[發明專利]基于Snippets特征提取的航空鋰電池異常檢測方法

有效

• 申請號: 202110863022.0
• 申請日: 2021-07-29
• 公開（公告）號: CN113640675B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 趙文杰;張玉書
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/36;G01R31/378;G01R31/385;G01R31/00
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 施昊

本發明公開了一種基于Snippet特征提取的航空鋰電池異常檢測方法，包括以下步驟：(1)對所有鋰電池的時間序列提取代表性特征子序列Snippet；(2)使用異常檢測算法LOF為步驟(1)提取代表性特征子序列的Snippet評分，計算得到每個Snippet對應的異常值；(3)使用數據集中帶標簽的數據和步驟(2)得到的異常值計算效果衡量標準F₁分數，調節算法參數，重復步驟(2)，使得F₁分數達到最大；(4)在步驟(3)最佳參數設定下得到未帶標簽數據的異常值。本發明通過提取代表性特征子序列Snippet，并以Snippet異常值衡量異常程度，實現了異常數據可觀解釋性和發現異常子片段。

技術領域

本發明涉及航空鋰電池異常檢測方法，尤其涉及一種基于Snippets特征提取的航空鋰電池異常檢測方法。

背景技術

對于航空鋰電池的電壓時序特性數據存在高維度等難點，目前已經存在的時間序列特征提取和異常檢測的方法都存在一些不足之處。

首先，關于時間序列的外部特征提取最有名的方法就是最早由Keogh提出的shapelet方法。Shapelet被定義為能夠最大程度代表一個類的子序列。這聽起來十分適合，然而shapelet是監督型的，它時常不滿足于異常檢測領域標簽缺乏的情形，很大程度上限制了它的發揮。另外一種通過提取一些時間序列代表性的統計特征的方法，例如均值、方差、一階自相關等。然后利用PCA降維到二維空間并可視化，尋找偏離高密度區域的點為異常。然而，此類方法通常要求數據滿足特定的分布。如果數據存在噪音，則會嚴重影響此類方法的效果。

隨著神經網絡模型的再度興起，研究者們也逐漸探索非監督型的神經網絡方法來提取時間序列的深度特性來進行異常檢測。這種新穎的模型通常擁有極簡的網絡結構，較少數量的參數，可以大大減少網絡的訓練時間，并且擺脫了對標簽的依賴。然而，這種方法的效率仍然與非神經網絡模型的異常檢測方法相差甚遠。除此之外，現階段對這種黑盒模型的理解并不理想。

一種基于局部密度的局部離群因子算法(LOF，Local Outlier Factor)由Breuning等人提出。該算法為每個對象計算局部離群因子值，其大小反映對象對于局部中心的偏離程度，值越大說明該對象偏離局部中心的程度越多，所在的位置局部密度越小，算法定義這些對象為異常點。然而，該方法存在一些缺陷，即當數據量不斷擴大將面臨大量的最近鄰距離計算消耗，從而影響算法速率。LOF大多應用于發現時間序列異常點的問題，存在發現異常子片段以及缺乏異常數據可觀解釋性弱點。此外，由于非監督型算法完全不依賴于數據標簽的特點，沒有了部分帶標簽數據對其檢測效果的衡量，這些異常檢測算法經常存在最優參數設置問題。

發明內容

發明目的：本發明的目的是提供一種實現降維加速計算速率的效果，并能發現引起數據異常的子片段的基于Snippets特征提取的航空鋰電池異常檢測方法。

技術方案：本發明的航空鋰電池異常檢測方法，包括以下步驟：

(1)對所有鋰電池的電流、電壓時間序列數據提取代表性特征子序列Snippet；

(2)選用基于局部密度的異常檢測算法LOF為步驟(1)提取的代表性特征子序列Snippet評分，計算得到每個代表性特征子序列Snippet對應的異常值；然后將一條時間序列提取的N個代表性特征子序列Snippet的異常值相加，得到該條完整時間序列的異常值；

(3)根據數據集中帶標簽的數據和步驟(2)得到的異常值，計算效果衡量標準F₁分數，調節異常檢測算法LOF的參數k，重復步驟(2)，使得效果衡量標準F₁分數達到最大；所述參數k為第k近鄰；

(4)在步驟(3)最佳參數設定下，通過異常檢測算法LOF計算電流或電壓數據中未帶標簽數據的異常值，根據異常值判斷該序列為異常的可能性。