一种基于新能源汽车实时运行数据的异常检测方法及装置与流程

1.本发明涉及新能源汽车动力电池异常检测技术领域，尤其涉及一种基于新能源汽车实时运行数据的异常检测方法及装置。


背景技术：

2.新能源汽车动力电池的运行安全一直是困扰新能源汽车发展的核心问题之一。传统bms中的为了动力电池安全而增加的简单安全措施(传感器监控、接触器、绝缘层、电压电流温度限制操作)，随着新能源汽车的日趋智能化、集成化，以及续航里程要求的越来越高，其对动力电池的保护已然不够充分，bms的硬件和软件实现也变的越来越困难。故障诊断算法作为bms强有力的支撑，它主要负责有效及早的检测出故障，目前，虽然故障诊断算法研究在提高安全性方面取得了一定的进展，但是在运行安全方面存在一定的局限性，特别是基于新能源汽车实时运行数据(按照gb/t 32960-2016要求采集)，针对新能源汽车动力电池系统的运行安全的故障诊断算法研究尚处在起步阶段，缺乏系统性的研究成果。
3.申请人发现现有技术中至少存在如下问题：无法准确且高效地实现新能源汽车的异常检测。


技术实现要素：

4.本发明实施例所解决的技术问题是无法准确且高效地实现新能源汽车的异常检测的问题。
5.为达上述目的，一方面，本发明实施例提供了一种基于新能源汽车实时运行数据的异常检测方法，包括以下步骤：
6.获取新能源汽车动力电池系统的监测参数的实时运行数据和监测参数的历史健康数据，基于失效分析得到关键监测参数的实时运行数据和关键监测参数的历史健康数据；
7.将关键监测参数的实时运行数据和关键监测参数的历史健康数据结合多元状态估计技术，得到异常检测模型和异常检测模型中各个监测参数的残差，所述残差包括健康残差和实际残差；
8.将所述残差进行序贯概率比检验，基于序贯概率比检验的指数，得到新能源汽车动力电池系统的异常检测结果。
9.另一方面，本发明实施例提供了一种基于新能源汽车实时运行数据的异常检测装置，包括：
10.获取单元，用于获取新能源汽车动力电池系统的监测参数的实时运行数据和监测参数的历史健康数据，基于失效分析得到关键监测参数的实时运行数据和关键监测参数的历史健康数据；；
11.计算单元，用于将关键监测参数的实时运行数据和关键监测参数的历史健康数据结合多元状态估计技术，得到异常检测模型和异常检测模型中各个监测参数的残差，所述
残差包括健康残差和实际残差；
12.检测单元，用于将所述残差进行序贯概率比检验，基于序贯概率比检验的指数，得到新能源汽车动力电池系统的异常检测结果。
13.上述技术方案具有如下有益效果：本技术通过研究分析动力电池内外故障失效机理选取出一个精准但不过于复杂的动力电池监测参数集合，针对bms故障诊断的有效性和历史数据的完备度之间的权衡问题，提出一种基于实时运行数据的高效异常检测方法，能够准确地检测出动力电池系统退化时的异常状态。训练过程效率高，耗时短。
附图说明
14.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
15.图1是本发明实施例提供的一种基于新能源汽车实时运行数据的异常检测方法的流程图；
16.图2是本发明实施例提供的一种基于新能源汽车实时运行数据的异常检测装置的结构示意图；
17.图3是本发明实施例提供的一种基于新能源汽车实时运行数据的异常检测方法的第一种实施方式流程图。
具体实施方式
18.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.本发明提供了一种基于新能源汽车实时运行数据的异常检测方法，如图1所示，包括以下步骤：
