基于Conv-Attention-MLP的新能源汽车电池异常检测方法

陈旭东 何宏 周焱平

摘 要： 针对于新能源汽车电池异常信号的检测，传统异常检测方法对多个维度电池数据检测精度低、泛化性差等问题，本文提出一种融合了卷积（Conv）、自注意力机制（Attention）和多层感知器（MLP）的Conv-Attention-MLP深度神经网络方法，该方法首先对多个维度的时序数据使用特征卷积进行降维，再利用多头自注意力机制（MultiHead-Self-Attention， MSA）对数据的时间不同步以及数据逻辑之间的重建模，最后经过多层感知机（MLP）的连续线性映射与非线性运算，产生复杂的分段映射，以达到更好的拟合效果。实现了对多个维度电池数据的有效检测，提高了模型对于多样化数据的准确性和稳健性。实驗结果表明，相比于传统异常检测方法，在vloongs数据集上Conv-Attention-MLP模型表现效果更加优越，展现出更高精度和更强的鲁棒性。

关键词：深度学习 异常检测 自注意力机制 模型融合

中图分类号：U472;TP274

The Anomaly Detection Method for New Energy Vehicle Batteries Based on Conv-Attention-MLP

CHEN Xudong  HE Hong*  ZHOU Yanping

College of Computer and Communication， Hunan Institute of Engineering， Xiangtan， Hunan Province， 411104 China

Abstract： For the detection of abnormal signals in new energy vehicle batteries， traditional anomaly detection methods have issues such as low detection accuracy and poor generalization in multi-dimensional battery data. This paper proposes a Conv-Attention-MLP deep neural network method which integrates convolution （Conv）， the self-attention mechanism （Attention） and the multi-layer perceptron （MLP）. The method first uses feature convolution to reduce the dimensionality of multi-dimensional time-series data， then uses the multihead self-attention （MSA） mechanism to recmodel the asynchrony of data time and the interrelationships among data logic， and finally uses the continuous linear mapping and non-linear operation of the multi-layer perceptron （MLP） to generate complex piecewise mapping， so as to achieve better fitting results， which realizes the effective detection of multiple-dimensional battery data， and enhances the model's accuracy and robustness for diverse data. Experimental results demonstrate that compared to traditional anomaly detection methods， the the Conv-Attention-MLP model has better performance on the vloongs dataset， showcasing higher precision and stronger robustness.

Key Words： Deep learning; Anomaly detection; Self-attention mechanism; Model merging

锂电池因高能量密度、轻便、低自放电率广用于汽车，但特殊情况下可能发生热失控，危及驾驶人员。目前，新能源汽车电池异常检测算法主要分为两类。无监督学习算法如聚类算法可处理多维特征[1]，但缺乏实时监测能力。神经网络算法如LSTM在处理时序性数据方面表现优异[2]，但存在梯度消失和梯度爆炸问题。结合两者的新算法，如VAE-LSTM-DTW[3]，能有效判断异常，但仍缺乏实时性和边缘部署的效率。

近年来计算机视觉方面的不断发展，对图像处理主要采用卷积神经网络，卷积层使得模型拥有强大的建模能力。Transformer[4]是一种革命性的深度学习模型，其中的自注意力机制（Self-Attention）使得模型能够在处理序列对不同位置的信息进行加权。……