原文传递
基于多时间序列行为模式的汽车电池异常预警
| 论文题名： | 基于多时间序列行为模式的汽车电池异常预警 |
| 关键词： | 电池异常检测;故障预警;电动汽车;热失控;多变量时间序列;行为模式挖掘 |
| 摘要： | 随着电动汽车的逐渐普及，电动汽车的电池安全问题在近年来受到广泛关注。如何确保电动汽车电池的安全已成为业界重点关注问题，而现有研究主要存在以下不足：（1）相关研究通过构建锂离子电池的正常运行电化学模型以进行异常检测，但该类方法主要基于实验室数据进行建模，在真实运行环境下受到地理位置和用户驾驶习惯等外因的影响往往检测效果不佳。（2）相关研究将电动汽车电池的传感器采集数据视为多变量时间序列数据，然后将传统时间序列异常检测方法应用其中，但该类研究未能充分利用数据中的少量异常标签数据而效果不佳，并且对于检测结果可解释性较差、误报率较高而影响用户体验。本文同样采用多变量时间序列异常检测的思路来进行电动汽车电池故障预警，为解决上述问题，本文的主要内容与创新点如下： 第一，针对异常标签未得到充分利用的问题，本文提出了基于伪标签的弱监督异常检测算法WSPL，首先对目标变量的数据正常分布模式进行拟合，采用预测误差来衡量数据的异常程度从而进行预警；其次通过隐标签对异常数据的逐渐积累趋势加以表征，从而转化为有监督问题最大化利用异常标签信息。另外，WSPL算法采用了优化后的多通道二维卷积神经网络结构拟合时间序列回归任务，加强了对多维时间序列中时间与空间关联信息的捕捉能力。在真实电动汽车电池数据集以及工业传感器公开数据集上的实验表明，WSPL算法不仅能对电动汽车电池故障进行有效预警，F1分数达到0.94，相较对比模型提高14.6%；并且由于其对潜在故障逐渐演化的学习能力而在传统工业传感器的多变量时间序列异常检测问题中有着良好表现。 第二，针对传统多变量时间序列异常检测算法可解释性较差的问题，本文提出了多变量时间序列行为模式挖掘算法MTSAPM，通过异常量化与异常模式挖掘等模块，能够挖掘得到与机理根因相匹配的异常行为模式库，并基于构建库进行具有较强可解释性的电动汽车电池故障预警。实验表明MTSAPM算法挖掘得到的异常模式能对传统时间序列异常检测算法难以解决的电动汽车电池热失控问题进行有效预警，F1分数达到0.62，相较对比模型提高72.2%；并且挖掘得到120余个具有代表性的异常模式能够与电池机理根因进行匹配。在具有更强可解释性的同时，构建的异常模式库能对电动汽车电池的设计与生产流程起到指导作用，这也是传统异常检测算法所不具备的。 |
| 作者： | 贾文立 |
| 专业： | 计算机科学与技术 |
| 导师： | 蔡世民 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