20.s101：获取新能源汽车动力电池系统的监测参数的实时运行数据和监测参数的历史健康数据，基于失效分析得到关键监测参数的实时运行数据和关键监测参数的历史健康数据；
21.s102：将关键监测参数的实时运行数据和关键监测参数的历史健康数据结合多元状态估计技术，得到异常检测模型和异常检测模型中各个监测参数的残差，所述残差包括健康残差和实际残差；
22.s103：将所述残差进行序贯概率比检验，基于序贯概率比检验的指数，得到新能源汽车动力电池系统的异常检测结果。
23.如图3所示，将关键监测参数的实时运行数据和关键监测参数的历史健康数据结合多元状态估计技术，得到异常检测模型和异常检测模型中各个监测参数的残差，所述残差包括健康残差和实际残差，具体包括：
24.根据关键监测参数的实时运行数据建立观测矩阵；
25.计算观测矩阵的估计矩阵；
26.利用所述估计矩阵计算实际残差。
27.所述将关键监测参数的实时运行数据和关键监测参数的历史健康数据结合多元状态估计技术，得到异常检测模型和异常检测模型中各个监测参数的残差，所述残差包括健康残差和实际残差，还包括：
28.根据所述关键监测参数的历史健康数据形成训练数据；
29.根据所述训练数据建立记忆矩阵，同时形成剩余训练数据；
30.根据所述记忆矩阵和所述剩余训练数据计算剩余训练数据的估计矩阵；
31.利用所述估计矩阵计算健康残差。
32.其中：
33.关键监测参数数据的选取：
34.基于mset的动力电池异常检测第一步就是选取动力电池关键监测参数。通过对动力电池工作原理的分析，选取动力电池的关键监测参数，基于预期故障关系模型，选取上汽通用五菱新能源汽车动力电池系统相关数据参数。
35.观测矩阵的获取：
36.通过数据采集系统收集得到，由动力电池关键监测参数数据组成的观测矩阵，记为x
obs
。
37.在观测矩阵x
obs
中，横坐标表示是时间状态，纵坐标表示的是监测参数。观测矩阵x
obs
为一个n
×
m矩阵，n表示的是监测参数的个数，m表示的是时间状态的个数。
38.观测矩阵x
obs
：
[0039][0040]
x
ji
表示的是，j个监测参数在时间状态ti处的观测值。监测参数xj在各个时间状态下的观测值所组成的序列可表示为向量xj，
[0041]
xj＝[x
j1
,x
j2
,
…
,x
jm
].
[0042]
同样，在某一特定时间状态ti时，所以监测参数的观测值所组成的向量x(ti)可表示为下式所示，
[0043]
x(ti)＝[x
1i
,x
2i
,
…
,x
ni
]
t
.
[0044]
训练数据的选取：
[0045]
由动力电池的各个监测参数在正常运行状态下所组成的数据矩阵，称为训练数据，用大写字母t表示。所谓正常运行状态是指动力电池在低失效率的环境下的运行状态。对于大部分电子产品或系统而言，其失效率的高低服从浴盆曲线，即在无外界干扰的情况下，产品或系统在运行初期以及运行后期是高失效率时期，而其运行中期则是相对的低失效率时期。所以本文针对实际工程应用，根据动力电池的运行特性，将动力电池全寿命运行中期认为是正常运行状态。换而言之，动力电池的正常运行状态即是指其在低失效率时期的运行状态。当然，从监测参数的数据角度来说，动力电池的正常运行状态是指各个监测参数的平稳变化状态，而且其中的平稳变化状态还包括每个监测参数的正常退化状态。
[0046]
训练数据t也可以构成类似的数据矩阵。假设训练数据t总共包含了k个时间状态，则训练数据t可表示为：
