一种ShuffleDarkNet37-SE的新能源汽车动力电池故障分类方法

技术领域

本发明属于故障监测、故障分类领域，涉及一种ShuffleDarkNet37-SE的新能源汽车动力电池故障分类方法，适用于新能源汽车动力电池故障的分类。

背景技术

新能源汽车电池故障分类预测方法主要分为以下3类：统计分析方法、物理模型方法和机器学习方法。统计分析方法通过对历史故障数据进行统计分析以确定不同故障类型的分类预测准确。

统计方法只适用于具有统计规律或周期性规律的场景，而新能源汽车的行驶环境、电池使用环境以及电池包的材料性质都不具备周期性或相似性，只能对单个品牌在相似运营环境下进行建模，效率极低，泛化性太差，可见统计方法并不适用于新能源汽车电池故障分类预测。

物理模型方法通过建立电池内部的化学反应、热传导、电流分布模型以实现对不同故障类型的分类预测。这种方法要求建立带有精确参数的电池的内部精确模型，但会随着每个单体电池使用的不同产生每个单体电池的偏差，分类预测的精度不能很好地保证。

机器学习方法包括时间序列方法、图像卷积神经网络方法、深度神经网络方法。时间序列方法又包括循环神经网络、长短期记忆网络、双向长短期记忆网络、门控网络方法，主要适用于时间序列特性较强的预测问题。深度神经网络方法主要适用于数据维度不多的不容易造成过拟合的数据的分类和预测问题。图像卷积神经网络因为有深度卷积模块，从而被应用于图像领域和数据维度较多的分类和预测问题。

目前尚没有一种方法既能够快速训练又能获得高精度的效果，同时还适用于多种数据集。针对每种不同的数据集，需要将网络进行特定的反复的试验和匹配。受到ShuffleNet和DarkNet53的启发，将这两种方法的结果采用深度全连接层进行综合，提升新能源动力电池故障分类的准确度。

发明内容

发明提出一种ShuffleDarkNet37-SE的新能源汽车动力电池故障分类方法，将ShuffleNet、DarkNet53和SENet进行结合，用于新能源汽车动力电池故障的分类，提高新能源汽车电池故障分类的准确率和效率，减少汽车电池故障；在使用过程中的步骤为：

A、在汽车传感器获取新能源汽车初始数据后，对新能源汽车初始数据预处理；

所述步骤A包括：

(1)、对原始数据进行数据清洗，将原始数据中存在的无意义数据和异常值数据进行删除；

(2)、数据样本的数量存在不平衡情况，采用线性差值法进行数据扩充，所述线性差值法为：

式中，x

(3)、数据数量级差别太大会致使新能源汽车故障分类精度产生太大误差，采用最大最小归一化法对数据进行归一化处理消除各维数据之间存在的量级差别，所述最大最小归一化法为：

式中，x

(4)、数据冗余会影响模型的故障分类性能，利用皮尔逊相关系数法降低数据的维度，所述的皮尔逊相关系数法为：

式中，ρ为X、Y两列数据的相关系数值；cov(X,Y)为X、Y之间的协方差；σ

(5)、降低数据维度后，将数据样本转化为40×40×1大小的图片作为分类模型的最终输入；

(6)、将数据划分为训练集和测试集，训练集与测试集的比值为2:1；

B、在数据预处理后，将数据输入ShuffleDarkNet37-SE分类网络；

所述分类网络包括：

(1)、将DarkNet53减少16层卷积层以降低网络的计算参数，使分类模型轻量化，将网络命名为DarkNet37；

(2)、注意力通道可以聚焦重要特征，将通道注意力模块融合进DarkNet37网络，组合成为DarkNet37-SE网络；

(3)、将ShuffleNet和DarkNet37-SE的结果通过全连接层网络结合，再通过归一化指数输出分类概率，形成ShuffleDarkNet37-SE分类方法，该方法吸取两个网络各自的优点，提高分类的精度；所述的归一化指数为：

式中，exp是自然常数；x

C、输出新能源汽车电池故障分类结果进行预警。

2.根据权利要求1所述的一种ShuffleDarkNet37-SE的新能源汽车动力电池故障分类方法，其特征在于，DarkNet37由二维卷积层，1个208×208×64的残差卷积层，2个104×104×128的残差卷积层，5个52×52×256的残差卷积层，5个26×26×512的残差卷积层，2个13×13×1024的残差卷积层组成。

3.根据权利要求1所述的一种ShuffleDarkNet37-SE的新能源汽车动力电池故障分类方法，其特征在于，DarkNet37-SE由一个CBL层，1个208×208×64的残差卷积层，2个104×104×128的残差卷积层，SENet层，5个52×52×256的残差卷积层，SENet层，5个26×26×512的残差卷积层，SENet层，2个13×13×1024的残差卷积层，1个平均输出层，1个全连接层，1个Softmax层组成。

本发明相对于现有技术具有如下的优点及效果：

(1)相比其他方法，本发明构建了一种深度学习网络模型用于新能源汽车动力电池故障分类。该方法不需要繁琐对特征进行人工提取。本发明所预设的网络模型通过监督学习学习大量有标签的数据，再将需要分类的新能源汽车电池数据代入训练好的网络模型，便可输出分类的结果。因此，本发明方法能够有效地对新能源汽车动力电池故障进行分类，有利于更早发现电池故障，防止因新能源汽车电池故障检测不及时而导致的损失甚至人身安全危害。

(2)本发明对DarkNet53进行改进，减少16层卷积层以降低计算参数量。将通道注意力机制融入改进后的DarkNet37网络中。其中，通道注意力机制模块能够让网络模型从特征通道上学习感兴趣的重要信息，忽略无关的信息，提高网络模型的分类准确率和鲁棒性。

(3)本发明通过将ShuffleNet、DarkNet37和通道注意力机制聚合在一起分析，最后用全连接和Softmax输出故障分类概率。这种综合考虑多个网络模型的方法，能够在轻量化的前提下获得更高的分类准确率

附图说明

图1是本发明方法的整体流程图。

图2是本发明方法中ShuffleDarkNet37-SE的整体结构图。

图3是本发明方法中DarkNet37-SE的整体结构图。

具体实施方式

本发明提出的一种ShuffleDarkNet37-SE的新能源汽车动力电池故障分类方法，结合附图详细说明如下：

图1是本发明方法的整体流程图。首先，获取数据。然后，进行数据预处理。数据预处理包括数据清洗、数据扩充、数据归一化、相关性分析，最后生成最终图片样本。然后进行数据集划分。将划分好的数据集输入ShuffleNet和DarkNet37-SE。然后将ShuffleNet和DarkNet37-SE输出的结果采用全连接神经网络进行结合。最后，输出预测结果。

图2是本发明方法中ShuffleDarkNet37-SE的整体结构图。ShuffleDarkNet37-SE由ShuffleNet、DarkNet37-SE和深度全连接层组成。

图3是本发明方法中DarkNet37-SE的整体结构图。DarkNet37-SE由一个CBL层，1个208×208×64的残差卷积层，2个104×104×128的残差卷积层，SENet层，5个52×52×256的残差卷积层，SENet层，5个26×26×512的残差卷积层，SENet层，2个13×13×1024的残差卷积层，1个平均输出层，1个全连接层，1个Softmax层组成。

以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。