[发明专利]基于可微连续映射的锂电池健康监测模型自学习方法

权利要求书

1.一种基于可微连续映射的锂电池健康监测模型自学习方法，其特征在于：包括以下步骤：

S1：根据锂电池健康状态监测的任务类型，以1d-CNN和AST-LSTMNN为核心模块进行组合，根据任务要求的性能指标以及网络本身的损失函数大小为约束，挑选适应任务需要的神经网络模型；

S2：在获得与各类健康状态监测任务匹配的神经网络模型之后，采用可微结构的自动学习方法，对这些神经网络进行自动训练；所述自动学习方法包括离散网络结构的连续可微映射、部分通道连接、局部边界归一化，具体为：

S21：离散化监测模型的连续可微映射，采用网络结构、网络单元表示为有向无环图，将结构搜索问题进行松弛，转化为连续变量优化问题；具体包括：将锂电池健康状态监测的神经网络模型，分解为L个单元，每个单元为具有N个节点的有向无环图，每个节点代表模型中的一个网络层；预定义一个操作空间O，该空间中每个元素o(·)代表在网络层上执行的固定操作，包括卷积、池化、连接、LSTM单元中的遗忘门、输入门、输出门、CEC控制门操作；

网络的自动学习是从操作空间O选择一个操作，使得某一个单元中的几点进行连接配对，令一对节点形成的边为(i,j)，0≤i＜j≤N-1，从i到j的信息传递被视为一个加权和操作|O|，即：

其中，x_i是第i个节点的输出，是加权运算o(x_i)对应的一个超参数，节点j的输出是与其相连的所有节点的加权输入之和，即：

在固定节点x₀和x₁作为单元输入之后，整个锂电池健康状态监测模型的单元输出对应于串联节点x₂至节点x_N-1；设L_t和L_v分别为训练集与验证集上的损失，自动学习的目标为：

w*＝argmin_wL_t(w,α*)k-1▽_aAji (4)

α*和w*分别为上层、下层优化变量，此优化问题进一步描述为

min_αL_v(w*(α),α) s.t.w*(α)＝argmin_wL_t(w,α) (5)

在求解上述优化问题过程中，当执行k次迭代时，根据当前结构α_k-1，通过将w_k-1向着使得训练误差L_t(w_k-1,α_k-1)最小化的方向移动得到w_k；然后固定w_k，最小化在验证集上的损失，此过程的代价为：L_v(w_k-ηL_t(w_k,α_k-1),α_k-1)；为求解此代价，对w进行迭代的梯度下降计算，根据复合导数原则，代价函数对α的梯度为：

其中，w'＝w-η▽_wL_v(w,α)；

如此，网络每层都有可微分权重w*和超参数α*，且按梯度下降方式进行自动学习与架构搜索；

S22：在进行局部通道自动学习时，网络的超参数定义为K；连接被选定，即S_i,j＝1，占所有连接的比例为1/K，通过改变K，实现方式灵活的自动学习，并在学习精度，即K较小，和效率，即K较大之间找到平衡点；具体包括：

定义节点x_i到节点x_j的状态为S_i,j，当二者连接时，其值为0，且不进行操作|O|，直接复制到单元输出，反之为1，执行操作|O|；此过程表示为：

将考察的内存开销，通过大量数值实验，分析在小批量操作中，分析更多的训练数据对网络权值和结构参数更新不确定性的影响；

S23：引入边界归一化的自动学习，缓解潜在的波动；在将锂电池健康状态的神经网络模型进行有向图映射时，每一个单元的输出节点x_j从前面的节点{x₀,x₁…,x_j-1}中获得两个输入节点；这些输入节点分别由决定，引入边界归一化的自动学习：

定义归一化操作β_i,j，对有向图中的每个边，即(i,j)，进行显式加权，并采用下式计算

在局部通道自动学习的同时，边(i,j)的连接由和β_i,j共同决定，即，将归一化系数和进行相乘；在学习过程中，权重参数最大的边将被选中。

2.根据权利要求1所述的基于可微连续映射的锂电池健康监测模型自学习方法，其特征在于：步骤S1中，以1d-CNN和AST-LSTM NN为核心模块，按以下四种基本方式对其组合，根据任务要求的性能指标以及网络本身的损失函数大小为约束，挑选适应任务需要的神经网络模型：

在上式中，Y为锂电池健康状态监测的指标，是集合{SOH,RUL,SOC,SOF,…异常分类}中的任意元素或其组合；表示神经网络模型的非线性映射作用；Θ_A和Θ_C分别为AST-LSTMNN与1d-CNN模块中的超参数；net_A和net_C分别为AST-LSTMNN与1d-CNN模块的输入；和分别为上述组合的损失函数；a_m和c_n分别为AST-LSTM块的个数与1d-CNN中的通道宽度；w为这些神经网络中的权值。