[0047][0048]
记忆矩阵的创建：
[0049]
从训练数据t中，按照相应的选取步骤，创建形成的数据矩阵，称为记忆矩阵，用大写字母d表示。
[0050]
假设所选取的观测矩阵x
obs
，记忆矩阵d包含的时间状态数为k1，那么记忆矩阵d可表示为一个n
×
k1的数据矩阵，其中n代表的是监测参数的个数，k1代表的是记忆矩阵d所包含的时间状态数。则记忆矩阵d可表示为：
[0051][0052]
记忆矩阵d的选取步骤：
[0053]
step 1根据监测参数的个数n和实际应用，人为主观确定从训练数据t中，所需要选取的时间状态数，即记忆矩阵d中所包含的时间状态数k1；
[0054]
step 2从训练数据t中，选取各个监测参数极值时的时间状态。一般情况下，记忆矩阵d中所包含的时间状态数k1大于等于监测参数极值时的时间状态数，不可能小于监测参数极值时的时间状态数。如果监测参数极值时的时间状态数等于k1，那么记忆矩阵d的创建完成；否则转入step 3；
[0055]
step 3如果已选取的监测参数极值时的时间状态数小于k1，那么继续按照如下规则继续选取：
[0056]
计算出将此时训练数据t的欧几里德范数，记为向量t
norm
；
[0057]
将向量t
norm
按照降序或升序排列后得到的向量，记为向量t
sort
；
[0058]
按照等距抽样的方法，从向量t
sort
中，将剩余的记忆矩阵d的时间状态数选取完毕。
[0059]
关于剩余训练数据的形成：
[0060]
从训练数据t中，除去记忆矩阵d中所包含的时间状态，剩余的时间状态即形成剩余训练数据，用大写字母l表示。
[0061]
假设剩余训练数据l中所包含的时间状态数为k2。那么结合训练数据t，记忆矩阵d和剩余训练数据l有如下等式关系：
[0062][0063]
式中k＝k1 k2。
[0064]
关于计算观测矩阵的估计矩阵：
[0065]
根据观测矩阵x
obs
计算得到x
obs
的估计矩阵，即为观测矩阵x
obs
的估计矩阵，记为x
est
。
[0066]
x
est
＝d
·
w，
[0067]
式中w为权值向量，表示的是当前状态估计和记忆矩d阵之间的一种相似性测度，权值向量w可通过如下等式求得：
[0068]
minε＝min(|x
obs-x
est
|)＝min(|x
obs-d
·
w|)，
[0069]
即
[0070]
minε2＝min[(x
obs-d
·
w)
t
·
(x
obs-d
·
w)]
[0071]
当ε在最小化的约束条件下，令时，权值向量w的最小平方误差估计解可表示为：
[0072]
w＝(d
t
·
d)-1
·
(d
t
·
x
obs
)
[0073]
所以，即可以得到x
est
为：
[0074]
x
est
＝d
·
(d
t
·
d)-1
·
(d
t
·
x
obs
)
[0075]
计算剩余训练数据的估计矩阵：
[0076]
根据剩余训练数据l的定义，计算得到剩余训练数据l的估计矩阵，即为剩余训练数据l的估计矩阵，记为l
est
。
[0077]
l
est
＝d
·w′
，
[0078]
式中w
′
为权值向量，同样表示的是当前状态估计和记忆矩阵之间的一种相似性测度，所以同理，权值向量w
′
可通过如下等式求得：
[0079]
minε＝min(|l-l
est
|)＝min(|l-d
·w′
|)，
[0080]
即
[0081]
minε2＝min[(l-d
·w′
)
t
·
(l-d
·w′
)]
[0082]
