公开(公告)号：CN114648076A

公开(公告)日：2022-06-21

申请号：CN202210375802.5

申请日：2022-04-11

申请人： 杭州电子科技大学

发明人： 何志伟 ,  赵宾杰 ,  官思伟 ,  董哲康 ,  高明煜

IPC分类号： G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了一种无监督学习的电池生产工艺异常波动检测方法，本发明提出的特征融合重建网络中编码器网络通过多层卷积操作对输入的多通道特征矩阵进行空间上的特征提取。ConvLSTM网络提取输入的多通道特征矩阵序列在不同时间步长中的时间特征，完成数据的特征捕捉，同时在此基础上添加的注意力机制可以完成权重分配，将更多的注意力权重分配给关键的特征并减少噪声的干扰。通过译码器网络可以解码在上一步获得的特征映射，同时，利用特征矩阵信息的非对称能力来构造特征提取矩阵，从而增强各层之间的特征重用性。分层特征融合模型增加各层之间的特征交互，使得模型能够感知更多的特征维度和时间维度的信息。

公开(公告)号：CN114841076A

公开(公告)日：2022-08-02

申请号：CN202210547979.9

申请日：2022-05-18

申请人： 杭州电子科技大学

发明人： 何志伟 ,  官思伟 ,  赵宾杰 ,  董哲康 ,  高明煜

IPC分类号： G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  H01M10/04

摘要： 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。

公开(公告)号：CN114118385A

公开(公告)日：2022-03-01

申请号：CN202111511948.X

申请日：2021-12-07

申请人： 杭州电子科技大学

发明人： 何志伟 ,  官思伟 ,  赵宾杰 ,  董哲康 ,  高明煜

IPC分类号： G06N3/04 ,  G06N3/08 ,  G06Q10/04 ,  G06Q10/06 ,  G06Q50/04

摘要： 本发明公开了一种基于深度学习的电池生产工艺异常波动检测方法，本发明提出DAUAD模型，结合自编码强大的重构能力和提取特征的能力，为了提高输入样本潜在空间表达向量的稳定性，本发明增加Encoder_g模块，对重构样本编码，使输入样本的潜在空间表达和重构样本的潜在空间向量表达尽可能接近，提高潜在表达空间向量的稳定性。有效解决自编码器在特征提取过程中无法获取输入样本的关键信息的问题，采用GUR网络考虑过去的电池生产工序对现在的影响，最终实现电池生产过程中多维时间序列的异常检测。