数据中所蕴含的全部信息。而目前几乎所有的gan都以交叉熵作为其损失的函数的基础，但交叉熵只能计算两个不同分布(真实数据和生成数据)的之间的相关性，无法计算生成数据与多种不同模态信息的相关性。
技术实现思路
1、本专利技术的目的是提供一种电池健康状态评估方法、系统、设备及介质，可更高效、准确地评估电池健康状态。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种电池健康状态评估方法，包括：
4、获取电池的多个历史健康状态以及每个历史健康状态所对应的多模态信息；
5、通过核典型相关分析算法对多模态信息和历史健康状态进行相关性分析，得到线性系数向量和最优相关系数；
6、基于所述线性系数向量和所述最优相关系数，确定用于对多个来源的不同模态数据融合学习的损失函数；
7、构建基于简单循环单元的生成对抗网络模型；
8、利用电池的多个历史健康状态以及每个历史健康状态所对应的多模态信息，基于所述损失函数，训练基于简单循环单元的生成对抗网络模型，获得多源生成对抗网络模型；
9、将电池实时的多模态信息经跨模态转换器统一为数值信息后，再输入所述多源生成对抗网络模型，输出电池的健康状态评估结果。
10、一种电池健康状态评估系统，包括：
11、历史数据获取模块，用于获取电池的多个历史健康状态以及每个历史健康状态所对应的多模态信息；
12、相关性分析模块，用于通过核典型相关分析算法对多模态信息和历史健康状态进行相关性分析，得到线性系数向量和最优相关系数；
13、损失函数确定模块，用于基于所述线性系数向量和所述最优相关系数，确定用于对多个来源的不同模态数据融合学习的损失函数；
14、网络模型构建模块，用于构建基于简单循环单元的生成对抗网络模型；
15、训练模块，用于利用电池的多个历史健康状态以及每个历史健康状态所对应的多模态信息，基于所述损失函数，训练基于简单循环单元的生成对抗网络模型，获得多源生成对抗网络模型；
16、评估模块，用于将电池实时的多模态信息经跨模态转换器统一为数值信息后，再输入所述多源生成对抗网络模型，输出电池的健康状态评估结果。
17、一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前述的电池健康状态评估方法。
18、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如前述的电池健康状态评估方法。
19、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
20、本专利技术公开一种电池健康状态评估方法、系统、设备及介质，通过核典型相关分析算法确定了一种用于对多个来源的不同模态数据融合学习的损失函数，并针对健康状态数据的时序特点，提出了基于简单循环单元的生成对抗网络模型，最后基于损失函数，训练基于简单循环单元的生成对抗网络模型，获得多源生成对抗网络模型，该多源生成对抗网络模型改变了传统生成对抗网络只能学习单一数据分布的现状，实现了同时对多个来源的不同模态数据的融合学习，同时利用简单循环单元的并行计算能力和跳跃链接特点，有效提升了多源生成对抗网络模型的计算效率，可更高效、准确地评估电池健康状态。
本文档来自技高网...【技术保护点】
1.一种电池健康状态评估方法，其特征在于，包括：
2.根据权利要求1所述的电池健康状态评估方法，其特征在于，所述历史健康状态包括：剩余使用寿命和健康因子；
3.根据权利要求1所述的电池健康状态评估方法，其特征在于，所述损失函数为：
4.根据权利要求1所述的电池健康状态评估方法，其特征在于，构建基于简单循环单元的生成对抗网络模型，具体包括：
5.根据权利要求2所述的电池健康状态评估方法，其特征在于，利用电池的多个历史健康状态以及每个历史健康状态所对应的多模态信息，基于所述损失函数，训练基于简单循环单元的生成对抗网络模型，获得多源生成对抗网络模型，具体包括：
6.一种电池健康状态评估系统，其特征在于，包括：
7.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的电池健康状态评估方法。
8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至5
...【技术特征摘要】
1.一种电池健康状态评估方法，其特征在于，包括：
2.根据权利要求1所述的电池健康状态评估方法，其特征在于，所述历史健康状态包括：剩余使用寿命和健康因子；
3.根据权利要求1所述的电池健康状态评估方法，其特征在于，所述损失函数为：
4.根据权利要求1所述的电池健康状态评估方法，其特征在于，构建基于简单循环单元的生成对抗网络模型，具体包括：
5.根据权利要求2所述的电池健康状态评估方法，其特征在于，利用电池的多个历史健康状态以及每个历史健康状态所对应的多模态信息，基...
【专利技术属性】
技术研发人员：康伟杰，何兵，朱晓菲，沈晓卫，秦伟伟，赵欣，张杰，段国栋，徐智霞，王震震，
申请(专利权)人：中国人民解放军火箭军工程大学，
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。