同理，当ε在最小化的约束条件下，即令得权值向量w
′
的最小平方误差估计解可表示为：
[0083]w′
＝(d
t
·
d)-1
·
(d
t
·
l)
[0084]
所以同理，即可以得到l
est
为：
[0085]
l
est
＝d
·
(d
t
·
d)-1
·
(d
t
·
l)
[0086]
所述将所述残差进行序贯概率比检验，得到新能源汽车动力电池系统异常检测结果，具体包括：
[0087]
如果λ(yn)≥b，则接受假设h1，h1为概率密度函数一；
[0088]
如果λ(yn)≤a，则接受假设h0，h0为概率密度函数二；
[0089]
如果a＜λ(yn)＜b，继续采样，然后重复比较；
[0090]
其中，λ(yn)代表似然比函数，a和b是常数，且0＜a＜1＜b＜∞，yn为n个独立同分
布样本。
[0091]
计算实际残差，具体包括：
[0092]rx
＝x
est-x
obs
；
[0093]
其中，x
obs
为观测矩阵，x
est
为估计矩阵，r
x
为实际残差。
[0094]rl
＝l
est-l；
[0095]
l为剩余训练数据的估计矩阵；l
est
为剩余训练数据的估计矩阵，r
l
为健康残差。
[0096]
序贯秩和概率比检验研究：
[0097]
srprt对样本数据的要求比较弱，因为其要求样本数据的潜在分布关于其中值或均值对称。正是由于这个特点，srprt方法在实际应用中更容易得到满足并比其它基于特定分布的假设更趋于合理。srprt方法是以wilcoxon符号秩统计为基础，为计算sprt中的似然函数比，srprt使用wilcoxon符号秩统计量w在假设hi下的概率——p(wi；m)来替换似然函数l(yn；hi)，从而srprt得到相应的似然函数比为：
[0098][0099]
srprt的关键是使用观测样本的wilcoxon符号秩和统计量代替sprt方法中基于特定分布的常规统计量。但是使用srprt方法进行检验，只能进行均值检验。
[0100]
假设原始残差样本为x＝[x1,x2,
…
,xn]，那么计算符号秩和统计量及其概率分布的方法步骤如下：
[0101]
step 1假设假设检验问题为：
[0102]
h0:μ＝μ0,h1:μ＝μ1.
[0103]
step 2在假设hi下，将每个原始残差样本xj减去假设均值μi，此时，得到新的残差样本序列x
1,i
,x
2,i
,
…
,x
n,i
，亦即
[0104]
x
j,i
＝x
j-μi，
[0105]
式中j(j＝1,2,
…
,n)为样本序号，i(i＝0,1)为假设序号。
[0106]
step 3将得到的新残差样本序列x
1,i
,x
2,i
,
…
,x
n,i
按照其绝对值大小进行重新排列，使得
[0107][0108]
step 4去掉绝对值为零的重排样本。设去掉绝对值为零的重排样本后剩余m个重排样本，然后根据每个重排样本在整个序列中的位置赋予其秩值r，对于重排序列中具有相同绝对值的样本赋予其秩值为它们秩值的平均值(比如对排列序号为j,j 1,j 2的3个具有相同绝对值的重排样本赋予它们以相同的平均秩值j 1)；根据重排样本数值的正负赋予符号指示函数ψ。对应重排样本的秩值r和指示函数ψ分别如下两式所示，
[0109][0110][0111]
式中k＝1,2,
…
,n。
[0112]
step 5得到假设hi下的wilcoxon符号秩和统计量w
i
和w
i-分别如下式所示，它们是
服从某种分布函数的离散随机变量。
[0113][0114]wi-＝m(m 1)/2-w
i
.
