故障诊断模型的训练方法和故障诊断方法、装置

技术领域

本申请属于电池技术领域，尤其涉及一种故障诊断模型的训练方法和故障诊断方法、装置。

背景技术

随着电池技术的发展，电池的安全性越来越受到人们的关注，对电池进行故障诊断可以及时发现电池故障，避免出现安全隐患。现有技术中，对电池进行故障诊断的方法有电化学机理模型、等效电路模型、统计分析方法或专家系统等，其中，电化学机理模型计算复杂度高且需要专门测量设备，目前无法应用于实车在线计算，等效电路模型对电池内部化学变化的估计精度不足，统计分析方法和专家系统均需要先确定电池发生了何种故障才能确定电池发生故障，而对于不明确的故障类型无法诊断。

为了解决上述问题，基于深度学习的电池故障诊断方法应运而生，但是，在对故障诊断模型进行训练前，需要采集大量的样本数据，而积累足够的样本数据需要大量的时间和人力成本。

发明内容

本申请实施例提供一种故障诊断模型的训练方法和故障诊断方法、装置，可以节约大量时间和人力成本。

第一方面，本申请实施例提供一种故障诊断模型的训练方法，该方法包括：

获取第一样本集和第二样本集，

利用第一样本集对第一初始故障诊断模型进行训练，得到训练后的第一故障诊断模型的目标模型参数，

将目标模型参数导入第二初始故障诊断模型，得到第三初始故障诊断模型，

利用第二样本集对第三初始故障诊断模型进行训练，得到训练后的目标故障诊断模型，

其中，第一样本集中的每个第一样本包括第一电池参数及其对应的第一标签，第一电池参数是与目标电池的正极材料相同的第一电池的电池参数，第一标签用于表征第一电池是否发生故障，第二样本集中的每个第二样本包括第二电池参数及其对应的第二标签，第二电池参数是与目标电池的型号相同的第二电池的电池参数，第二标签用于表征第二电池是否发生故障。

第二方面，本申请实施例提供一种故障诊断方法，该方法包括：

获取目标电池的目标电池参数，

利用目标故障诊断模型，根据目标电池参数对目标电池进行故障诊断，得到目标诊断结果，目标故障诊断模型是基于第一方面的任一项实施例中所示的故障诊断模型的训练方法训练得到的。

第三方面，本申请实施例提供了一种故障诊断模型的训练装置，该装置包括：

第一获取模块，用于获取第一样本集和第二样本集，

第一训练模块，用于利用第一样本集对第一初始故障诊断模型进行训练，得到训练后的第一故障诊断模型的目标模型参数，

导入模块，用于将目标模型参数导入第二初始故障诊断模型，得到第三初始故障诊断模型，

第二训练模块，用于利用第二样本集对第三初始故障诊断模型进行训练，得到训练后的目标故障诊断模型，

其中，第一样本集中的每个第一样本包括第一电池参数及其对应的第一标签，第一电池参数是与目标电池的正极材料相同的第一电池的电池参数，第一标签用于表征第一电池是否发生故障，第二样本集中的每个第二样本包括第二电池参数及其对应的第二标签，第二电池参数是与目标电池的型号相同的第二电池的电池参数，第二标签用于表征第二电池是否发生故障。

第四方面，本申请实施例提供了一种故障诊断装置，该装置包括：

第二获取模块，用于获取目标电池的目标电池参数，

诊断模块，用于利用目标故障诊断模型，根据目标电池参数对目标电池进行故障诊断，得到目标诊断结果，目标故障诊断模型是基于第一方面的任一项实施例中所示的故障诊断模型的训练方法训练得到的。

第五方面，本申请实施例提供了一种电子设备，设备包括：处理器以及存储有计算机程序指令的存储器，

处理器执行计算机程序指令时实现如第一方面的任一项实施例中所示的故障诊断模型的训练方法和/或如第二方面的任一项实施例中所示的故障诊断方法。

第六方面，本申请实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面的任一项实施例中所示的故障诊断模型的训练方法和/或如第二方面的任一项实施例中所示的故障诊断方法。

第七方面，本申请实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行第一方面的任一项实施例中所示的故障诊断模型的训练方法和/或如第二方面的任一项实施例中所示的故障诊断方法。

