[发明专利]一种基于自适应对抗网络的锂电池组故障诊断方法

权利要求书

1.一种基于自适应对抗网络的锂电池组故障诊断方法，其特征在于，包括有以下步骤：

设置可用的K个健康状况的有标签的源域数据{x_s，y_s}和没有标签的目标域数据{x_t}，经诊断程序对源域和目标域数据进行分层和减少特征输出映射数目，同时对目标函数的联合分布差异和边缘分布差异进行优化；

其中，所述的诊断程序包括有非对称卷积自编码网络和领域对抗训练。

2.根据权利要求1所述的一种基于自适应对抗网络的锂电池组故障诊断方法，其特征在于，所述的非对称卷积自编码网络包括有以下步骤：

设非对称的卷积自编码网络的输入向量为x∈R,第一层隐藏层学习输入层的数据映射为g_i∈R，其编码函数为：

g_i＝f(w_ig_i-1+b_i)i＝1，…，n (1)

在式(1)中，n代表隐藏层的个数；w_i和b_i为每个卷积核的参数，当i＝0时，g₀＝x。f为激活函数，每层卷积之后都要进行激活操作，激活函数的表达式为：

在式(2)中，α为系数，可取为1；

输入数据x分别映射到输出G_s(x_s)和G_t(x_t)；新的高级功能的输出可以表示为：

在式(3)和式(4)中，和是卷积神经网络的特征映射，和是源域和目标域的卷积神经网络的第i层的权重矩阵，L是每个卷积网络的层数。

3.根据权利要求1所述的一种基于自适应对抗网络的锂电池组故障诊断方法，其特征在于，所述的领域对抗训练包括有以下步骤：

对抗域自适应网络通常包含一个特征生成器G、一个标签分类器C和一个域鉴别器D，设参数分别为θ_g、θ_c和θ_d；

在训练过程中，其中一个是训练用来区分源域和目标域的鉴别器，另一个是训练用来混淆域鉴别器的特征生成器；同时，训练分类器来最小化源域数据的分类损失；域对抗网络的整体损失函数表达式为：

在式(5)中，J_y表示交叉熵损失函数，d_i代表域标签，J_d表示域分类丢失，λ表示两个损失之间的权衡参数；

在该优化目标中，训练生成规则以最小化标签预测损失，同时最大化域分类损失；训练分类器以最小化标签预测损失，训练域鉴别器以最小化域识别损失；

为了减少源域和目标域之间用于域自适应的联合分布差异，计算了最大均值差异，其计算如下：

在式(6)中，J_y表示交叉熵损失函数，f和f_c分别表示全局汇集层和分类层的特征。

4.根据权利要求3所述的一种基于自适应对抗网络的锂电池组故障诊断方法，其特征在于，所述的领域对抗训练还包括有以下步骤：

除了联合分布差异之外，还需考虑边缘分布差异，以便进行更全面的域调整；故需要优化来自与全局汇集层相连的域鉴别器，形成一个对抗性的适应损失，用来减少域之间的边缘分布差异；该损失函数的计算公式如下：

在式(7)中,J_d表示分类损失；d_i表示域标签，值为0或1；

因此最终优化的损失函数的表达式为：

在式(8)中,α和β为权重系数；

给定已标记的源域数据和未标记的目标数据，可以从相应的编码器网络中提取源任务特征G_s(x_s)和目标任务特征G_t(x_t)；然后将所有特征反馈入域鉴别器D实现训练；通过优化相应目标函数，可以找到满足以下条件的全部参数：

根据二进制分类器的判别梯度更新，固定域鉴别器D的参数以更新，可通过标准反向传播算法来执行。