[0115]
对于双边假设检验，应取检验统计量wi＝min(w
i
,w
i-)。在小样本容量(m≤20)时，p(wi,m)可通过查表得到；但对于大样本容量(m＞20)时，当样本序列中不存在具有相同绝对值的样本组时，统计量wi近似于均值为t＝m(m 1)/4，方差为v
t
＝m(m 1)(2m 1)/24的正态分布，因此有，
[0116][0117]
相应地，不难得到p(wi,m)的计算式如下：
[0118][0119]
但是，当样本序列中存在多个非零且具有相同绝对值的重排样本(称为样本组)时，方差v
t
需要予以修正，设ti是序列中第i个具有相同绝对值的样本组中的样本个数，而g是序列中具有相同绝对值的样本组的个数，则修正的方差v
t
可表示如下：
[0120][0121]
综上所述，当采用srprt时，得到的相应的似然比函数为
[0122][0123]
step 6结果检验。同sprt方法一样，当得到似然比函数之后，引入常数a、b，0＜a＜1＜b＜∞，则对于接受h0与h1中的哪一个假设，通过比较λ(yn)与上限值b和下限值a来得到的，具体的决策方案如下所示：
[0124]
(1)如果λ(yn)≥b，则接受假设h1；
[0125]
(2)如果λ(yn)≤a，则接受假设h0；
[0126]
(3)如果a＜λ(yn)＜b，则不能做出决定，继续采样，然后重复比较。
[0127]
其中，
[0128][0129]
式中α、β分别为检验中犯第一类错误和犯第二类错误的概率。
[0130]
本发明还提供了一种基于新能源汽车实时运行数据的异常检测装置，如图2所示，包括：
[0131]
获取单元21，用于获取新能源汽车动力电池系统的监测参数的实时运行数据和监测参数的历史健康数据，基于失效分析得到关键监测参数的实时运行数据和关键监测参数
的历史健康数据；；
[0132]
计算单元22，用于将关键监测参数的实时运行数据和关键监测参数的历史健康数据结合多元状态估计技术，得到异常检测模型和异常检测模型中各个监测参数的残差，所述残差包括健康残差和实际残差；
[0133]
检测单元23，用于将所述残差进行序贯概率比检验，基于序贯概率比检验的指数，得到新能源汽车动力电池系统的异常检测结果。
[0134]
所述计算单元，具体包括：
[0135]
根据关键监测参数的实时运行数据建立观测矩阵；
[0136]
计算观测矩阵的估计矩阵；
[0137]
利用所述估计矩阵计算实际残差。
[0138]
所述计算单元，还包括：
[0139]
根据所述关键监测参数的历史健康数据形成训练数据；
[0140]
根据所述训练数据建立记忆矩阵，同时形成剩余训练数据；
[0141]
根据所述记忆矩阵和所述剩余训练数据计算剩余训练数据的估计矩阵；
[0142]
利用所述估计矩阵计算健康残差。
[0143]
所述检测单元，具体包括：
[0144]
如果λ(yn)≥b，则接受假设h1，h1为概率密度函数一；
[0145]
如果λ(yn)≤a，则接受假设h0，h0为概率密度函数二；
[0146]
如果a＜λ(yn)＜b，继续采样，然后重复比较；
[0147]
其中，λ(yn)代表似然比函数，a和b是常数，且0＜a＜1＜b＜∞，yn为独立同分布样本。
[0148]
计算残差，具体包括：
[0149]rx
＝x
est-x
obs
；
[0150]
其中，x
obs
为观测矩阵，x
est
为估计矩阵，r
x
为实际残差。
[0151]rl
＝l
est-l；
[0152]
l为剩余训练数据的估计矩阵；l
est
为剩余训练数据的估计矩阵，r
l
为健康残差。
[0153]
一种基于新能源汽车实时运行数据的异常检测装置采用的原理和技术与一种基于新能源汽车实时运行数据的异常检测方法相同，前文已经对一种基于新能源汽车实时运行数据的异常检测方法的原理和过程做了详细描述，在此不再赘述。
[0154]
本技术通过研究分析动力电池内外故障失效机理选取出一个精准但不过于复杂的动力电池监测参数集合，针对bms故障诊断的有效性和历史数据的完备度之间的权衡问题，提出一种基于实时运行数据的高效异常检测方法，能够准确地检测出动力电池系统退化时的异常状态。训练过程效率高，耗时短。
[0155]
下面结合具体的应用实例对本发明实施例上述技术方案进行详细说明，实施过程中没有介绍到的技术细节，可以参考前文的相关描述。
[0156]
实施例1：
[0157]
目前，基于新能源汽车动力电池系统实时运行数据(按照gb/t 32960-2016要求采集)，针对新能源汽车动力电池系统的运行安全的故障诊断算法研究尚处在起步阶段，缺乏系统性的研究成果。本技术基于新能源汽车bms计算空间和时间受限的实际情况，针对bms
