一种基于对抗学习的新能源汽车电池异常检测方法与流程

1.本发明涉及新能源汽车电池检测技术领域，具体涉及一种基于对抗学习的新能源汽车电池异常检测方法。


背景技术：

2.近年来，随着全球石油等不可再生资源的日渐枯竭、各国环境保护措施的发布以及民众环保意识的提高，在汽车领域，越来越多的车企的重心已经逐步由燃油车向新能源汽车转变，这也促进了新能源汽车技术得到了飞速的发展与进步。从市场反馈来看，相比于燃油车，新能源汽车以其使用成本低、环保性好、行驶稳定性好等优势受到了广大车主的喜爱，因此目前市场上新能源汽车的保有量逐年上升，但是随着新能源汽车使用基数的增多，越来越多的问题也逐渐放大暴露在大众面前，例如城市新能源充电站或者充电桩的供给问题、新能源汽车本身的续航问题以及更严重的安全问题。而安全问题，往往是最受消费者关注的一个大问题，在新能源汽车停放期间或者行驶过程中，突发起火或电池故障等问题会严重威胁到车主的生命财产安全。
3.针对这一问题，各大车企采取了一系列的措施，其中，针对新能源汽车电池安全的检测，一般均是依靠车辆本身bms系统发出的故障报警来进行分析判断，但这种报警方式存在一个严重的问题，即由于电池数据的正常波动会产生一些误报的情况，一旦对误报的情况分析不及时或者不准确，可能会采取错误的措施，则变相地增加了企业的运营成本和车主的运维时间，严重影响了用户的使用体验感。因此，针对电池异常数据特征的表现形式，急需设计一种针对性的检测方法，从而解决电池异常检测不准确的问题。


技术实现要素：

4.本发明意在提供一种基于对抗学习的新能源汽车电池异常检测方法，以提高新能源汽车电池异常检测结果的准确性。
5.为达到上述目的，本发明采用如下技术方案：一种基于对抗学习的新能源汽车电池异常检测方法，包括以下步骤：
6.步骤s1，采集目标车辆的运行数据并提取数据特征，并对数据特征进行预处理，得到训练数据特征集合；
7.步骤s2，利用训练数据特征集合训练生成器和判别器；
8.步骤s3，采集测试数据并对测试进行优化，然后利用完成训练的生成器和判别器进行测试；
9.步骤s4，计算分析得到异常分数，并将异常分数与第一阈值进行对比，然后根据对比结果判定电池有无异常。
10.本方案的原理及优点是：实际应用时，通过采集新能源汽车电池的运行数据，然后提取其中的单体电芯电压数据特征，并对提取后的数据特征进行切片和降维处理后，然后利用正常的数据来训练生成器和判别器，利用生成器的重构特征与原始数据特征的重构误
差和判别器的判别误差相结合计算得到最终用于判断电池故障的异常分数，并与设置的阈值对比，判断目标电池有无故障。
11.相比于现有技术，本方案的优点在于，专门针对采集到的数据进行对抗学习网络设计，选择一种无监督的学习方式，学习正常车电池数据特征的潜在分布空间，选择生成对抗网络结构与思想对正常车数据特征进行训练学习，利用生成器的重构特征与原始数据特征的重构误差和判别器的判别误差相结合的方式得到最终的异常分数，能够快速准确地找到发生异常的时间段及对应的故障电芯号，降低了误报率，保证了每一次报警的准确性。
12.优选的，作为一种改进，对数据特征进行预处理为，先对数据特征进行切片处理，然后对切片后的数据特征进行pca降维处理，得到最终的训练数据特征集合。
13.有益效果：通过此步骤，将采集到的数据进行精简化处理，从而提高输入特征数据的有效性和准确性，也能够减少后续计算分析的工作量，提高电池故障判断效率。
14.优选的，作为一种改进，训练生成器和判别器训练过程中，计算判别器中的交叉熵损失函数，并进行反向传播更新权重参数，直至迭代完成则训练结束。
15.有益效果：通过此设置，能够不断更新权重参数，从而使生成器和判别器的训练结果更准确，进而保证数据分析结果的准确性，实现对新能源汽车电池故障的精准判定，保障新能源汽车的驾驶安全。
