一种基于卷积-注意力-GRU网络的船用箱式电源锂电池模块故障诊断方法与流程

本发明属电池故障诊断，具体涉及一种基于卷积-注意力-gru网络的船用箱式电源锂电池模块故障诊断方法。

背景技术：

1、船用箱式电源作为一种集成度高、布置灵活的新型移动储能装置，已在多类船舶上得到应用。锂电池模块是箱式电源的核心组成部分，其运行安全性直接关系到整船动力与供电系统的可靠性。在长期充放电循环及复杂海洋环境影响下，锂电池模块易出现过充、过放、外部短路、过热、低温运行以及soc异常等故障，这些故障若不能被及时识别，将可能导致热失控、舱室起火等严重安全事故。

2、现有的电池故障诊断方法大体可分为：基于机理建模的方法，如等效电路和电化学模型，依赖精确的模型参数，且在复杂载荷与温度工况下适应性较差；基于信号处理的方法，如频谱分析、小波变换等，对噪声较敏感，在电池老化和工况变化时易出现误判；基于传统机器学习的方法，如支持向量机、bp神经网络等，通常需要手工设计特征，且在多变量时间序列任务中的泛化能力不足。

3、近年来，深度学习被引入电池故障诊断领域，lstm-fcn等模型在时间序列分类任务中取得一定效果，但仍存在以下问题：模型参数量较大，计算开销高，不利于船载实时部署；对不同电气特征通道的区分能力有限，重要特征易被淹没；对关键时间片段的关注度不足，难以充分挖掘故障演化过程中的全局依赖关系。

4、因此，亟需一种能够同时兼顾多变量特征重要性和时序关键片段关注能力，且具有较低计算复杂度、适合船载在线部署的故障诊断方法与系统。

技术实现思路

1、为解决上述问题，本发明提供一种基于卷积-注意力-gru网络的船用箱式电源锂电池模块故障诊断方法，分类准确率更高且误报率和漏报率均维持在极低水平，显著提升船用箱式电源的安全管理能力。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于卷积-注意力-gru网络的船用箱式电源锂电池模块故障诊断方法，包括如下步骤：

4、s1：采集数据并构建多变量时间序列故障诊断数据集；

5、s2：对多变量时间序列故障诊断数据集中的数据进行预处理，并采用标准化方法对各特征维度进行归一化处理；

6、s3：将预处理后的多变量时间序列输入至卷积-注意力-gru网络模型；

7、s4：故障模式分类，将经自注意力模块处理后的全局时序特征映射为多个故障工况类别的概率分布，输出故障类别预测结果；

8、s5：模型训练与优化，将数据集按比例划分为训练集和验证集，采用深度学习训练策略，对所述卷积-注意力-gru网络模型进行端到端训练，对网络参数进行迭代更新，并对模型性能进行评估与调整；

9、s6：在线诊断与报警，在船用箱式电源实际运行过程中，将bms实时采集的多源电气参数输入经训练好的故障诊断模型，当任一故障类别概率超过预设阈值时，输出对应的故障类型、置信度以及关键特征变量和时间片段，并向上位机或船舶监控系统发送报警信号。

10、s1中，采集数据包括：通过电池管理系统bms采集船用箱式电源左、右电池系统在运行过程中的多源状态参数，包括系统运行时间、最高单体电压、最低单体电压、最高单体温度、最低单体温度、soc、最大单体压差和最大单体温差，并根据不同运行工况对数据进行标签标注，构建多变量时间序列故障诊断数据集。

11、s2中，数据预处理包括：

12、1）.滑动窗口切片：采用长度为q的滑动时间窗口对连续的时间序列数据进行切片，设定滑动步长为s，将连续的一维多元数据流转换为样本集合；

13、2）.数据清洗与重构：对切片后的数据进行缺失值线性插值填补与异常值平滑处理，将数据集重构为三维张量x∈n×q×m，其中n为样本总数，q为时间步长，m为特征变量个数;

