[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

说明书

本发明公开了一种基于自适应对抗网络的锂电池组故障诊断方法，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。本发明具有以下优点和效果：本发明将普通的一维卷积网络设计为一个深度卷积神经网络的非对称卷积编码网络，对高维数据进行分层和缩放；不仅可以学习类别判别进行准确分类，还可以对分类器和鉴别器对于其目标函数对联合分布差异和边缘分布差异进行了优化。

技术领域

本发明涉及机械故障诊断领域，特别涉及一种基于自适应对抗网络的锂电池组故障诊断方法。

背景技术

随着资源的日渐衰竭和环境保护力度的加强，以锂电池为代表的清洁能源被推广使用。然而伴随着锂电池的大规模应用，其安全问题也逐渐暴露出来。锂电池使用过程中，往往会因为使用人员的不当操作或者意外物理碰撞导致动力锂电池出现故障。锂电池故障多种多样，轻微故障可缩减锂电池的使用寿命，严重故障可导致电动汽车出现明火、自燃现象，威胁电动汽车使用安全。因此在电动汽车锂电池工作过程中，避免电动汽车锂电池故障最有效的方法的就是利用电池管理系统对锂电池电流，电压，温度等实时参数进行分析，判断锂电池是否故障。锂电池故障的发生前期其电池参数有着明显的变化，这些变化反映了故障的种类。

电动汽车锂电池的安全至关重要，众多研究人员对锂电池故障状态进行了大量的研究。在锂电池工作过程中，其安全性受很多因素影响，其中过充电、过放电和老化是三个重要因素。由于电动车复杂的工况以及电池组的复杂网格构成，导致电池组中多个单体电池的故障具有时空耦合效应，造成电池组故障分类不准确，为了解决这些问题，研究了基于深度神经网络的锂电池故障分类算法。深度网络不仅具有强大的特征学习和大数据处理能力，而且解放了人力和先验知识，因此可以实现更高效和准确的诊断性能。在各种深度模型中，卷积神经网络及其变体作为一个非常受欢迎的分支，在许多应用中取得了最先进的水平。但是只有当训练数据和测试数据共享相同的分布时，才能获得令人印象深刻的性能提升。然而，由于操作条件的变化、外部温度和噪声的干扰，这一假设在实际的应用中并不总是成立。也就是说，当源域和目标域具有不同的数据分布时，大多数方法的性能会急剧下降。有人可能会通过为目标任务重新训练或微调网络模型来解决这个问题，但在这种情况下需要有标签的数据。在实时诊断任务中，手动收集注释良好的数据或标记通常非常昂贵且不切实际。因此，需要有更有效的模型进行训练，该模型可以利用相关源域中丰富的已标记数据，并在新的目标域中重用，其中数据在不同域中的分布发生变化。

迁移学习的目的是建立学习机制，根据不同的概率分布在不同的领域进行学习。无监督领域自适应作为迁移学习领域的一个活跃分支，具有跨越不同领域的分布差异和探索领域不变特征的能力。领域自适应作为迁移学习的一种特殊情况，旨在通过探索领域不变特征和弥补分布差异来建立从源训练领域到目标测试领域的知识迁移。回顾文献，领域适应大致可以分为两种模式，即监督和非监督。因为在目标域中注释样本通常是昂贵的或者禁止的，所以我们在这项工作中主要关注无监督的域自适应(UDA)问题。现有的用于故障诊断的UDA方法主要包括两大类。第一种是基于矩匹配的方法；另一种是对抗适应法，包括一个特征生成器和一个域鉴别器。生成器被训练来学习一些特征，这些特征使得鉴别器不能区分源域和目标域，而鉴别器不能被欺骗。然而，有些问题仍然存在于基于诊断方法中。领域鉴别器通常只试图区分源领域或目标领域的特征，而不考虑类间特定任务的决策边界；因此，生成的特征在类边界附近可能是模糊的。实际上，每个领域的样本通常都有各自的特点，即每个领域的样本都与特定任务的决策边界有一定的关系。因此，如果不考虑这些特征，就很难完全匹配特征分布和构造强大的可转移诊断算法。

发明内容

本发明的目的是提供一种基于自适应对抗网络的锂电池组故障诊断方法，以解决背景技术中所存在的问题。