一种归一化互信息准则约束的锂电池故障数据筛选方法与流程

本发明属于锂电池故障诊断领域，涉及深度学习，尤其涉及采用分数阶傅里叶变换、归一化故障互信息方法，对感知生成的锂电池故障数据进行筛选。

背景技术：

目前，通过数据驱动与深度学习相结合的方法对锂电池进行故障诊断是锂电池安全状态监测的有效方法。但深度学习方法依赖大量数据，并且锂电池故障数据采集较为困难，实验室数据不能全面反映锂电池实际的复杂不确定工况，而真实交通环境的运行数据存在不完整和丢失情况。对此可采用感知生成增加模型训练的故障数据，但因生成过程中引入随机变量带来的不确定性，感知生成的锂电池故障数据不一定真实有效，缺乏物理意义，从而影响故障诊断模型性能，造成不必要的经济损失。实践中，常常采取低效的人工方法筛选出高价值数据，针对该问题，亟需一种能够快速高效筛选锂电池故障数据的方法

本发明采用分数阶傅里叶提取锂电池故障数据的特征，通过计算真实锂电池故障特征矩阵与候选锂电池故障特征矩阵之间的归一化互信息，筛选出感知生成出的高价值数据，解决由数据不真实性带来的损失。

技术实现要素：

有鉴于此，本发明的目的在于提供一种归一化互信息准则约束的锂电池故障数据筛选方法，采用分数阶傅里叶提取锂电池故障数据的特征，通过计算真实锂电池故障特征矩阵与候选锂电池故障特征矩阵之间的归一化互信息，筛选出感知生成出的高价值数据，解决由数据不真实性带来的损失。

为达到上述目的，本发明提供如下技术方案：

一种归一化互信息准则约束的锂电池故障数据筛选方法，包括以下步骤：

s1：采集数据：通过传感器采集真实锂电池故障数据，使用感知生成网络生成候选锂电池故障数据；

s2：采用分数阶傅里叶变换提取锂电池故障数据的特征；

s3：采用归一化互信息作为锂电池故障数据的筛选测度，计算真实锂电池故障特征矩阵a与候选锂电池故障特征矩阵b之间的归一化互信息；

s4：利用故障诊断实验选取筛选阈值。

进一步，所述步骤s2中，采用分数阶傅里叶变换提取锂电池故障数据的特征，具体包括以下步骤：

s21：对于真实锂电池故障信号f(t)与生成候选的锂电池故障信号g(t)选取一组分数阶傅里叶变换旋转角

s22：通过分数阶傅里叶变换：

其中tp(x)＝exp{-iπpx²}，p＝tan(α/2)，s＝-csc(α),ts(ω-t)＝exp{-iπs(ω-t)²}，ω表示频率，得到n个真实锂电池故障信号f(t)的幅频曲线n个生成候选的锂电池故障信号g(t)的幅频曲线

s23：取一组ω1,ω2,…,ωm，对真实锂电池故障信号f(t)和候选锂电池故障信号g(t)的各个幅频曲线进行采样；

s24：将采样得到的对应n个不同旋转角的m维真实锂电池精细化故障频谱表征向量，拼接得到n×m大小的真实锂电池故障特征矩阵a，同理，得到信号g(t)的候选锂电池故障特征矩阵b。

进一步，所述步骤s3具体包括以下步骤：

s31：计算真实锂电池故障特征矩阵a的信息熵为：

s32：计算候选锂电池故障特征矩阵b的信息熵为：

s33：计算真实锂电池故障特征矩阵a和候选锂电池故障特征矩阵b之间的互信息为：

其中，pa(a)表示在特征矩阵a中a元素出现的频率，pb(b)特征矩阵b中b元素出现的频率，pab(a,b)表示特征矩阵a中出现a元素同时相同位置特征矩阵b出现b元素的频率；

