[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

说明书

本发明提出了一种基于时空图模型的动力电池生产工艺波动异常检测方法。该方法包括：将电池生产工艺的关键参数用于模型的训练，使用不同卷积核尺寸的时间卷积网络获取序列的时间模型；构建领接矩阵，使用图卷积神经网络获取时间序列的空间信息；构建带有门控机制的时空图卷积块对所得信息进行过滤，得到有效的时间和空间的依赖性；聚合所有门控时空图卷积网络的输出信息对输入滑动时间窗进行单步预测；应用数据的观测值和预测值计算预测误差，再应用预测误差计算异常分数的阈值；如果测试数据中预测误差大于阈值，则将其判断为异常，发出警报。

技术领域

本发明涉及电池生产工艺波动分析领域，具体涉及一种基于时空图模型的电池生产工艺异常波动检测方法。

背景技术

新能源汽车的环保节能的特点促使其迅速普及和发展，未来的前景呈现积极的态势。动力电池的作为新能源机车的核心部件，对电池的生产过程中的核心工艺波动的自动化监控有利于降低成本和提高效率。纵观全球，当前关于工厂电池管理系统设计和智能制造计划管理模块设计处于仿真模拟或者封闭测试阶段，许多核心技术亟待突破，其中包括电池生产设备诊断、电池生产工艺波动分析电池生产工艺能力分析，本发明聚焦电池生产工艺波动分析异常检检测。电池生产过程包含诸多核心工艺，例如混料、涂布、辊压、分切、叠片、注液、化成等，需要被及时精确的监控。同时各个工艺的可以被传感器及时有效的记录下来，得到多维时间序列。这些参数(电流、电压、温度等)中可能隐藏电池生产工艺的异常模型，生产过程中的异常检测成为了一个十分重要的问题。然而异常的模式形式多样，获得所有种类异常的标签非常困难，且需花费巨大成本，同时在电池生产设备运行过程中，大部分时间都处于正常状态，导致异常和正常的类别的极不平衡，在深度学习领域，很多流行的监督学习的分类算法都不能有效工作，提升了对动力电池的生产工艺波动异常检测的难度。

综合考虑电池生产工艺波动分析的异常检测的准确性、鲁棒性和效率，采用无监督学习的方法是最合适的方法。通过深度学习的模型学习数据中潜在的时空关系，对关键参数进行预测，根据观测值和预测值之差检测异常值。但是，电池生产过程中，参数的稳定性和各个参数之间的线性和非线性关系十分复杂，且随时间动态变化。现有的无监督的异常检测算法不能处理动力电池生产过程的时间和空间的依赖性，存在很大提升空间。

综上所述，在动力电池生产工艺波动分析问题中，寻找一种新的多维时间序列异常检测方法，可以对电池核心生产工艺参数的时间信息和空间模式进行建模，成为了目前亟需解决的问题。

发明内容

本发明提出一种电池生产工艺波动的异常检测算法，称为门控时空图模型(GateSpatial-Temporal Graph Model for Anomaly Detection，GSTAD)。该算法考虑电池生产过程核心参数的时间依赖性和空间模式，可以实现高效的电池生产过程工艺波动异常检测。

本发明的技术方案包括以下步骤：

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；