[发明专利]基于Snippets特征提取的航空锂电池异常检测方法

说明书

本发明公开了一种基于Snippet特征提取的航空锂电池异常检测方法，包括以下步骤：(1)对所有锂电池的时间序列提取代表性特征子序列Snippet；(2)使用异常检测算法LOF为步骤(1)提取代表性特征子序列的Snippet评分，计算得到每个Snippet对应的异常值；(3)使用数据集中带标签的数据和步骤(2)得到的异常值计算效果衡量标准F₁分数，调节算法参数，重复步骤(2)，使得F₁分数达到最大；(4)在步骤(3)最佳参数设定下得到未带标签数据的异常值。本发明通过提取代表性特征子序列Snippet，并以Snippet异常值衡量异常程度，实现了异常数据可观解释性和发现异常子片段。

技术领域

本发明涉及航空锂电池异常检测方法，尤其涉及一种基于Snippets特征提取的航空锂电池异常检测方法。

背景技术

对于航空锂电池的电压时序特性数据存在高维度等难点，目前已经存在的时间序列特征提取和异常检测的方法都存在一些不足之处。

首先，关于时间序列的外部特征提取最有名的方法就是最早由Keogh提出的shapelet方法。Shapelet被定义为能够最大程度代表一个类的子序列。这听起来十分适合，然而shapelet是监督型的，它时常不满足于异常检测领域标签缺乏的情形，很大程度上限制了它的发挥。另外一种通过提取一些时间序列代表性的统计特征的方法，例如均值、方差、一阶自相关等。然后利用PCA降维到二维空间并可视化，寻找偏离高密度区域的点为异常。然而，此类方法通常要求数据满足特定的分布。如果数据存在噪音，则会严重影响此类方法的效果。

随着神经网络模型的再度兴起，研究者们也逐渐探索非监督型的神经网络方法来提取时间序列的深度特性来进行异常检测。这种新颖的模型通常拥有极简的网络结构，较少数量的参数，可以大大减少网络的训练时间，并且摆脱了对标签的依赖。然而，这种方法的效率仍然与非神经网络模型的异常检测方法相差甚远。除此之外，现阶段对这种黑盒模型的理解并不理想。

一种基于局部密度的局部离群因子算法(LOF，Local Outlier Factor)由Breuning等人提出。该算法为每个对象计算局部离群因子值，其大小反映对象对于局部中心的偏离程度，值越大说明该对象偏离局部中心的程度越多，所在的位置局部密度越小，算法定义这些对象为异常点。然而，该方法存在一些缺陷，即当数据量不断扩大将面临大量的最近邻距离计算消耗，从而影响算法速率。LOF大多应用于发现时间序列异常点的问题，存在发现异常子片段以及缺乏异常数据可观解释性弱点。此外，由于非监督型算法完全不依赖于数据标签的特点，没有了部分带标签数据对其检测效果的衡量，这些异常检测算法经常存在最优参数设置问题。

发明内容

发明目的：本发明的目的是提供一种实现降维加速计算速率的效果，并能发现引起数据异常的子片段的基于Snippets特征提取的航空锂电池异常检测方法。

技术方案：本发明的航空锂电池异常检测方法，包括以下步骤：

(1)对所有锂电池的电流、电压时间序列数据提取代表性特征子序列Snippet；

(2)选用基于局部密度的异常检测算法LOF为步骤(1)提取的代表性特征子序列Snippet评分，计算得到每个代表性特征子序列Snippet对应的异常值；然后将一条时间序列提取的N个代表性特征子序列Snippet的异常值相加，得到该条完整时间序列的异常值；

(3)根据数据集中带标签的数据和步骤(2)得到的异常值，计算效果衡量标准F₁分数，调节异常检测算法LOF的参数k，重复步骤(2)，使得效果衡量标准F₁分数达到最大；所述参数k为第k近邻；

(4)在步骤(3)最佳参数设定下，通过异常检测算法LOF计算电流或电压数据中未带标签数据的异常值，根据异常值判断该序列为异常的可能性。