[發明專利]一種基于深度學習的電池異常檢測系統及方法

有效

• 申請號: 202111153645.5
• 申請日: 2021-09-29
• 公開（公告）號: CN113591404B
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 肖劼;胡雄毅;余為才
• 申請（專利權）人: 杭州宇谷科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06F111/10
• 代理公司: 合肥初航知識產權代理事務所(普通合伙) 34171
• 代理人: 謝永

1.一種基于深度學習的電池異常檢測方法，其包括如下步驟：

步驟S1、構建DCN模型并建立樣本庫D對其進行訓練

該步驟中，基于歷史數據建立樣本庫D，樣本庫D中具有多個樣本，每個樣本均包括異常類別標簽、誤判標簽和樣本的特征序列；初始樣本庫中，誤判標簽的值為空值；

步驟S2、基于步驟S1中訓練完成的DCN模型，對待檢測對象進行檢測

該步驟中，構建待檢測對象的特征序列，經DCN模型處理后，判定待檢測對象的異常類別并輸出；

步驟S3、建立待檢測對象的樣本數列并更新至樣本庫D中

該步驟中，待檢測對象的樣本數列包括異常類別標簽、誤判標簽和樣本的特征序列，異常類別標簽為DCN模型所判定的類別；

若待檢測對象判定為無異常，則誤判標簽為空值；

若待檢測對象判定為存在異常，則人工校驗單元對其校驗，若判定正確則誤判標簽為“1”，若判定不正確則誤判標簽為“0”；

步驟S4、DCN模型的反饋調試

該步驟中，對樣本庫中的誤判率進行計算并設置誤判率閾值，若誤判率達到誤判率閾值，則采用更新后的樣本庫對DCN模型進行重新訓練，同時將樣本庫中所有樣本的誤判標簽設為空值。

2.根據權利要求1所述的一種基于深度學習的電池異常檢測方法，其特征在于：特征序列包括電池材質、電池型號、電池使用時間、電池溫度、電池電流、電池電壓、電池當前所處環境溫度、電池當前所處環境濕度、電芯的序列電壓及電池壓差中的一個或多個。

3.根據權利要求1所述的一種基于深度學習的電池異常檢測方法，其特征在于：步驟S1中，對于分布均勻且有明顯上下界取值的數值類特征，對其進行歸一化處理，即；表示特征序列中的某一分布均勻且有明顯上下界取值的數值類特征，為該特征所對應的原始數值，為所有樣本中該類特征原始數值的最小值，為所有樣本中該類特征原始數值的最大值。

4.根據權利要求1所述的一種基于深度學習的電池異常檢測方法，其特征在于：步驟S1中，對于分布不均勻且界限不確定的數值類特征，對其進行標準化處理，即；表示特征序列中的某一分布不均勻且界限不確定的數值類特征，為該特征所對應的原始數值，為所有樣本中該類特征原始數值的均值，為所有樣本中該類特征原始數值的標準差。

5.根據權利要求3或4所述的一種基于深度學習的電池異常檢測方法，其特征在于：數值類特征的中，對于缺失的特征，采用該特征集的原始數據值的均值填充，即；表示特征序列中缺失的數值類特征，表示該特征集的原始數據值之和，為該特征集的元素總數。

6.根據權利要求1所述的一種基于深度學習的電池異常檢測方法，其特征在于：步驟S1中，對于類別類特征，對其進行embedding向量化處理；也即對于每個類別類特征均隨機生成一個embedding向量，不同樣本的特征序列中對應每個類別類特征的數值均采用對應的embedding向量。

7.根據權利要求6所述的一種基于深度學習的電池異常檢測方法，其特征在于：類別類特征中，定義一個新的embedding向量作為缺失類別，不同樣本的特征序列中任意類別類特征的缺失值均采用該缺失類別的embedding向量。

8.根據權利要求1所述的一種基于深度學習的電池異常檢測方法，其特征在于：在步驟S1中，基于Adam優化器對DCN模型進行優化。

9.根據權利要求1所述的一種基于深度學習的電池異常檢測方法，其特征在于：在步驟S1中，基于準確率獲取最優DCN模型。