[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

本發明涉及電池異常檢測技術領域，具體地說，涉及一種基于深度學習的電池異常檢測系統及方法。該系統包括DCN模型，DCN模型具有輸入層、交叉網絡層、深度網絡層和輸出層；其中，DCN模型還具有人工校驗單元，人工校驗單元用于對輸出層的誤判進行校正并添加標簽后更新至樣本庫中，樣本庫用于在誤判率達到設定誤判率閾值時基于更新后的樣本庫D對DCN模型進行重新訓練。該方法基于上述系統實現。本發明中，通過構建DCN模型所具備的較強的擬合能力和學習能力，能夠在通過大量的樣本訓練后，使得所構建的DCN模型能夠具備較佳的擴張性和魯棒性；故而不僅能夠較佳地實現重要特征的自動選擇，且使得其能夠對未知的異常具有較佳的判別能力。

技術領域

本發明涉及電池異常檢測技術領域，具體地說，涉及一種基于深度學習的電池異常檢測系統及方法。

背景技術

電池已經廣泛應用于手機、筆記本電腦、電動工具、新能源汽車等多種日常生活場景。電池具有儲能密度高、使用壽命長、自放電率低、重量輕、綠色環保等優點，但也存在安全性差、在高溫條件下容易發生爆炸的危險。故而電池異常檢測變得十分重要，通過在電池的使用過程中對電池進行異常判斷，若能及時檢測出電池異常并對電池進行維護修理，即可較佳地避免更大的損失。

目前，對于電池異常檢測的技術通常基于依據人為經驗所制定的規則，比如對電池的如充放電時的電壓、電流、壓差、溫度、功率等指標定義一個異常閾值范圍，若超出該閾值范圍，則認為電池存在異常。比如，設置電池的高溫閾值為70℃，若電池當前溫度高于70℃則認為電池出現高溫異常；設置電池電芯壓差最高閾值為200mV，若超出200mV則認為電池出現壓差異常；設置充電電流最高閾值為10A，若超出10A則認為電池出現充電過流異常等。

該種通過人工經驗的規則實現電池異常檢測的方式，雖然較為簡單高效，但缺點也較為明顯，具體表現為：

1、通過人工設定規則的方式，后期維護成本較高，一旦電池正常參數隨使用壽命發生變化，則需要逐一地對其進行維護調整；

2、電池的正常參數會隨因其使用環境的不同而發生變化，故而難以適用多種使用場景，在使用場景發生變化時，容易造成誤判率顯著增加；

3、針對電池的每個指標，通常需要設置多個閾值，故而使得維護成本較多。

換電行業，作為一個新興的產業，其需要處理大量的電池數據，基于大數據的思路對該龐大的數據進行處理時，通常都是采用深度算法予以實現，但目前涉足于此的技術較為稀缺，故難以有較佳的參考。

發明內容

本發明提供了一種基于深度學習的電池異常檢測系統及方法，相較于現有采用人工經驗的規則實現電池異常檢測的方式，本發明所提供的方案能夠較佳地通過構建DCN模型實現對較為龐大的數據的處理，且其能夠通過人工校驗實現在誤判率達到設定閾值時實現對DCN模型的更新，故而能夠較佳地克服現有方式中所存在的諸如應用場景較窄、所需維護數據較多等缺陷。

根據本發明的一種基于深度學習的電池異常檢測系統，包括DCN模型，DCN模型具有輸入層、交叉網絡層、深度網絡層和輸出層；其中，DCN模型還具有人工校驗單元，人工校驗單元用于對輸出層的誤判進行校正并添加標簽后更新至樣本庫中，樣本庫用于在誤判率達到設定誤判率閾值時基于更新后的樣本庫D對DCN模型進行重新訓練。

通過上述，能夠較佳地通過人工校驗的方式，實現對DCN模型的判定結果的校驗，故而能夠較佳地實現DCN模型的持續訓練，故而能夠較佳地逐步提升、校正DCN模型的性能。

基于上述系統，本發明還提供了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；