與傳統(tǒng)方法相比，檢測性能提升16%?33%，與最先進(jìn)的深度學(xué)習(xí)算法相比，成本降低33%，最重要的是它經(jīng)過大規(guī)模實車數(shù)據(jù)集的驗證，具備極強(qiáng)的實際應(yīng)用價值，它就是來自昇科能源的電池異常檢測深度學(xué)習(xí)模型。

9月23日，昇科能源攜手清華大學(xué)歐陽明高院士團(tuán)隊和北大科研團(tuán)隊的最新研究成果《動態(tài)深度學(xué)習(xí)實現(xiàn)鋰離子電池異常檢測》(《Realistic Battery Fault Detection with Dynamical Deep Learning》)正式在Nature子刊《Nature Communications》刊出，它面向?qū)嶋H數(shù)據(jù)的鋰離子電池安全預(yù)警問題，搭建了基于動態(tài)變分自編碼器的電池異常檢測深度學(xué)習(xí)框架（dynamical autoencoder for anomaly detection, DyAD），并通過實際社會經(jīng)濟(jì)影響因子分析優(yōu)化深度學(xué)習(xí)模型，實現(xiàn)高檢出率、低誤報率的電池異常檢測，同時發(fā)布了包含347輛電動汽車的69萬條充電片段的大規(guī)模實車電池數(shù)據(jù)集。

電動汽車電池的故障預(yù)測可以節(jié)省社會成本并推動EV的普及，但由于電池系統(tǒng)是高度復(fù)雜的非線性系統(tǒng)，相關(guān)研究在實際應(yīng)用中還有很長的路要走。原因有兩個：

第一，現(xiàn)有算法的驗證僅在小規(guī)模實驗室環(huán)境中進(jìn)行，算法需要進(jìn)一步測試；

第二，現(xiàn)有的很多算法依賴于在現(xiàn)實世界環(huán)境中不可用的信息，無法顧及數(shù)據(jù)可用性、經(jīng)濟(jì)性、傳感器噪聲和模型隱私等因素，無法應(yīng)用于實際場景。

昇科能源攜手清華大學(xué)歐陽明高院士團(tuán)隊和北大科研團(tuán)隊開發(fā)了一種名為DyAD的深度學(xué)習(xí)模型，能更有效地預(yù)測鋰離子電池異常，同時顯著降低成本，提高實用性。

圖1 發(fā)布的大規(guī)模實車電池數(shù)據(jù)集

動態(tài)變分自編碼器提取大規(guī)模實車電池異常數(shù)據(jù)

發(fā)布的大規(guī)模實車電池數(shù)據(jù)集如圖1所示，來源于三家制造商，存在快充慢充等不同充電工況，數(shù)據(jù)樣本多樣且不規(guī)則，通過簡單的電壓、電流、溫度變化、充電曲線對比等手段無法區(qū)分正常車輛和異常車輛，因此，利用動態(tài)變分自編碼器對如此大規(guī)模的實車電池數(shù)據(jù)蘊(yùn)含異常信息進(jìn)行特征提取。

圖2 基于動態(tài)變分自編碼器的電池異常檢測深度學(xué)習(xí)框架

DyAD深度學(xué)習(xí)模型對電池特征進(jìn)行動態(tài)編譯和解譯

文章提出的深度學(xué)習(xí)架構(gòu)如圖2所示，該模型架構(gòu)可直接部署于實際場景的充電站、電動汽車以及云端服務(wù)器（圖2a），充電站收集BMS數(shù)據(jù)并進(jìn)行編譯以保護(hù)用戶隱私，進(jìn)而上傳至云端服務(wù)器，實現(xiàn)云端獨立的電池異常檢測結(jié)果輸出，同時還考慮了異常檢測引起的社會經(jīng)濟(jì)效益并進(jìn)行經(jīng)濟(jì)性最優(yōu)檢測分析。

圖3 實車電池數(shù)據(jù)集的檢測結(jié)果及經(jīng)濟(jì)性分析

DyAD深度學(xué)習(xí)模型檢測性能提升16%?33%，成本降低33%

DyAD深度學(xué)習(xí)架構(gòu)對大規(guī)模實車電池數(shù)據(jù)集的檢測結(jié)果及經(jīng)濟(jì)性如圖3所示。文章將DyAD模型與現(xiàn)有幾種常見深度學(xué)習(xí)算法進(jìn)行比較，分別是graph deviation network（GDN)， vanilla autoencoder (AE), support vector data description (SVDD), Gaussian process model (GP)，以及一種統(tǒng)計數(shù)據(jù)驅(qū)動電池檢測算法 (variation evaluation, VE)，并用受試者工作特征曲線面積（Area Under the Receiver Operating Characteristic Curve，AUROC）作為對比量化指標(biāo)。實驗結(jié)果表明，相比于幾種常見算法，文章提出的深度學(xué)習(xí)架構(gòu)可以提升16%?33%的AUROC并保持微小的性能波動（圖3a）。

而在經(jīng)濟(jì)性方面，通過昇科能源在北京、上海等國內(nèi)一線城市的車輛數(shù)據(jù)統(tǒng)計，對DyAD以及幾種常見算法的經(jīng)濟(jì)性進(jìn)行優(yōu)化對比，得到DyAD深度學(xué)習(xí)模型在不同故障成本與檢修成本情況下可平均減少33%的直接成本（圖3c與圖3d）。

圖4 異常檢測算法對電池物理知識的學(xué)習(xí)原理解析

DyAD深度學(xué)習(xí)模型保證電池異常檢測的高檢出率、低誤報率

此外，文章還對DyAD模型在實際實車數(shù)據(jù)中學(xué)習(xí)到的物理知識原理進(jìn)行解析，如圖4所示。研究者觀察了訓(xùn)練過程中所有電池充電片段在提出的深度學(xué)習(xí)架構(gòu)的三個代表性層級（輸入層 圖4a、隱藏層 圖4b、輸出層 圖4c）之間的演化歸類情況，并用t-SNE (t-distributed stochastic neighbor embedding)的可視化技術(shù)把每個充電片段映射成一個二維空間中的一個點。為了便于觀察，隨機(jī)挑選公開的大規(guī)模數(shù)據(jù)集中某輛車輛，并突出標(biāo)注了該輛車輛的異常片段（紅色點）和正常片段（藍(lán)色點）。圖4c的輸出層可以清楚看到所有車輛的異常片段和正常片段被DyAD分為了兩塊明顯區(qū)分的區(qū)域，而從圖4a到圖4c的演化過程中，隨機(jī)挑選的某輛車輛的異常片段（紅色點）和正常片段（藍(lán)色點）也從輸入層（圖4a）的無序隨機(jī)分布狀態(tài)變化為輸出層（圖4c）在兩塊區(qū)域幾乎獨立分布狀態(tài)。此現(xiàn)象表明，DyAD深度學(xué)習(xí)架構(gòu)的底層訓(xùn)練邏輯是通過重構(gòu)誤差聚類實現(xiàn)了對電池關(guān)鍵物理特征信息的提取學(xué)習(xí)，從而能夠保證電池異常檢測的高檢出率、低誤報率。

返回第一電動網(wǎng)首頁 >