14、3）z-score标准化：为消除不同电气参数量纲差异对模型收敛的影响，对每一特征维度m进行零均值单位方差标准化处理，公式为：

15、（1）；

16、式（1）中：x'是标准化后的数据，x是原始数据，μ是原始数据的均值，σ是原始数据的标准差。

17、所述s3中，卷积-注意力-gru网络模型包括一维卷积特征提取模块、通道注意力模块、门控循环单元gru模块、时序自注意力模块；

18、一维卷积特征提取模块，用于对输入序列进行多尺度卷积运算，提取局部时间邻域的高维特征；

19、通道注意力模块，通过挤压-激励机制对不同电气特征通道的权重进行自适应调节，突出与故障关联度高的特征通道；

20、门控循环单元gru模块，用于对经通道注意力加权后的特征序列进行时序建模，学习长时依赖关系；

21、时序自注意力模块，对门控循环单元gru模块输出的隐藏状态序列施加多头自注意力运算，计算不同时间步之间的相关性并得到故障关键时间片段的加权表示。

22、卷积-注意力-gru网络结构具体包括：

23、输入层、一维卷积层conv1d、通道注意力模块se、gru层、多头自注意力层、全局平均池化层、全连接层、softmax输出层；

24、一维卷积层conv1d包括：

25、1).卷积操作层：执行多尺度卷积运算；

26、2)批量归一化层：对卷积输出进行归一化，加速网络收敛，计算公式如下：

27、（5）；

28、3).非线性激活层：包括修正线性单元relu，增加模型的非线性特征提取能力，具体计算公式如下：

29、（6）；

30、所述一维卷积特征提取模块，用于对输入序列进行多尺度卷积运算，提取局部时间邻域的高维特征，该操作能够有效捕捉电压、温度等参数在局部时间窗口内的突变特征；

31、对于输入的时间序列x，第l层卷积层的第k个卷积核输出的计算公式为：

32、（7）；

33、式（7）中：为第l层的第k个卷积核权重，k为卷积核大小，为偏置项，为激活函数（relu），为上一层的输入；

34、门控循环单元gru模块用于对经特征提取后的序列进行时序建模，gru通过引入门控机制解决长序列训练中的梯度消失问题，其在时间步的隐藏状态计算过程如下：

35、1）更新门：决定前一时刻状态信息保留到当前状态的程度：

36、（8）；

37、2）重置门：决定如何将新的输入信息与前一时刻的记忆相结合：

38、（9）；

39、3）候选隐藏状态：

40、（10）；

41、4）最终隐藏状态：

42、（11）；

43、式（8）、式（9）、式（10）、式（11）中，为当前时刻输入，为sigmoid激活函数，表示哈达玛积，即按元素乘法，和b分别为权重矩阵和偏置向量。

44、所述通道注意力模块与时序自注意力模块组合构成双重注意力机制；

45、通道注意力模块基于挤压-激励结构，包括：

46、1）.挤压：

47、通过全局平均池化将时间维度压缩，将特征图转换为通道统计量；

48、第个通道的统计量计算公式为：

49、（2）；

50、2）.激励：

51、利用两个全连接层学习通道间的非线性交互关系，生成通道权重：

52、（3）；

53、式（2）、式（3）中：为relu激活函数，为sigmoid激活函数，和为降维和升维的全连接层权重；

54、最终通过对原始特征通道进行加权，突出故障相关的关键电气特征；

55、时序自注意力模块基于多头自注意力结构，用于捕捉故障演化的全局时序依赖，将门控循环单元gru模块的的隐藏状态序列h，分别通过线性变换映射为查询矩阵q、键矩阵k和值矩阵v，并通过点积注意力与归一化操作获得不同时间步的注意力权重，并对整个时间序列进行加权求和，得到全局时序特征表示，包括：

56、1）.注意力权重计算：采用缩放点积模型计算不同时间步之间的相关性分数，相关性分数通过查询矩阵q与键矩阵k的转置进行点积运算获得，即，并通过softmax归一化得到注意力权重矩阵，计算公式如下：

57、（4）；

58、式（4）中：为键向量的维度，除以用于防止点积结果过大导致梯度消失；

59、2）多头机制：将上述过程并行执行次，即个头，拼接所有头的输出并进行线性投影，从而在不同的子空间中捕捉故障特征的时序关联。

60、s5中，采用带有早停和最佳权重保存机制的深度学习训练策略，以多分类交叉熵为损失函数、以分类准确率作为训练过程中的主要性能监控指标，利用已标注的多变量时间序列数据对所述卷积-注意力-gru网络进行端到端训练，通过adam优化器对网络参数进行迭代更新，并通过验证集准确率、损失曲线以及混淆矩阵对模型性能进行评估与调整，具体步骤如下：