本申请实施例的故障诊断模型的训练方法和故障诊断方法、装置，可以获取第一样本集和第二样本集，利用第一样本集对第一初始故障诊断模型进行训练，得到训练后的第一故障诊断模型的目标模型参数，将目标模型参数导入第二初始故障诊断模型，得到第三初始故障诊断模型，利用第二样本集对第三初始故障诊断模型进行训练，得到训练后的目标故障诊断模型。这样，由于第一样本集中的数据只需是与目标电池的正极材料相同的第一电池的数据即可，没有过多限制，可以从公开渠道获得大量数据，而将基于第一样本数据集预训练得到的目标模型参数导入第二初始故障诊断模型，在对导入目标模型参数后的第三初始故障诊断模型进行再训练时，便只需要少量样本数据即可，因此无法较长时间和较多人力来累积第二样本集中的数据，因此可以节约大量时间和人力成本。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一个实施例提供的一种故障诊断模型的训练方法的流程图之一，

图2是本申请一个实施例提供的一种故障诊断模型的结构示意图，

图3是本申请一个实施例提供的一种GRU的结构示意图，

图4是本申请一个实施例提供的一种故障诊断模型的训练方法的流程图之二，

图5是本申请一个实施例提供的一种故障诊断模型的训练方法的原理框图，

图6是本申请一个实施例提供的一种故障诊断方法的流程图，

图7是本申请一个实施例提供的一种故障诊断模型的训练装置的结构示意图，

图8是本申请一个实施例提供的一种故障诊断装置的结构示意图，

图9是本申请一个实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

如背景技术，在能源结构转型和碳减排的政策推动下，以电动车辆为代表的新能源车辆在整体市场的占有率正不断提升。而动力电池系统作为电动车辆的核心部件和主要能量来源，其性能指标极大程度的影响整车表现。因此动力电池在使用过程中出现的性能衰退和内部老化，不仅影响续航里程和动力输出，还会导致寿命缩短，安全隐患增加，近年来频发的电动车辆自燃事故便是该问题的具象化。

为确保电动车辆的安全可靠运行，需要对动力电池进行精确的故障诊断和及时预警。因为动力电池内/外部短路故障以及热失控极易在短时间内导致电池产生烟雾、火灾甚至爆裂。同时，在故障形成的早期阶段，电池的电流、电压及温度等特征参数变化非常缓慢，导致故障难以甄别。因此，能及早发现电池内部异常防止该类故障的发生是当前电池故障诊断的重点和难点。

目前而言，针对锂离子电池的故障诊断方法主要有基于电池模型的电化学机理模型、等效电路模型，以及基于无电池模型的统计分析方法、数据驱动建模方法、专家系统方法等。

而电化学机理模型计算复杂度高且需要专门测量设备，目前无法应用于实车在线计算。等效电路模型是一种半经验半机理模型，计算复杂度较低，但是该模型对电池内部化学变化的估计精度不足，难以定位电池早期异常情况。统计分析方法通过采集系统得到的电流、电压和温度数据，利用信息熵、正态分布等统计方法进行分析进行故障诊断，但通常仅能进行故障检测，难以识别故障类型。专家系统主要由知识库、推理机、实时数据库和人机接口组成，可用于多种故障的检测，但其依赖对电池故障特征有清晰定义的知识库，因此对特征原理不明晰的故障无法诊断。

近年来，越来越多的基于数据驱动的深度学习方法被应用在电池研究领域，其原理是输入大量的样本数据，对人工神经网络模型反复训练的方式使其能够学习到电池内部的非线性变化规律。使用深度学习方法进行电池故障诊断，需要将电池可测数据作为输入，电池故障作为输出，深度学习模型通过训练根据输入的特性参数建立对特定故障的表征关联，从而实现对电池系统的在线故障检测。该方法对不同的电池配置和使用环境有很强的泛化性，但是使用该方法存在一个难点，该方法需要采集大量的实验数据，并对实验数据进行清洗和分类和标注后才能作为模型的训练样本，而积累足够的实验数据需要大量的时间和人力成本。因此该难点成为限制深度方法在电池故障诊断领域应用的主要原因。

