低空飞行器锂离子电池异常检测方法及系统与流程

本发明涉及锂电池安全检测，尤其涉及一种低空飞行器锂离子电池异常检测方法及系统。

背景技术：

1、低空飞行器（如工业巡检无人机、应急救援飞行器和城市物流配送飞行器等）的锂电池是保障其运行安全的核心部件。与地面应用场景不同，低空飞行器的锂电池部署于频繁启停、高空低温和高振动的复杂空域环境中，电池异常失控极易引发坠机和设备损毁等严重事故，对人员安全和财产安全构成重大威胁。因此，对低空飞行器锂离子电池进行实时、精准的异常检测，是保障低空飞行作业安全的关键技术环节。

2、现有锂电池异常检测方法主要包括基于固定阈值的规则判断方法、基于传统机器学习（如支持向量机、随机森林）的检测方法，以及基于深度学习的端到端检测方法。其中，基于固定阈值的方法虽然实现简单，但缺乏自适应能力，无法应对低空飞行器的复杂动态工况；基于基础机器学习的方法虽然具备一定的数据拟合能力，但特征工程依赖人工经验，对多模态隐式关联的捕捉能力不足；基于大模型的方法虽然具备强特征抽象能力，但模型参数量大、推理延迟高，且缺乏针对低空飞行器特种场景的专业适配，难以适配低空飞行器的特殊工况。

3、因此，现在亟需一种低空飞行器锂离子电池异常检测方法及系统来解决上述问题。

技术实现思路

1、针对现有技术存在的问题，本发明提供一种低空飞行器锂离子电池异常检测方法及系统。

2、本发明提供一种低空飞行器锂离子电池异常检测方法，包括：

3、获取待检测锂电池运行数据；

4、对所述待检测锂电池运行数据进行多维特征处理，得到所述待检测锂电池运行数据对应的目标高维特征矩阵；

5、将所述目标高维特征矩阵输入至异常检测模型中，得到由所述异常检测模型输出的锂电池初步检测结果，其中，所述异常检测模型是基于时序深度学习网络构建，并采用轻量化参数微调策略训练得到；

6、基于标准化规则库，对所述锂电池初步检测结果进行校验，得到锂电池异常检测结果，其中，所述标准化规则库是基于大语言模型对多模态样本特征关联规律的挖掘结果，与初始规则集进行一致性校验与互补性补充后构建得到的。

7、根据本发明提供的一种低空飞行器锂离子电池异常检测方法，所述异常检测模型通过以下步骤训练得到：

8、构建包含特征编码器、异常分类器及解释生成器的端到端模型架构，其中，所述特征编码器为改进的transformer架构，用于将原始时序数据及多维特征矩阵编码为样本特征向量；所述异常分类器用于将所述样本特征向量，映射为异常概率及异常类型概率分布；所述解释生成器用于根据所述异常类型概率分布和注意力权重，生成异常解释信息；

9、基于对比学习损失和预设公开锂电池数据集的时序数据，对所述端到端模型架构进行无监督预训练，得到预训练模型，其中，在无监督预训练过程中，低温样本和高倍率样本设置有对应的加权系数；

10、基于交叉熵损失和低空飞行器样本标注数据集，对所述预训练模型进行有监督微调，得到微调后模型，其中，所述低空飞行器样本标注数据集中的高空场景样本数量大于低空场景样本数量；在有监督微调过程中，所述低空飞行器样本标注数据集中的热失控异常样本设置有对应的误判惩罚系数；

