一种基于大数据的电池多故障智能分类识别方法

技术特征：
1.一种基于大数据的电池多故障智能分类识别方法，其特征在于：包括以下步骤：s1.采集多种故障条件下电池海量运行数据，进行分类并上传云端大数据平台；s2.对云端大数据平台的电池运行数据进行预处理，通过随机采样和白化获取用于训练特征提取模型的原始数据集；s3.基于无监督学习算法建立特征提取模型，建立原始数据与高阶特征之间的映射关系，构建基于无监督学习的模型参数优化问题，利用s2中获取的训练数据集训练特征提取模型，求解模型参数的最优解；基于训练完成的模型获取数据集的整体特征用于训练特征分类模型的特征数据集；s4.基于有监督学习算法建立特征多分类器，建立特征与故障种类间的映射关系，构建基于有监督学习的模型参数优化问题，利用s3提取的特征数据集及其故障标签训练特征多分类器；s5.实时采集电池运行数据，结合训练完成的特征提取模型和特征多分类器，利用特征提取模型提取实时数据的高阶特征，然后利用有特征多分类器计算多种故障的出现概率，从而实现多种故障的实时诊断和分类。2.根据权利要求1所述的基于大数据的电池多故障智能分类识别方法，其特征在于：所述步骤s1中的多种故障条件包括常见的电池故障或安全隐患，即过充、过放、过热、均衡性异常、传感器故障。3.根据权利要求1所述的基于大数据的电池多故障智能分类识别方法，其特征在于：所述步骤s2中电池运行数据包括电压、电流、温度。4.根据权利要求1所述的基于大数据的电池多故障智能分类识别方法，其特征在于：所述步骤s2中的数据预处理方法包括数据清洗、填充、归一化、白化。5.根据权利要求1所述的基于大数据的电池多故障智能分类识别方法，其特征在于：所述步骤s3中的智能无监督学习算法包括稀疏滤波、主成分分析、k均值聚类。6.根据权利要求1所述的基于大数据的电池多故障智能分类识别方法，其特征在于：所述步骤s3包含以下子步骤：s301.建立基于无监督学习的特征提取模型，训练无监督学习算法，优化权值在某种特定的电池故障条件下，首先采集该条件下的海量电池运行数据，并通过随机采样将数据分成多个数据集，基于无监督学习算法建立特征提取模型，建立原始数据与高阶特征之间的映射关系，以提取出独特的、优质的高阶特征作为无监督学习目标，利用多个数据样本训练特征提取模型，采用粒子群优化、梯度下降法等优化算法获得征提取模型权值的最优解；s302.提取海量数据的局部样本特征通过等距采样将海量运行数据分为若干个样本作为特征提取模型的输入，利用训练完成的特征提取模型提取所有样本的高阶特征作为局部样本特征；s303.提取海量数据整体特征计算所有局部样本特征的平均值作为海量数据的整体特征作为，均值处理方法能够减小由噪声引起的随机特征。7.根据权利要求1所述的基于大数据的电池多故障智能分类识别方法，其特征在于：所述步骤s4中的智能有监督学习算法包括softmax逻辑回归、支持向量机、相关向量机、k近邻
分类器。8.根据权利要求1所述的基于大数据的电池多故障智能分类识别方法，其特征在于：所述步骤s4中的基于有监督学习的多分类器训练过程为：（1）基于有监督学习算法建立特征多分类器，建立特征与故障种类间的映射关系；（2）以最小化分类错误分类概率为有监督学习目标，构建优化问题；（3）利用提取的海量数据整体特征及其故障标签训练多分类器，采用优化算法求解优化问题，获得多分类器权值的最优解。

技术总结
本发明公开了一种基于大数据的电池多故障智能分类识别方法，包括以下步骤：S1.采集不同故障条件下电池的海量运行数据并上传大数据平台；S2.提取大数据平台中的原始数据并进行预处理；S3.建立并训练基于智能无监督学习算法的数据高阶特征提取模型；S4.建立并训练基于智能有监督学习算法的高阶特征多分类器；S5.实时采集电池运行数据，利用无监督学习算法提取实时数据的高阶特征，然后利用有监督学习算法进行特征分类，从而实现多种故障的实时诊断和分类。本发明结合基于无监督学习的特征提取方法和基于有监督学习的多分类器实现多种故障的诊断和分类，通过利用无监督学习算法可以提高多分类器的准确性和训练效率。可以提高多分类器的准确性和训练效率。可以提高多分类器的准确性和训练效率。


技术研发人员：魏中宝 胡鉴 何洪文
受保护的技术使用者：北京理工大学
技术研发日：2022.06.16
技术公布日：2022/7/22