61、1）训练策略与评估：设定最大训练轮数与早停耐心值，在训练过程中，实时监控模型在验证集上的准确率与损失曲线，若验证集损失在连续10个训练轮次内未下降，触发早停机制并保存最优权重，同时，对模型在各故障类别上的误判情况进行细致评估与调整。

62、2)损失函数计算：采用多分类交叉熵损失函数衡量预测分布与真实标签的差异，公式为：

63、（12）；

64、式（12）中：n为批次样本数，c为故障类别总数，为真实标签，为模型预测概率。

65、3)参数迭代优化：采用 adam优化算法对网络权重参数进行自适应更新；

66、该算法结合了动量法和rmsprop算法的优势，通过计算梯度的一阶矩估计，即梯度的均值和二阶矩估计，即梯度的未中心化方差，为不同的参数设计独立的自适应学习率；

67、具体而言，利用反向传播算法计算损失函数相对于各参数的梯度，随后对梯度的一阶矩和二阶矩进行指数加权移动平均，并进行偏差修正，最终根据修正后的矩估计值更新网络参数，以加速模型收敛并防止局部震荡，当验证集上的分类准确率不再提升或损失函数不再下降时，停止训练并保存最优模型权重，具体计算过程如下：

68、在t时刻，网络参数的更新步骤如下：

69、1）.计算梯度：计算目标函数 l 关于参数的梯度：

70、（13）；

71、2）.分别计算一阶矩估计和二阶矩估计：

72、（14）；

73、（15）；

74、3）.偏差修正：对和进行偏差修正，消除初始化为0带来的偏差：

75、（16）；

76、（17）；

77、4）.参数更新：利用修正后的矩估计更新参数：

78、（18）；

79、模型训练与优化进一步包括：采用混淆矩阵、kappa系数、f1-score及平均推理时间四项作为综合评价指标：

80、1）.混淆矩阵分析：通过矩阵横纵坐标分别表示实际类别与预测类别，用于直观评估模型对过充、过放、过热等特定故障类别的误诊率与漏诊率。

81、2).f1-score：综合考虑精确率和召回率的调和平均数，公式为：

82、（19）；

83、3)kappa系数：用于一致性检验，排除随机分类造成的准确率虚高，公式为：

84、（20）；

85、式（20）中：为观测准确率，为期望准确率。

86、4).平均推理时间：计算模型处理单个样本所需的平均毫秒数，用于评估是否满足船舶系统的实时性要求。

87、s6中，报警阈值根据卷积-注意力-gru网络模型在验证集上的roc曲线及不同故障模式的风险等级自适应设定，以在误报率、漏报率和报警响应时间之间取得平衡。

88、本发明的主要有益效果在于：

89、1.诊断精度与可靠性双高

90、本发明创新融合一维卷积、通道注意力、gru与时序自注意力的四重特征提取架构，既能通过卷积模块捕捉局部故障特征，又能借助双重注意力机制自适应加权关键特征通道与故障演化的关键时间片段，有效解决传统模型特征关注度不足的问题。

91、2.强实时性与船载部署适配性

92、本发明采用轻量化网络结构设计，结合滑动窗口预处理与高效推理策略，模型平均推理时间短，可满足船载系统实时诊断需求。在线诊断环节能在45秒内完成故障识别与报警，且模型参数量适中，对硬件资源要求低，可直接部署至船舶现有bms系统，无需额外加装复杂设备，具备工程实用性。

93、3.复杂工况下的鲁棒性优异

94、预处理阶段的异常点过滤与标准化操作，有效降低海洋环境中盐雾、振动等因素带来的信号噪声干扰；gru模块与注意力机制的结合，增强了模型对电池老化、工况波动等复杂场景的适应性，相较于传统lstm-fcn模型，本方法在多变量时序数据处理中泛化能力更强，可稳定应用于不同船型、不同容量等级的箱式电源锂电池模块。

95、4.智能化运维与安全管理支撑

96、本发明不仅能输出故障类别与置信度，还能定位故障关联的关键特征变量和时间片段，为运维人员提供精准的故障溯源依据。同时，自适应阈值设定机制可根据故障风险等级动态调整报警策略，在误报率、漏报率与响应时间间实现最优平衡，助力船舶电源系统从被动维修向预防性维护转变，显著提升船舶动力与供电系统的运行安全性和可靠性。