16.优选的，作为一种改进，步骤s3中还包括：
17.步骤s31，采集测试数据并进行切片、降维处理，得到最终的测试数据特征；
18.步骤s32，利用相似性与梯度下降算法优化测试数据特征，得到最优的随机数据特征；
19.步骤s33，将最优的随机数据特征输入生成器中，得到重构特征；
20.步骤s34，将重构特征与测试数据特征输入判别器中，得到判别误差；
21.步骤s35，计算测试数据特征与重构特征的l1距离，得到重构误差。
22.有益效果：通过此步骤，能够完成数据的优化，特别是能够提高重构特征的准确性，从而减小重构误差，保障判别器的判别结果的精准性。
23.优选的，作为一种改进，切片处理为，将采集到的数据特征划分为每40维一段的多段数据特征。
24.有益效果：由于采集到的电池数据特征为半年甚至一年的数据，因此数据量非常大，不可能全部作为输入特征，因此通过此切片处理，能够极大程度上精简数据量，并且保证每段数据量的一致性，从而便于进行后续的故障分析判定。
25.优选的，作为一种改进，对切片后的数据特征进行pca降维处理为，将40维的特征降维至10维，得到最终的训练数据特征作为训练集x＝{xi，i＝1,2,...m}；其中，xi表示一个列为10，行为30的矩阵。
26.有益效果：通过将切片后的数据特征进行降维处理，能够进一步精简数据，从而便于后续对数据进行快速分析，保证新能源汽车电池故障分析的效率和准确性。
27.优选的，作为一种改进，利用相似性与梯度下降算法优化测试数据特征时，利用以下公式进行计算优化：
28.min er(xtest,g(z))＝1-sim(xtest,g(z))。
29.有益效果：利用此公式来进行数据特征的优化，从而有效保证数据的真实性和可
靠性，进而提高数据分析结果的准确性，保障对新能源汽车电池故障的判定结果的精准性。
30.优选的，作为一种改进，计算测试数据特征与重构特征的l1距离时，利用以下公式进行计算：
[0031][0032]
有益效果：通过此公式计算l1距离，能够得到准确可靠的重构误差，从而保证对电池故障判断结果的准确性。
[0033]
优选的，作为一种改进，计算分析得到异常分数为，将判别误差与重构误差代入下列公式：
[0034]
l＝λres(xtest)+(1-λ)drnn(xtest)，共同计算得到最终的异常分数；其中λ为常数，res(xtest)为重构误差，drnn(xtest)为判别误差。
[0035]
有益效果：通过两个误差来共同计算出异常分数，不仅能够保证分数计算结果的准确性，同时还能够反向印证生成器和判别器的准确性，进而保证整个对新能源汽车电池故障判断结果的准确性。
[0036]
优选的，作为一种改进，常数λ的取值范围为0.7-1。
[0037]
有益效果：通过此种设置，能够通过控制常数λ的变动范围，来控制最终判定电池异常情况的异常分数的有效范围，能够保证电池的检测、判定结果的有效性和可靠性，进而保障新能源汽车的安全运行，以及保证用户的驾乘安全。
附图说明
[0038]
图1为本发明一种基于对抗学习的新能源汽车电池异常检测方法实施例一的流程示意图。
[0039]
图2为本发明一种基于对抗学习的新能源汽车电池异常检测方法实施例一训练过程示意图。
[0040]
图3为本发明一种基于对抗学习的新能源汽车电池异常检测方法实施例一故障检测过程示意图。
具体实施方式
[0041]
下面通过具体实施方式进一步详细说明：
[0042]
实施例一：
[0043]
本实施例基本如附图1所示：一种基于对抗学习的新能源汽车电池异常检测方法，：包括以下步骤：
[0044]
步骤s1，采集目标车辆的运行数据并提取数据特征，并对数据特征进行预处理，得到训练数据特征集合；
[0045]
步骤s2，利用训练数据特征集合训练生成器和判别器；
