[发明专利]一种基于LSTM的网络节点健康状态监测方法

说明书

本发明公开了一种基于LSTM的网络节点健康状态监测方法，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。

技术领域

本发明涉及电池监测领域，特别是涉及一种基于LSTM的网络节点健康状态监测方法。

背景技术

在深度学习的应用中，对于时间序列的相关任务分析是一类典型的任务问题。其中，LSTM是一种已经较为成熟应用的模型结构。LSTM方法最初由Sepp Hochreiter与JürgenSchmidnuber提出，其基本框架是基于传统的循环神经网络模型(Recurrent NeuralNetwork,RNN)，用于进行时间序列处理。但RNN模型在实际使用过程中，由于其算法过程的梯度消失与梯度爆炸问题，很难用于处理长期依赖关系，而在系统退化过程中的时间序列往往存在一些长期影响信息，而这一部分信息对于退化过程的分析至关重要，丢失对结果的影响显而易见；而LSTM则为在此背景下提出的用于解决RNN计算时间过长与长期信息“健忘”问题的一种图形神经网络(GNN)模型扩展结构。

发明内容

本发明的目的是实现节点退化过程的准确预测，再将根据预测得到的退化过程向节点状态分布进行转化，再与系统贝叶斯网络模型相结合，最终实现系统健康状态的预测评估。

为实现上述目的，本发明提供了如下方案：本发明提出了一种基于LSTM的网络节点健康状态监测方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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：