基于此，本申请实施例提供了一种故障诊断模型的训练方法，下面对本申请实施例提供的故障诊断模型的训练方法进行介绍。

图1示出了本申请一个实施例提供的一种故障诊断模型的训练方法的流程示意图。

如图1所示，该故障诊断模型的训练方法的执行主体可以为故障诊断模型的训练装置，该故障诊断模型的训练方法可以包括如下步骤：

S110，获取第一样本集和第二样本集，

S120，利用第一样本集对第一初始故障诊断模型进行训练，得到训练后的第一故障诊断模型的目标模型参数，

S130，将目标模型参数导入第二初始故障诊断模型，得到第三初始故障诊断模型，

S140，利用第二样本集对第三初始故障诊断模型进行训练，得到训练后的目标故障诊断模型。

由此，可以获取第一样本集和第二样本集，利用第一样本集对第一初始故障诊断模型进行训练，得到训练后的第一故障诊断模型的目标模型参数，将目标模型参数导入第二初始故障诊断模型，得到第三初始故障诊断模型，利用第二样本集对第三初始故障诊断模型进行训练，得到训练后的目标故障诊断模型。这样，由于第一样本集中的数据只需是与目标电池的正极材料相同的第一电池的数据即可，没有过多限制，可以从公开渠道获得大量数据，而将基于第一样本数据集预训练得到的目标模型参数导入第二初始故障诊断模型，在对导入目标模型参数后的第三初始故障诊断模型进行再训练时，便只需要少量样本数据即可，因此无法较长时间和较多人力来累积第二样本集中的数据，因此可以节约大量时间和人力成本。

涉及S110，目标电池可以为待诊断的电池，具体可以是任一型号的锂离子电池。第一样本集中的每个第一样本可以包括第一电池参数及其对应的第一标签，第一电池参数可以是与目标电池的正极材料相同的第一电池的电池参数，第一标签可以用于表征第一电池是否发生故障。

示例性地，可以以与目标电池正极材料相同为筛选标准，从公开渠道搜集测试数据集，并从中提取第一电池参数。然后对每一个时间步的第一电池参数标注第一标签(发生故障或未发生故障)，得到第一样本集。

第二样本集中的每个第二样本可以包括第二电池参数及其对应的第二标签，第二电池参数可以是与目标电池的型号相同的第二电池的电池参数，第二标签可以用于表征第二电池是否发生故障。第二电池参数可以是在第二电池实际运行过程中采集的。

示例性地，可以通过实车动力电池包搭载的电池管理系统读取目标电池在车辆实际运行中的第二电池参数。然后对每一个时间步的第二电池参数标注第二标签(发生故障或未发生故障)，得到第二样本集。

在一些实施方式中，上述电池参数可以包括电压、充放电电流和电芯温度中的至少一项。

也就是说，第一电池参数和第二电池参数均可以包括电压、充放电电流和电芯温度中的至少一项。

这里，电压、充放电电流和电芯温度等参数与电池是否发生故障具有较强的关联关系，因此基于这些参数可以更准确的对电池进行故障诊断。

涉及S120，目标模型参数可以是训练完成的第一初始故障诊断模型的模型参数。

这里，可以预先设置第一初始故障诊断模型的输入层节点数，隐含层层数和单层神经元数，并将每层的连接权重和偏置权重配置随机数以对模型参数进行初始化，同时设定模型误差梯度收敛目标阈值，也即第一初始故障诊断模型对应的训练停止条件，对第一样本集进行前向传播计算。

需要说明的是，第一初始故障诊断模型、第二初始故障诊断模型、第三初始故障诊断模型及目标故障诊断模型的结构均可以相同，因此各故障诊断模型的具体结构均可以参见下文目标故障诊断模型的结构。

此外，利用第一样本集对第一初始故障诊断模型进行训练的过程与利用第二样本集对第三初始故障诊断模型进行训练的过程相同，因此可参见下文利用第二样本集对第三初始故障诊断模型进行训练的过程。

在一些实施方式中，在S120之前，还可以对第一样本集进行归一化处理，并将归一化处理后的第一样本集转换为第一特征向量集。其具体过程与对第二样本集的处理过程相同，可参见下文对第二样本集的处理过程。

示例性地，当第一初始故障诊断模型在训练过程中的误差梯度达到预设阈值后，可以利用model.save_weights函数保存最终的目标模型参数。

涉及S130，通过迁移学习的方法，将目标模型参数导入第二初始故障诊断模型，便可以完成对第二初始故障诊断模型的初始化参数配置，得到第三初始故障诊断模型。

示例性地，可以使用模型参数读取调用函数(Saver.Restore函数)，将目标模型参数迁移至第二初始故障诊断模型中，得到第三初始故障诊断模型，将目标模型参数作为第三初始故障诊断模型的初始模型参数。