[0046]
步骤s3，采集测试数据并对测试进行优化，然后利用完成训练的生成器和判别器进行测试；
[0047]
步骤s4，计算分析得到异常分数，并将异常分数与第一阈值进行对比，然后根据对比结果判定电池有无异常。
[0048]
其中，步骤s3还包括：
[0049]
步骤s31，采集测试数据并进行切片、降维处理，得到最终的测试数据特征；
[0050]
步骤s32，利用相似性与梯度下降算法优化测试数据特征，得到最优的随机数据特征；
[0051]
步骤s33，将最优的随机数据特征输入生成器中，得到重构特征；
[0052]
步骤s34，将重构特征与测试数据特征输入判别器中，得到判别误差；
[0053]
步骤s35，计算测试数据特征与重构特征的l1距离，得到重构误差。
[0054]
如附图2所示，生成器和判别器的训练阶段的具体过程如下：
[0055]
具体的，对数据特征进行预处理时，也即对提取后的数据特征进行切片处理，由于采集到的电池数据特征为半年甚至一年的数据，数据量较大，不可能全部作为输入特征，故对其进行切片处理，切片后的数据特征为40维，大约2天左右的数据量，也即将数据特征切片为每2天(40维)一段的数据特征，然后对切片后的数据特征进行pca降维处理，将40维的特征降维至10维，得到最终的训练数据特征作为训练集x＝{xi，i＝1,2...m}；其中，xi表示一个列(时间长度)为10，行为30的矩阵，行表示各个单体电芯，整个矩阵表征一定时间内各电芯电压的数据特征变化。
[0056]
然后，利用训练数据特征x训练生成器，生成器采用gru为基础模型，其中gru有10个单元，单元数与时间维度保持一致，生成器的输入为随机初始化的z＝{zi，i＝1,2,...m}，zi表示一个列为10，行为30的矩阵，随机特征z经过生成器生成g(z)特征，也即重构特征。
[0057]
最后，将训练特征x与重构特征g(z)输入至判别器中，判别器采用resnet网络结构为基础模型，以区分出真实数据特征与重构数据特征；然后计算判别器中的交叉熵损失函数，并进行反向传播更新权重参数，直至迭代完成，则训练结束。同时，整个训练过程的优化目标为：
[0058]
minv(g,d)＝e[log(d(x))]+e[log(1-d(g(z)))]，且最终计算结果为0.5最佳，此最佳计算结果值，能够使整个gan网络达到一种平衡状态，使得生成器生成的数据无限接近真实数据，使得判别器无法区分出生成数据与真实数据，是整个生成对抗网络的最优解，从而能够有效提高生成器的准确性，从而保证对抗网络模型的可靠性。
[0059]
生成器生成的重构特征g(z)的目的是无限接近真实数据x，而判别器的判别是希望能够区分出伪特征和真实数据的区别，整个训练过程是一个既矛盾又相辅相成的关系，最终训练出生成对抗网络模型，整个模型通过对抗学习，学习到正常数据特征的潜在空间分布表现形式，从而提高后续异常检测手段的准确性。
[0060]
如附图3所示，异常检测阶段的具体过程如下：
[0061]
具体的，在异常检测时，首先对所有目标车辆的数据特征进行抽取，抽取新能源汽车电压属性时间序列，然后对测试数据进行切片处理，本实施例中，切片后的数据特征为40维，大约2天左右的数据量，也即原始数据特征被切片为每2天(40维)一段的数据特征。
[0062]
具体的，对切片后的数据特征进行pca降维处理，将40维的特征降维至10维，形成测试集xtest＝{xi，i＝1,2,...n}，xi表示一个列为10，行为30的矩阵。通过此种切片和降
维处理方式，不仅能够有效精简数据量，同时能够保证数据的有效性，从而在后续计算分析过程中降低数据分析难度，提高数据处理结果准度。
[0063]
具体的，利用相似性与梯度下降算法优化最优的随机输入特征，求取最优随机特征z，计算公式如下：
