一种电动汽车动力电池故障预测方法及装置与流程

本技术涉及电动汽车电池，具体而言，涉及一种电动汽车动力电池故障预测方法及装置。

背景技术：

1、电动汽车的动力来源主要是动力电池，其安全性和可靠性对整车系统至关重要。动力电池故障预测与预测有助于保障电动汽车安全高效运行、延长电池使用寿命、降低维护成本、增强用户信心，以及推动技术进步。因此，对动力电池故障预测的研究具有极其重要的应用和实际意义。然而，现有的动力电池故障预测方法通常仅仅建模了单个传感器序列的自相关性，忽略了跨传感器维度的依赖关系，从而导致了电动汽车动力电池的故障预测准确率较低。

技术实现思路

1、本技术实施例的目的在于提供一种电动汽车动力电池故障预测方法及装置，能够提高电动汽车动力电池的故障预测准确率。

2、本技术第一方面提供了一种电动汽车动力电池故障预测方法，包括：

3、采集电动汽车动力电池系统的第一电池参数序列数据；

4、对所述第一电池参数序列数据进行数据预处理，得到预处理数据；

5、基于所述预处理数据构建训练数据集；

6、构建用于预测电动汽车动力电池故障的transformer模型，并创建损失函数；

7、基于所述损失函数和所述训练数据集对所述transformer模型进行训练，得到训练好的电池故障预测模型；

8、获取待预测电动汽车的第二电池参数序列数据；

9、将所述第二电池参数序列数据输入至所述电池故障预测模型中进行电池故障预测，得到电池故障预测结果。

10、在上述实现过程中，采集电动汽车动力电池系统的第一电池参数序列数据的这一步骤，主要说明了本技术想要获取多个传感器所传回的数据，从而以此来强化夸传感器维度的依赖关系。在此基础上，对第一电池参数序列数据进行数据预处理，得到预处理数据能够使得数据更适合建模与训练，从而保障transformer模型的训练效果，进而有利于保障电池故障预测的精度。具体的，该方法可以基于预处理数据构建训练数据，构建用于预测电动汽车动力电池故障的transformer模型，并创建损失函数，然后再基于损失函数和训练数据集对transformer模型进行训练，得到训练好的电池故障预测模型；可见，该方法能够基于transformer模型进行专业性训练，以使其训练结果能够胜任电动汽车动力电池的故障预测。最后，获取待预测电动汽车的第二电池参数序列数据；并将第二电池参数序列数据输入至电池故障预测模型中进行电池故障预测，得到电池故障预测结果；可见，该方法提出了一个电动汽车动力电池的故障预测模型的应用方式，从而以此来呈现电动汽车动力电池的故障预测过程，进而实现电动汽车动力电池的故障预测的全流程。