11、对所述微调后模型进行轻量化优化，得到所述异常检测模型。

12、根据本发明提供的一种低空飞行器锂离子电池异常检测方法，所述特征编码器通过以下步骤将原始时序数据及多维特征矩阵编码为样本特征向量：

13、将所述原始时序数据输入嵌入层，得到时序嵌入向量；

14、基于全连接层，将所述多维特征矩阵映射为特征嵌入向量；

15、将所述时序嵌入向量和所述特征嵌入向量进行逐位置融合，得到融合嵌入序列；

16、将所述融合嵌入序列输入局部自注意力层，得到注意力增强序列；

17、将所述注意力增强序列输入前馈网络层，得到编码输出序列；

18、对所述编码输出序列进行全局平均池化，输出所述样本特征向量。

19、根据本发明提供的一种低空飞行器锂离子电池异常检测方法，所述异常分类器通过以下步骤将所述样本特征向量映射为异常概率及异常类型概率分布：

20、将所述样本特征向量输入第一全连接层，经激活函数映射输出异常概率；

21、将所述样本特征向量输入第二全连接层，经归一化激活输出异常类型概率分布。

22、根据本发明提供的一种低空飞行器锂离子电池异常检测方法，所述解释生成器通过以下步骤生成异常解释信息：

23、根据所述异常类型概率分布查询所述标准化规则库，并提取匹配得到的目标标准化规则对应的触发条件及阈值参数；

24、基于所述特征编码器的注意力权重，确定关键影响特征和关键时间步；

25、基于所述触发条件、所述阈值参数、所述关键影响特征和所述关键时间步，生成包含异常类型、异常原因及规则标识的异常解释信息。

26、根据本发明提供的一种低空飞行器锂离子电池异常检测方法，所述对所述微调后模型进行轻量化优化，得到所述异常检测模型，包括：

27、对所述微调后模型进行编码器层数裁剪；

28、对编码器层数裁剪后的模型进行推理加速优化；

29、对推理加速优化后的模型进行量化压缩，得到所述异常检测模型。

30、根据本发明提供的一种低空飞行器锂离子电池异常检测方法，所述对所述待检测锂电池运行数据进行多维特征处理，得到所述待检测锂电池运行数据对应的目标高维特征矩阵，包括：

31、将所述待检测锂电池运行数据按滑动窗口切分，计算每个窗口内的时序统计特征，得到时序统计特征数组，其中，所述时序统计特征数组包括均值、方差、最大值、最小值、中位数、偏度、峰度和趋势斜率变化特征；

32、将所述待检测锂电池运行数据的时序序列输入跳变计算函数，得到跳变特征数组，其中，所述跳变计算函数是基于相邻差值函数构建得到的；所述跳变特征数组包括瞬时跳变值、跳变率、累计跳变和跳变占比；

33、基于所述待检测锂电池运行数据的电压、电流和温度序列进行相关性计算，得到关联特征数组，其中，所述关联特征数组包括实时相关系数、滞后相关特征、比值特征和一致性特征；

34、基于预设标准化函数，分别对所述时序统计特征数组、所述跳变特征数组及所述关联特征数组进行标准化处理，得到对应的标准化特征；

35、将各个所述标准化特征与各个所述标准化特征对应的扩展衍生特征进行向量拼接融合，得到所述目标高维特征矩阵。

36、根据本发明提供的一种低空飞行器锂离子电池异常检测方法，所述标准化规则库通过以下步骤构建得到：

37、将多模态样本特征、场景标签和预设特征关联规律挖掘任务指令输入大语言模型，得到异常关联模式集合，其中，所述多模态样本特征包括样本时序统计特征、样本跳变特征数组和样本关联特征；

38、基于异常样本支持数量和预设判定准确率，对所述异常关联模式集合进行筛选，得到有效关联模式候选集；

39、将所述有效关联模式候选集与所述初始规则集进行一致性校验，并根据一致性校验结果，生成修正规则列表；

40、将所述修正规则列表与所述初始规则集进行互补性融合，得到融合规则集；

41、将所述融合规则集转换为包含异常类型标识、触发条件、阈值参数、优先级和适用场景的结构化字典格式，得到所述标准化规则库。

42、根据本发明提供的一种低空飞行器锂离子电池异常检测方法，所述基于标准化规则库，对所述锂电池初步检测结果进行校验，得到锂电池异常检测结果，包括：

43、获取当前场景参数，其中，所述当前场景参数包括海拔数据及温度数据；

44、将所述锂电池初步检测结果与所述当前场景参数输入至所述标准化规则库，匹配得到对应场景的规则触发条件；

45、当所述锂电池初步检测结果与所述规则触发条件不一致时，基于所述规则触发条件调整所述锂电池初步检测结果，得到调整后的检测结果；

46、将所述调整后的检测结果进行格式化处理，得到具有异常状态、异常类型、异常原因、关键影响参数、规则标识和异常等级的所述锂电池异常检测结果。

47、本发明还提供一种低空飞行器锂离子电池异常检测系统，包括：

48、数据采集模块，用于获取待检测锂电池运行数据；

49、特征提取模块，用于对所述待检测锂电池运行数据进行多维特征处理，得到所述待检测锂电池运行数据对应的目标高维特征矩阵；

50、异常检测模块，用于将所述目标高维特征矩阵输入至异常检测模型中，得到由所述异常检测模型输出的锂电池初步检测结果，其中，所述异常检测模型是基于时序深度学习网络构建，并采用轻量化参数微调策略训练得到；

51、检测结果校验模块，用于基于标准化规则库，对所述锂电池初步检测结果进行校验，得到锂电池异常检测结果，其中，所述标准化规则库是基于大语言模型对多模态样本特征关联规律的挖掘结果，与初始规则集进行一致性校验与互补性补充后构建得到的。

52、本发明提供的低空飞行器锂离子电池异常检测方法及系统，通过对待检测锂电池运行数据进行多维特征处理，进而将得到的目标高维特征矩阵；输入至基于时序深度学习网络和轻量化参数微调策略训练得到异常检测模型中，得到锂电池初步检测结果；再基于标准化规则库对锂电池初步检测结果进行校验，得到锂电池异常检测结果，从而提高了低空飞行器锂电池的异常检测准确率，实现了异常检测的精准性、实时性与工程可部署性的统一。