[0064]
min er(xtest,g(z))＝1-sim(xtest,g(z))。
[0065]
然后将最优随机特征输入至生成器中，得到重构特征g(z)，并将重构特征g(z)与测试数据特征xtest输入至判别器中，得到判别误差。
[0066]
其中判别误差的计算公式为：
[0067][0068]
随后，利用下列公式：
[0069][0070]
计算测试数据特征xtest与重构特征g(z)的l1距离，得到重构误差。
[0071]
利用判别误差与重构误差共同计算得到最终的异常分数，如下列公式所示：
[0072]
l＝λres(xtest)+(1-λ)drnn(xtest)，其中λ为常数，res(xtest)为重构误差，drnn(xtest)为判别误差。
[0073]
计算得到异常分数后，将异常分数与第一阈值进行对比，然后根据对比结果判定电池有无异常，若异常分数小于第一阈值，则判定该电芯在这一时间段内无异常，若异常分数大于第一阈值，则判定该电芯在这一段时间内存在异常。
[0074]
具体的，第一阈值的取值范围为0.1-0.5，本实施例中，第一阈值取0.2，取此数值的低于阈值，不仅能够保证对异常分数的判断准确性，从而保证对电芯的检测结果的准确性，同时也能够极大程度减少电芯判断量，从而提高检测效率；常数λ的取值范围为0.7-1，本实施例中，λ取0.8，将常数λ定为0.8，能够在保证异常分数计算精准性的基础上，提高异常分数的基础值，从而对动力电池异常的判断更严格，有效保证了新能源汽车的使用安全性。
[0075]
具体实施过程如下：
[0076]
第一步，采集目标车辆的运行数据并提取数据特征，并对数据特征进行预处理，先对数据特征进行切片处理，将数据特征切片为每2天(40维)一段的数据特征，然后对切片后的数据特征进行pca降维处理，将40维的特征降维至10维，得到最终的训练数据特征作为训练集x＝{xi，i＝1,2,...m}。
[0077]
第二步，利用训练数据特征x来训练生成器和判别器，将随机数据特征输入生成器中，得到重构特征，然后将重构特征与测试数据特征x输入判别器中，以区分真实数据特征与重构数据特征，再计算判别器中的交叉熵损失函数，并进行反向传播更新权重参数，直至迭代完成，训练结束，直至整个训练过程的优化目标达到minv(g,d)＝e[log(d(x))]+e[log(1-d(g(z)))]＝0.5。
[0078]
第三步，开始电池异常检测，首先对所有目标车辆的数据特征进行抽取，抽取新能源汽车电压属性时间序列，然后对测试数据进行切片处理，切片后的数据特征为40维，对切片后的数据特征进行pca降维处理，将40维的特征降维至10维，形成测试集xtest，利用相似性与梯度下降算法优化最优的随机输入特征，求取最优随机特征z。
[0079]
第四步，将最优随机特征输入至生成器中，得到重构特征g(z)，并将重构特征g(z)与测试数据特征xtest输入至判别器中，得到判别误差，随后计算测试数据特征xtest与重构特征g(z)的l1距离，得到重构误差，利用判别误差与重构误差共同计算得到最终的异常分数，最后将异常分数与第一阈值0.2进行对比，若异常分数小于0.2，则判定该电芯在这一时间段内无异常，若异常分数大于0.2，则判定该电芯在这一段时间内存在异常。
[0080]