涉及S140，目标故障诊断模型可以用于对目标电池进行故障诊断，也可以用于对与目标电池型号相同的任意电池进行故障诊断。

在一些实施方式中，为了提升目标故障诊断模型的模型精度，S140可以包括：

针对第二样本集中的每个第二样本，分别执行以下步骤：

利用第三初始故障诊断模型根据第二样本中的第二电池参数对第二电池进行故障诊断，得到预测诊断结果，预测诊断结果用于表征第二电池是否发生故障，

根据预测诊断结果和第二样本中的第二标签确定损失函数值，

在损失函数值不满足训练停止条件的情况下，调整第三初始故障诊断模型的模型参数，并利用第二样本集训练参数调整后的第三初始故障诊断模型，直至损失函数值满足训练停止条件，得到目标故障诊断模型。

这里，第三初始故障诊断模型的输入层节点数、隐含层层数和单层神经元数均可以与第一初始故障诊断模型相同，可以将目标模型参数作为第三初始故障诊断模型的初始模型参数。

在训练过程中为了减小预测诊断结果和第二标签问的误差值(也即损失函数值)，在经过前向传播计算后，再通过反向传播算法对网络权重进行更新。具体而言，可以使用梯度下降法逐层对神经元配重进行优化，从而缩小误差值。

在一些实施方式中，损失函数值的计算公式可以为：

其中，L为损失函数值，m为第二样本集的序列长度，y

如此，通过上述过程进行模型训练，可以提升目标故障诊断模型的模型精度。

在一些实施方式中，为了进一步提升目标故障诊断模型的精度，上述调整第三初始故障诊断模型的模型参数，可以包括：

采用Adam算法调整第三初始故障诊断模型的模型参数，

Adam算法的表达式可以为：

m

v

g＝v

其中，m

这里，由于Adam算法相较其他优化算法的效率和泛化性更好，所以可以采用Adam算法对第三初始故障诊断模型的模型参数进行更新。Adam算法主要通过计算梯度的距来估算每一个参数的学习率。

如此，基于Adam算法可以更好的对模型参数进行优化，进一步提升目标故障诊断模型的精度。

在一些实施方式中，为了提升模型训练的精度，在S140之前，该方法还可以包括：

对第二样本集进行归一化处理，

将归一化处理后的第二样本集中的多个第二样本分别转换为第二特征向量，得到第二特征向量集，

S140可以包括：

利用第二特征向量集对第三初始故障诊断模型进行训练，得到训练后的目标故障诊断模型。

也就是说，在将第二样本集输入至第三初始故障诊断模型之前，可以先对第二样本集进行预处理。具体地，可以对第二样本集进行归一化处理，将第二样本集内的所有参数都规整至同一数量级，并将归一化后的第二样本集转换为第二特征向量。

示例性地，归一化处理的公式可以为：

其中，x′为归一化处理后的第二样本集，x为第二样本，min(x)为第二样本集中最小的第二样本，max(x)为第二样本集中最大的第二样本。

从输入端输入至第三初始故障诊断模型的第二特征向量的形式可以为：[[V(t1)，I(t1)，T(t1)][V(t2)，I(t2)，T(t2)]…[V(tn)，I(tn)，T(tn)]]，其中，V可以表示电压，I可以表示充放电电流，T可以表示电芯温度，t1、t2…tn可以表示时间步。相应的，输出端的数据可以规整为：[[St(t

如此，通过对样本进行归一化和提取特征向量等预处理操作，可以提升目标故障诊断模型的训练精度。

在一些实施方式中，目标故障诊断模型可以包括多个神经元，该神经元可以为门控循环神经网络(gated recurrent neural network，GRU)。

示例性地，如图2所示，目标故障诊断模型可以包括输入层、隐藏层和输出层，每层均可以包括多个GRU。

其中，单个GRU模型的内部结构可以如图3所示。该GRU模型的计算单元可以由重置门(Reset gate)，更新门(Update gate)，候选门(Candidate Gate)组成。当前时刻的输入x

重置门的表达式可以为：

r

更新门的表达式可以为：

z

其中，r

对重置门的输出值r

g

其中，g

对候选门的输出值g

h

此外，以GRU模型为神经元构建的目标故障诊断模型的结构可以如图3所示，包括：输入层、隐藏层和输出层。其中，输入层将预处理后的输入送入目标故障诊断模型进行计算，输入层接收的输入表示为X