故障建模精准度和复杂度之间的权衡问题、bms故障诊断的有效性和历史数据的完备度之间的权衡问题、bms故障诊断的实时性和资源的可利用性之间的权衡问题等实际工程问题，本项目的技术方案为如下四点：
[0158]
1)通过梳理动力电池的内外故障失效机理，展开对动力电池的故障精准建模研究，进而基于上汽通用五菱新能源汽车监测预警平台的动力电池相关数据，构件预期故障关系模型，开发出一个精准但不过于复杂的动力电池故障模型；
[0159]
2)基于动力电池故障模型，研究多元状态估计技术，提出一种适用于新能源汽车bms的高效异常检测算法：改进的多元状态估计技术(improved multivariate state estimation technique,imset)；
[0160]
3)在异常检测算法研究的基础之上，基于imset的实际残差和健康残差，输入到非参数的序贯概率比检验(nonparametric sequential probability ratio test,nsprt)，结合离线设置的通用阈值，实现自适应阈值故障诊断；
[0161]
4)在上述研究的基础之上，基于上汽通用五菱新能源汽车监测预警平台的实时运行数据，将研究成果在其平台上进行验证，通过实际验证并改进所提出的研究方法，以应用装配于下一代新能源汽车上。本技术在“动力电池内外故障失效机理分析”、“基于imset的高效异常检测算法研究”、“基于imset和nsprt的自适应阈值故障诊断算法研究”等方面做出具有突破技术瓶颈的应用成果。
[0162]
实施例2：
[0163]
一种基于新能源汽车实时运行数据的异常检测方法，如图3所示，在无历史数据的情况下，为了使选取的训练数据t具有有效性，那么就要对其进行更新。更新的目的是使训练数据t尽量包含各个监测参数的所有在正常运行条件下的所有动态变化，特别包括其正常退化时的状态。但是，无历史数据情况下的更新与有历史数据情况下的更新不同。本项目根据实际工程应用，提出两种更新方式：
[0164]
不定量更新：
[0165]
根据实时检测的结果，将每次检测结果为健康状态的时间状态添加到训练数据t中，这种更新方式叫做不定量更新。
[0166]
定量更新：
[0167]
以一种浮动窗口的形式，每次只将浮动窗口里检测得到为健康状态的时间状态下的数据添加到最初的训练数据t当中，这种更新方式叫做定量更新。
[0168]
当监测参数的变化范围不是很大的情况下，若采用不定量更新方法对训练数据t进行更新，那么，随着检测的继续，训练数据t都必须在上一次检测的基础上对训练数据进行更新，将此时检测得到的健康状态添加到上一次检测的训练数据t中，但由于监测参数的变化范围不是很大，长此以往将导致得到的训练数据t所包括数据出现重复，并导致计算速度会越来越慢。而此时若采用定量更新的方法，不仅使训练数据t满足了包含监测参数动态变化的目的，而且在实际工程应用中，bms的计算能力有限，所以定量更新将大大提高计算速度。所以，当监测参数的变化范围不是很显著的情况下，采用定量更新方法明显优于不定量更新方式。
[0169]
(2)非线性算子的选取及优化
[0170]
若权重向量w和w
′
要存在，d
t
·
d必须要可逆，但是d
t
·
d可逆的一个必要非充分条
件就是：记忆矩阵d的列数应小于其行数。
[0171]
换而言之，假设记忆矩阵d表示为一个n
×
k1的数据矩阵，其中n表示的是监测参数的个数，k1表示的是记忆矩阵d所包含的时间状态数，那么d
t
·
d要可逆，则记忆矩阵d的列数(即其所包含的时间状态数k1)应小于其行数(即其监测参数的个数n)。但是，在实际工程应用中，这个条件是很难得到满足的。特别是在工程应用领域，因为为了得到监测参数足够多的统计信息，训练数据t中所包含的时间状态数必然是大于其监测参数的个数的，而且，为了使估计得到的估计矩阵x
est
具有有效性，虽说记忆矩阵d中所包含的时间状态数并一定是越多越好，但是其包含的时间状态数绝对不能小于监测参数的个数。因此，为了解决在实际工程应用中，不同时间状态下数据之间产生的相关性问题，并由此导致d
t
·
d矩阵的不可逆，从而限制了最小平方误差估计方法的应用范围，所以基于imset的状态估计方法，引入了非线性算子。
[0172]
非线性算子又称非线性映射，它通过使用高级模式识别方法，确定对输入数据或向量进行拟合，并计算不同数据或向量之间的归一化相似度，非线性算子在等式中常用符号表示。
[0173]
非线性算子还有一个专业名称，即称为核函数，在等式中一般用kh(x,y)表示。