s34：计算a与b之间的归一化故障互信息为：

进一步，所述步骤s4具体包括：通过参数估计和适用性检验的方法得出可信故障数据的互信息阈值条件，并用该阈值筛选出感知生成数据的高价值故障数据。

本发明的有益效果在于：

(1)在对锂电池故障数据进行特征提取时，本发明采用分数阶傅里叶变换方法，分数阶傅里叶变换能将锂电池故障信号映射到时频域空间，实现信号时频域展开，相比时域特征，时频域特征包含原始信号的更多信息，相比普通傅里叶变换，本发明中不同阶次分数阶傅里叶变换对应不同的时频域，能展示出信号从时域逐步变化到频域的所有变化特征，可以为锂电池故障数据提供更精细化的故障频谱表征。

(2)在对锂电池故障数据进行筛选时，本发明采用归一化互信息作为测度，相比于传统的欧式距离测度，归一化互信息不仅能度量数据特征之间的线性关系，还能评估它们之间的非线性关系。相比于神经网络等复杂方法，归一化互信息无参数，计算速度快，更适合作为锂电池故障数据海量“伪造生成”环境下的筛选测度。将以上两种方法结合，组成完整的锂电池故障数据筛选方法，不仅使筛选的锂电池故障数据真实有效，同时还提高了筛选速度，为故障诊断的深度学习方法提供了高质量的数据保障。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明所述筛选方法的整体结构流程框图；

图2为特征提取流程框图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图2，图1为归一化互信息准则约束的锂电池故障数据筛选方法的整体结构流程图，具体包括以下步骤：

步骤一：采集数据，包含以下5个步骤：

(1)从传感器采集锂电池故障数据；

(2)建立真实锂电池故障数据集；

(3)搭建感知生成网络；

(4)在真实锂电池故障数据集上训练感知生成网络；

(5)感知生成候选锂电池故障数据集。

步骤二：提取锂电池故障数据的特征，如图2所示，包含以下6个步骤：

(1)选取一组分数阶傅里叶变换旋转角

(2)将不同旋转角的分数阶傅里叶变换应用到真实锂电池故障数据上，得到一组幅频特性其中tp(x)＝exp{-iπpx²}，p＝tan(α/2)，s＝-csc(α),ts(ω-t)＝exp{-iπs(ω-t)²}，ω表示频率；

(3)选取一组频率ω1,ω2,…,ωm，对幅频特性进行采样得到精细化故障频谱表征向量；

(4)拼接得到的表征向量，得到该真实锂电池故障数据的n×m大小的特征矩阵a；

(5)将上述步骤应用到数据集中每一个样本上，得到真实锂电池故障特征数据集f＝{a1,a2,…,an}，其中n为数据集样本个数。

(6)同理，可得到候选锂电池故障特征数据集g＝{b1,b2,…,bm}，其中m为数据集样本个数。

步骤三：计算真实锂电池故障特征数据集与候选锂电池故障特征数据集之间的归一化互信息，该过程包含以下4个步骤：

(1)通过真实锂电池故障特征数据集计算出平均真实锂电池故障特征

(2)计算出平均真实锂电池故障特征所含的信息熵其中pa(a)表示在特征矩阵a中a元素出现的频率；

(3)对每个候选锂电池故障特征数据b，计算其所含的信息熵为：其中，pb(b)表示在特征矩阵b中b元素出现的频率；

(4)对每个候选锂电池故障特征数据，计算其与平均真实锂电池故障特征之间的归一化互信息其中pab(a,b)表示特征矩阵a中出现a元素同时相同位置特征矩阵b出现b元素的频率。

步骤四：筛选出可信锂电池故障数据，包含以下5个步骤：

(1)选取一归一化互信息阈值；

(2)筛选出大于该阈值的候选锂电池故障数据；

(3)用筛选后锂电池故障数据训练故障诊断网络；

(4)根据网络的性能，选取新的归一化互信息阈值；

(5)重复上述过程，直至最优。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。