目标故障诊断模型的输入X

本申请实施例提供的故障诊断模型的训练方法，可以在前期缺乏足够特定目标电池实验数据的情况下，依然能够针对故障诊断训练深度学习模型。而在实验样本采集量满足需求后，对预训练模型进行快速训练获得针对特定目标电池的故障诊断模型，解决了深度学习没有实验数据无法展开训练的问题，加快了电池故障诊断模型的开发速度，减少了实验数据采集所需要耗费的时间、人力和资金成本。

为了更好地描述整个方案，基于上述各实施例，举一个具体例子，如图4所示，该故障诊断模型的训练方法可以包括S401-S407，下面对此进行详细解释。

S401，获取第一样本集。

S402，利用第一样本集对第一初始故障诊断模型进行训练。

S403，判断损失函数值是否满足训练停止条件。

若是，则得到目标模型参数，若否，则将训练次数加1，并返回执行S402。

S404，将目标模型参数导入第二初始故障诊断模型，得到第三初始故障诊断模型。

S405，获取第二样本集。

S406，利用第二样本集对第三初始故障诊断模型进行训练。

S407，判断损失函数值是否满足训练停止条件。

若是，则得到目标故障诊断模型，若否，则将训练次数加1，并返回执行S406。

本申请实施例提供的故障诊断模型的训练方法，可以先通过公开渠道搜集的第一样本集进行深度学习训练生成一个预训练模型，使得该预训练模型能够学习到锂离子电池内部具体的共性特征，在积累了一定量第二样本，构建第二样本集后，再通过迁移学习的方式对预训练模型进行再学习，从而获得针对特定目标电池的目标故障诊断模型。

本申请实施例还提供了一种故障诊断模型的训练方法的原理框图，如图5所示，其过程与S401-S407的过程相同，在此不再赘述。

图6示出了本申请一个实施例提供的一种故障诊断方法的流程示意图。

如图6所示，该故障诊断方法的执行主体可以为故障诊断装置，该故障诊断方法可以包括如下步骤：

S610，获取目标电池的目标电池参数，

S620，利用目标故障诊断模型，根据目标电池参数对目标电池进行故障诊断，得到目标诊断结果。

其中，目标故障诊断模型可以是基于上述实施例中的故障诊断模型的训练方法训练得到的。

这里，将目标电池参数输入至目标故障诊断模型，目标故障诊断模型便可以根据目标电池参数对目标电池进行故障诊断，输出得到目标诊断结果，所述目标诊断结果可以用于表征目标电池是否发生故障。

由此，通过该目标故障诊断模型可以基于目标电池参数对目标电池进行准确地故障诊断，从而可以避免发生安全事故。

基于与故障诊断模型的训练方法相同的发明构思，本申请实施例还提供了一种故障诊断模型的训练装置。下面结合图8对本申请实施例提供的故障诊断模型的训练装置进行详细说明。

图7示出了本申请一个实施例提供的一种故障诊断模型的训练装置的结构示意图。

如图7所示，该故障诊断模型的训练装置可以包括：

第一获取模块701，用于获取第一样本集和第二样本集，

第一训练模块702，用于利用第一样本集对第一初始故障诊断模型进行训练，得到训练后的第一故障诊断模型的目标模型参数，

导入模块703，用于将目标模型参数导入第二初始故障诊断模型，得到第三初始故障诊断模型，

第二训练模块704，用于利用第二样本集对第三初始故障诊断模型进行训练，得到训练后的目标故障诊断模型，

其中，第一样本集中的每个第一样本包括第一电池参数及其对应的第一标签，第一电池参数是与目标电池的正极材料相同的第一电池的电池参数，第一标签用于表征第一电池是否发生故障，第二样本集中的每个第二样本包括第二电池参数及其对应的第二标签，第二电池参数是与目标电池的型号相同的第二电池的电池参数，第二标签用于表征第二电池是否发生故障。

由此，可以获取第一样本集和第二样本集，利用第一样本集对第一初始故障诊断模型进行训练，得到训练后的第一故障诊断模型的目标模型参数，将目标模型参数导入第二初始故障诊断模型，得到第三初始故障诊断模型，利用第二样本集对第三初始故障诊断模型进行训练，得到训练后的目标故障诊断模型。这样，由于第一样本集中的数据只需是与目标电池的正极材料相同的第一电池的数据即可，没有过多限制，可以从公开渠道获得大量数据，而将基于第一样本数据集预训练得到的目标模型参数导入第二初始故障诊断模型，在对导入目标模型参数后的第三初始故障诊断模型进行再训练时，便只需要少量样本数据即可，因此无法较长时间和较多人力来累积第二样本集中的数据，因此可以节约大量时间和人力成本。