11、进一步地，所述对所述第一电池参数序列数据进行数据预处理，得到预处理数据，包括：

12、对所述第一电池参数序列数据进行分割处理，得到多个片段数据；

13、基于多项式回归算法对每个所述片段数据进行预平滑和间隙填充处理，得到第一处理片段数据；

14、基于指数加权移动平均算法对所述第一处理片段数据进行二次平滑，得到去噪和缺失值填充后的第二处理片段数据；

15、对所述第二处理片段数据进行标准化处理，得到预处理数据。

16、进一步地，所述基于所述预处理数据构建训练数据集，包括：

17、通过预设的滑动窗口对所述预处理数据进行分割处理，得到电池参数子序列；

18、对每个所述电池参数序列进行标注处理，得到标注数据；其中，所述标注数据包括所述电池参数序列以及所述电池参数序列对应的电池安全状况标签；

19、基于所述标注数据构建训练数据集、验证数据集和测试数据集。

20、进一步地，所述transformer模型包括输入数据嵌入模块、时间通道自注意力模块和分类头模块；

21、其中，所述输入数据嵌入模块用于对数据进行维度分段嵌入、位置嵌入、时间嵌入和电池操作状态嵌入；

22、所述时间通道自注意力模块包括跨时间自注意力阶段、跨通道自注意力阶段和信息融合阶段；

23、所述分类头模块包括全连接层和softmax层；

24、所述损失函数为交叉熵损失函数。

25、进一步地，所述基于所述损失函数和所述训练数据集对所述transformer模型进行训练，得到训练好的电池故障预测模型，包括：

26、基于所述损失函数和adam优化器确定用于训练所述transformer模型的目标函数和优化方法；

27、获取所述transformer模型的训练策略；

28、对所述transformer模型的模型参数进行随机初始化；

29、根据所述训练策略和所述训练数据集对所述transformer模型进行处理，得到处理结果；

30、在训练所述transformer模型时，基于所述损失函数、反向传播算法以及所述处理结果计算所述损失函数对于所述transformer模型中每个参数的梯度；

31、基于所述梯度、所述目标函数以及所述优化方法对所述transformer模型的模型参数进行更新，得到更新后的目标transformer模型；

32、基于所述测试数据集对所述transformer模型的训练策略进行调整，得到调整后的训练策略；

33、基于所述验证数据集判断所述目标transformer模型的性能是否通过验证；

34、如果是，则将所述目标transformer模型确定为电池故障预测模型。

35、进一步地，所述基于所述测试数据集对所述transformer模型的训练策略进行调整，得到调整后的训练策略，包括：

36、监测模型在所述测试数据集上的损失和诊断准确率；

37、根据所述损失和所述诊断准确率调整所述训练策略；其中，所述训练策略至少包括模型学习率、批量大小、训练迭代次数。

38、进一步地，所述基于所述验证数据集判断所述目标transformer模型的性能是否通过验证，包括：

39、将所述验证数据集输入至所述目标transformer模型中进行预测，得到预测结果；

40、将所述预测结果与所述验证数据集中的电池状况标签进行比较，得到比较结果；

41、根据所述比较结果计算所述目标transformer模型的评价指标结果；

42、根据所述评价指标结果判断所述目标transformer模型的性能是否通过验证；

43、如果是，执行所述的将所述目标transformer模型确定为电池故障预测模型；

44、如果否，执行所述的根据所述训练策略和所述训练数据集对所述transformer模型进行处理，得到处理结果。

45、本技术第二方面提供了一种电动汽车动力电池故障预测装置，所述电动汽车动力电池故障预测装置包括：

46、采集单元，用于采集电动汽车动力电池系统的第一电池参数序列数据；

47、预处理单元，用于对所述第一电池参数序列数据进行数据预处理，得到预处理数据；

48、第一构建单元，用于基于所述预处理数据构建训练数据集；

49、第二构建单元，用于构建用于预测电动汽车动力电池故障的transformer模型，并创建损失函数；

50、训练单元，用于基于所述损失函数和所述训练数据集对所述transformer模型进行训练，得到训练好的电池故障预测模型；

51、获取单元，用于获取待预测电动汽车的第二电池参数序列数据；

52、预测单元，用于将所述第二电池参数序列数据输入至所述电池故障预测模型中进行电池故障预测，得到电池故障预测结果。

53、进一步地，所述预处理单元包括：

54、第一分割子单元，用于对所述第一电池参数序列数据进行分割处理，得到多个片段数据；

55、间隙填充子单元，用于基于多项式回归算法对每个所述片段数据进行预平滑和间隙填充处理，得到第一处理片段数据；

56、去噪填充子单元，用于基于指数加权移动平均算法对所述第一处理片段数据进行二次平滑，得到去噪和缺失值填充后的第二处理片段数据；

57、标准化子单元，用于对所述第二处理片段数据进行标准化处理，得到预处理数据。

58、进一步地，所述第一构建单元包括：

59、第二分割子单元，用于通过预设的滑动窗口对所述预处理数据进行分割处理，得到电池参数子序列；

60、标注子单元，用于对每个所述电池参数序列进行标注处理，得到标注数据；其中，所述标注数据包括所述电池参数序列以及所述电池参数序列对应的电池安全状况标签；

61、构建子单元，用于基于所述标注数据构建训练数据集、验证数据集和测试数据集。

62、进一步地，所述transformer模型包括输入数据嵌入模块、时间通道自注意力模块和分类头模块；

63、其中，所述输入数据嵌入模块用于对数据进行维度分段嵌入、位置嵌入、时间嵌入和电池操作状态嵌入；

64、所述时间通道自注意力模块包括跨时间自注意力阶段、跨通道自注意力阶段和信息融合阶段；

65、所述分类头模块包括全连接层和softmax层；

66、所述损失函数为交叉熵损失函数。

67、进一步地，所述训练单元包括：

68、第一确定子单元，用于基于所述损失函数和adam优化器确定用于训练所述transformer模型的目标函数和优化方法；

69、获取子单元，用于获取所述transformer模型的训练策略；

70、初始化子单元，用于对所述transformer模型的模型参数进行随机初始化；

71、处理子单元，用于根据所述训练策略和所述训练数据集对所述transformer模型进行处理，得到处理结果；

72、计算子单元，用于在训练所述transformer模型时，基于所述损失函数、反向传播算法以及所述处理结果计算所述损失函数对于所述transformer模型中每个参数的梯度；

73、更新子单元，用于基于所述梯度、所述目标函数以及所述优化方法对所述transformer模型的模型参数进行更新，得到更新后的目标transformer模型；

74、调整子单元，用于基于所述测试数据集对所述transformer模型的训练策略进行调整，得到调整后的训练策略；

75、判断子单元，用于基于所述验证数据集判断所述目标transformer模型的性能是否通过验证；

76、第二确定子单元，用于在所述判断子单元判断出结果为是时，将所述目标transformer模型确定为电池故障预测模型。

77、进一步地，所述调整子单元包括：

78、监测模块，用于监测模型在所述测试数据集上的损失和诊断准确率；

79、调整模块，用于根据所述损失和所述诊断准确率调整所述训练策略；其中，所述训练策略至少包括模型学习率、批量大小、训练迭代次数。

80、进一步地，所述判断子单元包括：

81、预测模块，用于将所述验证数据集输入至所述目标transformer模型中进行预测，得到预测结果；

82、比较模块，用于将所述预测结果与所述验证数据集中的电池状况标签进行比较，得到比较结果；

83、计算模块，用于根据所述比较结果计算所述目标transformer模型的评价指标结果；

84、判断模块，用于根据所述评价指标结果判断所述目标transformer模型的性能是否通过验证；如果是，触发所述第二确定子单元执行所述的将所述目标transformer模型确定为电池故障预测模型；如果否，触发处理子单元执行所述的根据所述训练策略和所述训练数据集对所述transformer模型进行处理，得到处理结果。

85、本技术第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本技术第一方面中任一项所述的电动汽车动力电池故障预测方法。

86、本技术第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本技术第一方面中任一项所述的电动汽车动力电池故障预测方法。

87、本技术的有益效果为：该方法及装置能够使用基于时间通道自注意力模块的transformer网络架构，同时从跨时间维度和跨通道维度处理数据（使得跨时间自注意力模块建模时间依赖关系，使得跨通道注意力模块对不同电池参数的依赖关系进行建模），从而实现多维数据处理，进而有利于提高故障预测的准确性。