[发明专利]一种面向硬件移植的锂电池深度诊断模型压缩算法

说明书

本发明涉及一种面向硬件移植的锂电池深度诊断模型的模型压缩算法，属于深度神经网络模型压缩领域，包括以下步骤：S1：利用阈值学习方法获取锂电池故障诊断模型中的混合卷积神经网络重要权值，在不损失精度的情况下减少网络规模；S2：采用数值聚合方式量化强制实现权值共享，使用压缩稀疏格式存储有效的共享权值编码与和索引；S3：通过顶部标量量化和底部质心微调进行权值分配与哈夫曼编码，使用可变长度码编码权重与索引，进一步减少网络所需要的存储空间。本发明采用的修剪，量化和霍夫曼编码的三级流水线方式，在每一级流水线中，都能够在不损失精度的前提下，一步一步的删除冗余权重，大大压缩网络模型。

技术领域

本发明属于深度神经网络模型压缩领域，涉及一种面向硬件移植的锂电池深度诊断模型压缩算法。

背景技术

动力锂电池作为电动汽车的核心供能部件，其状态的监测要求在复杂不确定的交通环境中具备强实时、高可靠性能。这使得动力锂电池的状态监测算法必须与车规级的硬件计算芯片绑定。在整车低成本管控与车载计算芯片发展相对缓慢的双重压力下，当前搭载在电动汽车上的电池管理系统计算资源受到限制，实际运行的动力锂电池故障诊断算法依然来源于物理化学模型，因为这些算法的计算机代码的执行进程相对简单。而采用深度神经网络的人工智能模型，对计算资源有着较高的要求，这使得电动汽车主机厂较少采用神经网络的锂电池故障诊断模型。要实现高性能的深度神经网络故障诊断模型在可用计算资源较少的电动汽车上实际运用，就必须在不降低深度学习模型性能的前提下，解决相应诊断模型的硬件移植问题。

发明内容

有鉴于此，本发明的目的在于针对车载计算资源约束使深度诊断模型应用受限的难题，提供一种面向硬件移植的锂电池故障诊断模型三级流水线压缩处理方法，以训练后的混合卷积神经网络的原始权值为对象，使用混合卷积神经网络重要权值的阈值学习方法，探明重要权值稀疏存储下的网络收缩效应；以重要权值稀疏矩阵为对象，采用稀疏权值的顶部标量量化与底部质心微调的聚合方式，明确强制共享机制；以强制共享的权值为对象，利用共享权值的哈夫曼编码与索引方法，实现硬件神经网络压缩、压缩与加速、再压缩处理的三级流水线模式。

为达到上述目的，本发明提供如下技术方案：

一种面向硬件移植的锂电池深度诊断模型的模型压缩算法，包括以下步骤：

S1：利用阈值学习方法获取锂电池故障诊断模型中的混合卷积神经网络重要权值，在不损失精度的情况下减少网络规模；

S2：采用数值聚合方式量化强制实现权值共享，使用压缩稀疏格式存储有效的共享权值编码与和索引；

S3：通过顶部标量量化和底部质心微调进行权值分配与哈夫曼编码，使用可变长度码编码权重与索引，进一步减少网络所需要的存储空间。

进一步，步骤S1具体包括以下步骤：

S11：训练用于锂电池故障诊断的混合卷积神经网络，以获取网络连接；

S12：设置合理阈值，在已训练的混合卷积神经网络中删除低于阈值的连接，压缩网络规模，同时使用压缩稀疏行CSR或压缩稀疏列CSC格式存储该稀疏矩阵从而进一步压缩模型大小；

S13：重新训练修剪过的混合卷积神经网络，微调权重以恢复网络精度。

进一步，步骤S2具体包括以下步骤：

S21：对网络的每个隐藏层，使用K均值聚类方法，将权重聚类成k个簇，并计算得到k个簇的质心C；

S22：生成共享质心，也即共享权值C后，删除原始权值，只存储共享权值，同时将每个隐藏层权值矩阵中的原始值替换对应共享权值的索引值；

S23：量化索引值进一步减少每个连接权值的比特位数；

S24：重新训练模型，微调模型以恢复网络精度。