在一些实施方式中，为了提升目标故障诊断模型的模型精度，第二训练模块704，可以包括：

诊断子模块，用于针对第二样本集中的每个第二样本，分别执行：利用第三初始故障诊断模型根据第二样本中的第二电池参数对第二电池进行故障诊断，得到预测诊断结果，预测诊断结果用于表征第二电池是否发生故障，

确定子模块，用于针对第二样本集中的每个第二样本，分别执行：根据预测诊断结果和第二样本中的第二标签确定损失函数值，

参数调整子模块，用于针对第二样本集中的每个第二样本，分别执行：在损失函数值不满足训练停止条件的情况下，调整第三初始故障诊断模型的模型参数，并利用第二样本集训练参数调整后的第三初始故障诊断模型，直至损失函数值满足训练停止条件，得到目标故障诊断模型。

在一些实施方式中，损失函数值的计算公式为：

其中，L为损失函数值，m为第二样本集的序列长度，y

在一些实施方式中，为了进一步提升目标故障诊断模型的精度，参数调整子模块具体可以用于：

采用Adam算法调整第三初始故障诊断模型的模型参数，

Adam算法的表达式为：

m

v

g＝v

其中，m

在一些实施方式中，为了提升模型训练的精度，该装置还可以包括：

归一化模块，用于在利用第二样本集对第三初始故障诊断模型进行训练，得到训练后的目标故障诊断模型之前，对第二样本集进行归一化处理，

转换模块，用于将归一化处理后的第二样本集中的多个第二样本分别转换为第二特征向量，得到第二特征向量集，

第二训练模块704，包括：

训练子模块，用于利用第二特征向量集对第三初始故障诊断模型进行训练，得到训练后的目标故障诊断模型，

归一化处理的公式为：

其中，x′为归一化处理后的第二样本集，x为第二样本，min(x)为第二样本集中最小的第二样本，max(x)为第二样本集中最大的第二样本。

在一些实施方式中，目标故障诊断模型包括多个神经元，神经元为门控循环神经网络GRU。

在一些实施方式中，电池参数包括电压、充放电电流和电芯温度中的至少一项。

基于与故障诊断方法相同的发明构思，本申请实施例还提供了一种故障诊断装置。下面结合图8对本申请实施例提供的故障诊断装置进行详细说明。

图8示出了本申请一个实施例提供的一种故障诊断装置的结构示意图。

如图8所示，该故障诊断装置可以包括：

第二获取模块801，用于获取目标电池的目标电池参数，

诊断模块802，用于利用目标故障诊断模型，根据目标电池参数对目标电池进行故障诊断，得到目标诊断结果，目标故障诊断模型是基于上述实施例中的故障诊断模型的训练方法训练得到的。

由此，通过该目标故障诊断模型可以基于目标电池参数对目标电池进行准确地故障诊断，从而可以避免发生安全事故。

图9示出了本申请一个实施例提供的一种电子设备的结构示意图。

如图9所示，该电子设备9能够实现根据本申请实施例中的故障诊断模型的训练方法、故障诊断方法、故障诊断模型的训练装置和故障诊断装置的电子设备的示例性硬件架构的结构图。该电子设备可以指代本申请实施例中的电子设备。

该电子设备9可以包括处理器901以及存储有计算机程序指令的存储器902。

具体地，上述处理器901可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

存储器902可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器902可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器902可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器902可在综合网关容灾设备的内部或外部。在特定实施例中，存储器902是非易失性固态存储器。在特定实施例中，存储器902可包括只读存储器(ROM)，随机存取存储器(RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器902包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本申请的一方面的方法所描述的操作。

处理器901通过读取并执行存储器902中存储的计算机程序指令，以实现上述实施例中的任意一种故障诊断模型的训练方法和故障诊断方法。

在一个示例中，该电子设备还可包括通信接口903和总线904。其中，如图9所示，处理器901、存储器902、通信接口903通过总线904连接并完成相互间的通信。

通信接口903，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。

总线904包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线904可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

该电子设备可以执行本申请实施例中的压力确定方法，从而实现结合图1至图8描述的故障诊断模型的训练方法、故障诊断方法、故障诊断模型的训练装置和故障诊断装置。

另外，结合上述实施例中的故障诊断模型的训练方法和故障诊断方法，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令，该计算机程序指令被处理器执行时实现上述实施例中的任意一种故障诊断模型的训练方法和故障诊断方法。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。

以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。