[0174]
对于一个x,y∈rd的核函数kh(x,y)，它有如下几点性质：
[0175]
当x＝y时，核函数kh(x,y)取得最大值；
[0176]
|kh(x,y)|随着|x-y|递减而递减；
[0177]
kh(x,y)是一个具有2d个变量的一般函数。
[0178]
最常见的非线性算子有如下几种：
[0179]
欧几里得范数(euclidean norm)；
[0180][0181]
城市街区距离(city block distance)；
[0182][0183]
线性相关系数(linear correlation coefficient)；
[0184][0185]
式中与分别代表的是x与y的均值。
[0186]
高斯算子(gaussian operator)；
[0187][0188]
式中h是滤波系数或者也称之为带宽。
[0189]
当使用非线性算子代替线性向量乘积算子后，(3.9)式、(3.10)式、(3.14)式和(3.15)式如下所示：
[0190][0191][0192][0193][0194]
非线性算子是基于imset的状态监测的关键技术。smartsignal公司开发出的商业设备状态监测软件(smartsignal ecm
tm
)所拥有的专利主要指的就是非线性算子。从中也可以知道，非线性算子的引入和选取，对于基于imset的状态监测是何等的重要。
[0195]
实际上，在采用高斯算子的时候，还牵涉到一个需要人为定义的参数-带宽h，那么由于其蕴含着潜在的不稳定性，那么就涉及到如何选取带宽h，使得采用高斯算子时得到的估计效果最优化的问题。在实际工程应用中，为了更好的使用高斯算子，那么就必须优化其估计性能，一个可行方案就是：引入岭规则化。那么使用岭规则化后(3.22)式～(3.25)式，如下所示：
[0196][0197][0198][0199][0200]
式中λ是岭规则化参数(λ＞0)。
[0201]
总的来说，找出最优化值λ是一维最优化问题，可以采用非线性方法解决，比如共轭梯度下降等。
[0202]
在上述研究基础之上，通过从预期故障关系模型中选取数据作为监测参数，然后基于imset的状态估计，得到监测参数的实际残差和健康残差，进而，基于离线试验数据，得到实际残差阈值，那么通过实际残差和残差阈值进行比较，则可以实现异常检测。
[0203]
本技术通过研究分析动力电池内外故障失效机理选取出一个精准但不过于复杂的动力电池监测参数集合，针对bms故障诊断的有效性和历史数据的完备度之间的权衡问题，提出一种基于实时运行数据的高效异常检测方法，能够准确地检测出动力电池系统退化时的异常状态。训练过程效率高，耗时短。
[0204]
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
[0205]
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
[0206]
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进
行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本技术公开的原理和新颖性特征的最广范围相一致。
[0207]
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
[0208]
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
[0209]
本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
[0210]
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
[0211]
在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理
器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(dsl)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、dvd、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
[0212]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。