[发明专利]基于时空图模型的动力电池生产工艺波动异常检测方法

权利要求书

1.基于时空图模型的动力电池生产工艺波动异常检测方法，其特征在于：该方法具体包括以下步骤：

1)对记录电池生产工艺的关键参数进行预处理，使具有不同属性、不同范围的参数具有相同的度量；

2)将预处理后的数据分为三个子集，其中N₁子集用于模型的训练，其中仅包含正常的数据集；N₂子集用于模型的超参数的调节和阈值的选择；N₃用于测试模型的性能，N₂和N₃均包含正常和异常数据，模型的输入为一个滑动时间窗X_W∈R^k×L,其中k表示多维时间序列的特征维度，L表示滑动时间窗的尺寸；

3)构建门控时空图模型；

首先构建不同尺寸的卷积核的时间卷积网络和卷积核为1×1的卷积来捕获动力电池生产工艺关键参数的时间依赖性；

不同动力电池生产工艺关键参数通过图的形式表达，图被表述为G＝(V，E)，其中V是节点的集合，E是边的集合；用k来表示图中的节点数量；让v∈V表示一个节点，e＝(v，u)∈E表示从u指向v的一条边；构建的电池生产工艺参数系统的有向图的邻接矩阵，表示为A∈R^k×k，如果(v_i，v_j)∈E，则A_ij＝1，如果则A_ij＝0；通过自适应图的结构捕获不同生产工艺的线性与非线性的关系，具体采用两种方法学习邻接矩阵，第一，根据电池生产过程工艺参数的相关性，构建邻接矩阵第二，由模型通过梯度下降学习自适应邻接矩阵A_apt，通过随机初始化起始节点和目标节点的嵌入表示作为可学习的参数E₁,E₂∈R^k×m,其中m表示每一个节点嵌入的维度，目标的自适应连接矩阵表示为公式3；通过自适应图的结构捕获不同生产工艺的线性与非线性的关系，使用图卷积神经网络聚合相关工艺参数的信息，图卷积神经网络表示为公式4，

其中A_apt表示初始化的自适应邻接矩阵，X表示图卷积神经网络的输入，W_i1和W_i2表示图卷积神经网络模型的参数矩阵；

4)使用门结构对所得时空信息进行过滤；

在门控时空图模型中，采用一个公式5所示的输出门g_i，每个门结构的输出中都蕴含时间序列的有效信息；在公式6中，将每个门结构的输出结果相加，通过两层全连接层，获得多维时间序列的时空信息进行下一时间步的观测值预测；

g_i＝h_i1(Θ₁*X+a)⊙h_i2(Θ₂*X+b) (5)

其中h_i1和hi2表示串联时间卷积和图卷积神经网络的两个运算，Θ₁，Θ₂分别为其中的参数，⊙表示矩阵对应元素相乘，a,b,c,d为偏置项，W₁和W₂为全连接层的参数矩阵，Tanh和ReLU为激活函数；

5)使用正常数据对模型训练，使用自动化阈值策略，用验证集调节模型的超参数，选择最佳的阈值；最后测试模型的性能，直观上，当测试数据集中含有异常时，将获得较大的预测误差，将预测误差大于阈值的观测值判为异常。

2.根据权利要求1所述的基于时空图模型的动力电池生产工艺波动异常检测方法，其特征在于：所述的使具有不同属性、不同范围的参数具有相同的度量，具体为：

采用如下公式将每个传感器的数据都归一化，

其中x∈R^N表示一种度量参数，min(x),max(x)分别表示x的最小值和最大值，x′表示x归一化之后的值,eps的值设置为1e-8，避免出现除0的情况。

3.根据权利要求1所述的基于时空图模型的动力电池生产工艺波动异常检测方法，其特征在于：所述的动力电池生产过程的关键参数，包括辊压速度、分切长度、注液温度。