[发明专利]一种基于LSTM的网络节点健康状态监测方法

权利要求书

1.一种基于LSTM的网络节点健康状态监测方法，其特征在于，步骤包括：

S1、获取节点多特征重叠数据和多节点状态数据，对所述节点多特征重叠数据和多节点状态数据进行预处理，获得多特征数据，构建LSTM模型；

S2、基于所述多特征数据进行CNN特征融合，获得融合特征参数，搭建网络层次结构模型；

S3、基于所述LSTM模型，将所述融合特征参数输入到所述LSTM模型，输出退化时间序列；

S4、对所述退化时间序列输入到所述网络层侧结构模型进行优化处理和训练处理，获得训练后的特征数据，进行系统整体健康状态预测。

2.根据权利要求1所述的基于LSTM的网络节点健康状态监测方法，其特征在于，所述LSTM模型包括：输入门、遗忘门和输出门；

根据所述输入门、遗忘门和输出门学习相应的权重参数，进行记忆单元状态信息的控制和判断。

3.根据权利要求2所述的基于LSTM的网络节点健康状态监测方法，其特征在于，所述学习相应的权重参数过程包括：采用前向和后向算法，进行学习相应的权重参数。

4.根据权利要求1所述的基于LSTM的网络节点健康状态监测方法，其特征在于，所述网络层次结构模型包括：

输入层，根据所述融合特征参数作为所述网络层次结构模型的输入，根据输入层包含的节点数以及各节点所采集的特征数量确定输入层的维度；

隐层，由多层LSTM网络结构组成，根据数据维度及规模大小确定所述隐层的层数与神经元数量；

输出层，输出电池组容量退化时间序列。

5.根据权利要求1所述的基于LSTM的网络节点健康状态监测方法，其特征在于，所述优化处理包括：所述电池组容量退化时间序列输入到所述网络层侧结构模型获得损伤函数，采用均方误差MSE最小为优化目标，其中均方误差γ计算公式如下，

其中，X_i为观察到的真实样本序列，为样本序列X_i的预测序列。

6.根据权利要求1所述的基于LSTM的网络节点健康状态监测方法，其特征在于，所述训练处理包括归一化处理，对原始数据的线性变换，使结果值映射到[0-1]之间，转换函数如下：

其中max为样本数据的最大值，min为样本数据的最小值。X^*为数据X的归一化结果。

7.根据权利要求6所述的基于LSTM的网络节点健康状态监测方法，其特征在于，归一化处理后进行参数判断，符合停止条件则进行模型输出，反之则返回LSTM模型重新进行参数设置。

8.根据权利要求7所述的基于LSTM的网络节点健康状态监测方法，其特征在于，所述停止条件为：RMSE、MAE达到期望水平即R²0.85；

具体包括：按照8：1：1或7：2：1的比例划分训练集、验证集与测试集；利用划分好的训练样本作为测试集进行模型评估，以均方根误差RMSE、绝对误差MAE和相关系数R²值作为模型评价指标，RMSE、MAE，和R²值的计算公式分别如下公式所示：

y_i表示第i个真实值；表示第i次预测的预测值；i＝1,2,……，m为测量次数；并根据评价指标结果进行参数调节模型参数调节采取网格化搜索方法，通过多次调参测试得到较优参数组合。