本申请属于电池故障诊断，具体涉及一种电池故障诊断方法和装置。
背景技术：
1、动力电池是一种实时变化的非线性系统，其性能受到内部多种参数变化的影响，传统诊断方法往往针对特定故障作分析，忽略了电池产生故障的复杂性和不确定性，易造成漏报错报故障。
技术实现思路
1、发明目的：本申请开发了一种电池故障诊断方法和装置，旨在解决现有技术中电池故障诊断容易出现漏报或错报的技术问题。
2、技术方案：第一方面，本申请提供一种电池故障诊断方法，包括：
3、配置卷积自编码器，将训练样本输入所述卷积自编码器，通过所述卷积自编码器的编码器进行多尺度特征提取，获取第一特征数据；
4、配置聚类层，将所述第一特征数据输入所述聚类层，获取聚类中心，所述聚类中心被配置为表征所述电池的运行状态；
5、确定待诊断数据，将所述待诊断数据输入所述卷积自编码器，通过所述编码器进行多尺度特征提取，获取第二特征数据；
6、确定第一距离，所述第一距离为所述第二特征数据与所述聚类中心的距离；
7、基于所述第一距离的最小值所对应的所述聚类中心确定所述电池的运行状态，以对电池进行故障诊断。
8、在一些实施例中，所述编码器包括多个尺度相异的卷积核，所述获取第一特征数据的步骤包括：
9、通过多个尺度相异的所述卷积核对训练样本进行卷积操作，获取多个时间尺度相异的第三特征数据；
10、通过非线性激活函数处理所述第三特征数据，获取第四特征数据；
11、对多个所述第四特征数据进行最大池化操作，获取所述第一特征数据。
12、在一些实施例中，所述非线性激活函数的表征公式包括：
13、
14、其中，为第k个尺度的所述卷积核输出特征在位置(i,j)处的值；为第k个尺度的所述卷积核在通道c、空间位置(p,q)的权重；xi,j,c为输入张量x的第c个通道在位置(i,j)处的值；mk，nk分别为第k个尺度所述卷积核的空间尺寸。
15、在一些实施例中，还包括：
16、获取所述卷积自编码器的重构损失，获取所述聚类层的聚类损失；
17、基于所述重构损失和所述聚类损失构造损失函数；
18、基于所述损失函数更新所述卷积自编码器的权重和所述聚类中心。
19、在一些实施例中，所述基于所述损失函数更新所述卷积自编码器的权重和所述聚类中心的步骤包括：
20、基于损失函数，通过梯度下降算法确定第一梯度和第二梯度；所述第一梯度为所述卷积自编码器的梯度，所述第二梯度为所述聚类中心的梯度。
21、基于所述第一梯度更新所述卷积自编码器的权重；
22、基于所述第二梯度更新所述聚类中心。
23、在一些实施例中，所述基于所述第一梯度更新所述卷积自编码器的权重的表征公式包括：
24、
25、其中，θe为所述卷积自编码器的权重；η为学习率；用于表征所述第一梯度，用于表征交叉熵损失对所述卷积自编码器权重的梯度，lr为所述重构损失，λ为常数，λ用于控制特征空间与原始数据的真实程度，lce为所述聚类损失。
26、在一些实施例中，所述交叉熵损失对卷积自编码器权重的梯度的表征公式包括：
27、
28、其中，qij为预测分布，用于表征第i个所述训练样本的低维嵌入点属于第j个簇的所述聚类中心的软分配概率；pij为目标分布，用于表征第i个所述训练样本属于第j个所述簇的概率；n为所述训练样本的数量；i为所述训练样本的排序号；j为所述簇的排序号；k为所述簇的数量。
29、在一些实施例中，所述基于所述第二梯度更新所述聚类中心的表征公式包括：
30、
31、其中，μj为第j个聚类中心；η为学习率；用于表征所述第二梯度，用于表征交叉熵损失对所述聚类中心的梯度，λ为常数，λ用于控制特征空间与原始数据的真实程度，lce为所述聚类损失。
32、在一些实施例中，所述交叉熵损失对聚类中心的梯度的表征公式包括：
33、
34、其中，qij为预测分布，用于表征第i个训练样本的低维嵌入点属于第j个簇的聚类中心的软分配概率；pij为目标分布，用于表征第i个训练样本属于第j个所述簇的概率；n为所述训练样本的数量；i为所述训练样本的排序号；j为所述簇的排序号；k为所述簇的数量。
35、第二方面，本申请的实施例还提供一种电池故障诊断装置，包括：
36、第一模块，所述第一模块被配置为配置卷积自编码器，将训练样本输入所述卷积自编码器，通过所述卷积自编码器的编码器进行多尺度特征提取，获取第一特征数据；
37、第二模块，所述第二模块被配置为配置聚类层，将所述第一特征数据输入所述聚类层，获取聚类中心，所述聚类中心被配置为表征所述电池的运行状态；
38、第三模块，所述第三模块被配置为确定待诊断数据，将所述待诊断数据输入所述卷积自编码器，通过所述编码器进行多尺度特征提取，获取第二特征数据；
39、第四模块，所述第四模块被配置为确定第一距离，所述第一距离为所述第二特征数据与所述聚类中心的距离；
40、第五模块，所述第五模块被配置为基于所述第一距离的最小值所对应的所述聚类中心确定所述电池的运行状态，以对电池进行故障诊断。
41、有益效果：与现有技术相比，本申请实施例提供的一种电池故障诊断方法，包括配置卷积自编码器和聚类层，通过卷积自编码器的编码器进行多尺度特征提取，将提取的特征数据输入聚类层进行聚类，以获取用于表征电池运行状态的聚类中心；然后将待诊断的数据输入编码器中进行特诊提取，将提取后的特征与各个聚类中心分别进行距离计算，确定距离最近的聚类中心所对应的运行状态为电池运行状态诊断结果。本申请通过多个聚类中心表征电池的多种的运行状态，将电池的运行状态进行多元化分类，以细化电池运行状态，然后选取距离最近聚类中心作为诊断结果，可有效提高诊断结果的准确性。
1.一种电池故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的电池故障诊断方法，其特征在于，所述编码器包括多个尺度相异的卷积核，所述获取第一特征数据的步骤包括：
3.根据权利要求2所述的电池故障诊断方法，其特征在于，所述非线性激活函数的表征公式包括：
4.根据权利要求1所述的电池故障诊断方法，其特征在于，还包括：
5.根据权利要求4所述的电池故障诊断方法，其特征在于，所述基于所述损失函数更新所述卷积自编码器的权重和所述聚类中心的步骤包括：
6.根据权利要求5所述的电池故障诊断方法，其特征在于，所述基于所述第一梯度更新所述卷积自编码器的权重的表征公式包括：
7.根据权利要求6所述的电池故障诊断方法，其特征在于，所述交叉熵损失对卷积自编码器权重的梯度的表征公式包括：
8.根据权利要求5所述的电池故障诊断方法，其特征在于，所述基于所述第二梯度更新所述聚类中心的表征公式包括：
9.根据权利要求8所述的电池故障诊断方法，其特征在于，所述交叉熵损失对聚类中心的梯度的表征公式包括：
10.一种电池故障诊断装置，其特征在于，包括：