近年来，随着新能源汽车的大热，新能源汽车技术也取得了重要性突破，也就使越来越多的新能源汽车品牌进入市场，因此市场上新能源汽车的保有量越来越多，而随着新能源汽车用户数量的急剧增多，以往一些容易被忽视的问题也逐渐暴露在大众视野中，例如动力电池的安全性问题和续航问题，而其中又以安全性问题最受关注，因为其直接关系到用户的驾驶安全。新能源汽车在运行过程中，由于电池会放电发热，因此在故障、非正常运行等特定条件下会发生起火，甚至爆炸，严重威胁用户的人身安全。故针对电池的故障检测的准确性，也逐渐被汽车厂商重视，而目前针对新能源汽车电池故障的检测，大部分都是依靠车辆本身bms系统发出的故障报警来进行分析判断，虽然一定程度上能够完成故障预警，但这种报警存在一个严重的问题就是由于电池数据的正常波动会产生一些误报的情况，一旦对误报的情况分析不及时或者不准确，可能会采取错误的措施，则变相地增加了企业的运营成本和车主的运维时间，极大影响了用户的驾驶体验感。
[0081]
而本方案中，则是专门针对采集到的新能源汽车实时监测到的数据进行对抗学习网络设计，由于电池数据特征在发生异常时是多种多样的，并且故障车数据在实际中也是很少的，所以本发明在设计中充分考虑到实际情况，选择了一种无监督的学习方式，学习正常车电池数据特征的潜在分布空间，选择生成对抗网络结构与思想对正常车数据特征进行训练学习，利用生成器的重构特征与原始数据特征的重构误差和判别器的判别误差相结合计算得到最终用于判断电池故障的异常分数，不仅能够快速准确地判断出电池的状态，从而保证电池的运行安全性，还能够准确地定位电池异常的时间段及对应的故障电芯号，有效降低了电池系统对于电池故障的误报率，相比于传统的故障检测手段，本方案通过精简数据等手段，从而使检测效率提升了40％，对于电池故障检测结果的准确率也提高了30％，进而确保每一次报警信号的准确性，最终保障新能源汽车的使用安全性。
[0082]
实施例二：
[0083]
本实施例基本与实施例一相同，区别在于：在判定电池故障后，对电池进行具体故障分析得到电池故障分析报告，并由bms系统自动记录每一次得到的电池故障分析报告形成故障数据库，在新能源汽车使用过程中，当电池出现故障并完成判定后，将本次故障的情况与故障数据库中已知的电池故障进行分析对比，若没有相同或者相似的故障，则将本次故障录入故障数据中以更新故障数据库，反之，则结合故障数据库中的案例来分析具体分析本次故障，进一步提高故障分析结果的准确性。通过此种方式，能够大幅减少相似或者相同故障的检测时间和精简检测过程，从而有效提高了检测效率，使得在上述效率提升40％的基础上，再度提升10％，进而实现了电池故障流水化式的高精度检测。
[0084]
本实施例的具体实施过程与实施例一相同，区别在于新增一个步骤：
[0085]
第五步，判定电池出现故障后，采集出现故障的时间段及电芯号等数据，并对电池故障的情况以及发生原因作具体分析，得到电池故障分析报告，并将电池故障分析报告上传至车辆的bms系统，由bms系统自动记录每一次得到的电池故障分析报告形成故障数据库；在新能源汽车后续使用过程中，若检测电池故障预警并完成电池故障判定后，将本次故障的情况与故障数据库中已知的电池故障进行分析对比，若没有相同或者相似的故障，则将本次故障录入故障数据中以更新故障数据库，反之，则结合故障数据库中的案例来分析具体分析本次故障，进一步提高故障分析结果的准确性。
[0086]
通过收集每一次故障检测判定的数据形成故障数据库，从而在后续对电池进行故障检测时，能够有可靠的数据进行对比分析，不仅能够加快故障检测的效率，同时还能够通过与以往的数据进行对比，分析出电池本身的状态变化情况，以及每次故障的核心问题，从而能够针对故障找到可行的快速准确的检测方法，进一步确保电池故障检测结果的准确性，提高故障检测的实际效益。
[0087]
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本技术给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本技术的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。