基于时序异常检测的动力电池安全预警

doi:10.11772/j.issn.1001-9081.2022111796

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (12): 3799-3805.DOI: 10.11772/j.issn.1001-9081.2022111796

基于时序异常检测的动力电池安全预警

张安勤¹^,², 王小慧¹()

^1.上海电力大学计算机科学与技术学院，上海 201306
^2.汕头大学地方政府发展研究所，广东汕头 515063

收稿日期:2022-12-06 修回日期:2023-03-16 接受日期:2023-03-23 发布日期:2023-04-10 出版日期:2023-12-10
通讯作者: 王小慧
作者简介:张安勤（1974—），女，安徽六安人，副教授，博士，主要研究方向：数据挖掘、普适计算；
基金资助:
广东省人文社会科学重点研究基地—汕头大学地方政府发展研究所开放基金课题(07422002)

Power battery safety warning based on time series anomaly detection

Anqin ZHANG¹^,², Xiaohui WANG¹()

^1.College of Computer Science and Technology，Shanghai University of Electric Power，Shanghai 201306，China
^2.Local Government Development Research Institute of Shantou University，Shantou Guangdong 515063，China.

Received:2022-12-06 Revised:2023-03-16 Accepted:2023-03-23 Online:2023-04-10 Published:2023-12-10
Contact: Xiaohui WANG
About author:ZHANG Anqin， born in 1974， Ph. D.， associate professor. Her research interests include data mining， ubiquitous computing.
Supported by:
Open Fund Project of Guangdong Province Key Research Base of Humanities and Social Sciences — Local Government Development Research Institute of Shantou University(07422002)

摘要/Abstract

摘要：

电动汽车由于电池内部异常情况无法得到及时预测与预警，易导致事故发生，给驾驶员和乘客的生命和财产安全带来严重威胁。针对上述问题，提出基于Transformer和对比学习的编码器解码器（CT-ED）模型用于多元时间序列异常检测。首先，通过数据增强构造一个实例的不同视图，并利用对比学习捕获数据的局部不变特征；其次，基于Transformer对数据从时间依赖和特征依赖两方面进行编码；最后，通过解码器重构数据，计算重构误差作为异常得分，对实际工况下的机器进行异常检测。在SWaT、SMAP和MSL这3个公开数据集和电动汽车动力电池（EV）数据集上的实验结果表明，所提模型的F1值对比次优模型分别提升6.5%、1.8%、0.9%和7.1%。以上结果表明CT-ED适用于不同实际工况下的异常检测，平衡了异常检测的精确率和召回率。

关键词: 时间序列, 异常检测, 对比学习, 多头注意力, 自动编码器

Abstract:

Abnormal situations inside the vehicle battery cannot be predicted and warned in time， which leads to electric vehicle accidents and brings serious threats to drivers and passengers’ life and property safety. Aiming at the above problem， a Contrastive Transformer Encoder Decoder （CT-ED） model was proposed for multivariate time series anomaly detection. Firstly， different views of an instance were constructed through data augmentation， and the local invariant features of the data were captured by contrastive learning. Then， based on Transformer， the data were encoded from two perspectives of time dependence and feature dependence. Finally， the data were reconstructed by the decoder， and the reconstruction error was calculated as the anomaly score to detect anomalies of the machine under the actual operating conditions. Experimental results on SWaT， SMAP， MSL three public datasets and Electric Vehicle power battery （EV） dataset show that compared to the suboptimal model， the F1-scores of the proposed model increase by 6.5%， 1.8%， 0.9%， and 7.1% respectively.The above results prove that CT-ED is suitable for anomaly detection under different operating conditions， and balancing the precision and recall of anomaly detection.

Key words: time series, anomaly detection, contrastive learning, multi-head attention, autoencoder

中图分类号:

TP183

张安勤, 王小慧. 基于时序异常检测的动力电池安全预警[J]. 计算机应用, 2023, 43(12): 3799-3805.

Anqin ZHANG, Xiaohui WANG. Power battery safety warning based on time series anomaly detection[J]. Journal of Computer Applications, 2023, 43(12): 3799-3805.

图/表 14

参考文献 22

1	王震坡，李晓宇，袁昌贵，等. 大数据下电动汽车动力电池故障诊断技术挑战与发展趋势［J］. 机械工程学报， 2021， 57（14）：52-63. 10.3901/jme.2021.14.052
	WANG Z P， LI X Y， YUAN G C， et al. Challenge and prospects for fault diagnosis of power battery system for electrical vehicles based on big-data［J］. Journal of Mechanical Engineering， 2021， 57（14）：52-63. 10.3901/jme.2021.14.052
2	TULI S， CASALE G， JENNINGS N R. TranAD： deep transformer networks for anomaly detection in multivariate time series data［J］. Proceedings of the VLDB Endowment， 2022， 5（16）：1201-1214.
3	毛文涛，施华东，张艳娜，等. 轴承在线早期故障检测的无监督张量深度迁移学习方法［J/OL］. 控制与决策（2022-11-27）［2023-03-04］..
	MAO W T， SHI H D， ZHANG Y N， et al. Research on unsupervised tensor-based deep transfer learning for online early fault detection of bearing［J/OL］. Control and Decision （2022-11-27）［2023-03-04］..
4	HUNDMAN K， CONSTANTINOU V， LAPORTE C， et al. Detecting spacecraft anomalies using LSTMs and nonparametric dynamic thresholding ［C］// Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2018： 387-395. 10.1145/3219819.3219845
5	ZHOU H， YU K， ZHANG X， et al. Contrastive autoencoder for anomaly detection in multivariate time series［J］. Information Sciences， 2022， 610： 266-280. 10.1016/j.ins.2022.07.179
6	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2017： 6000-6010.
7	CHEN T， KORNBLITH S， NOROUZI M， et al. A simple framework for contrastive learning of visual representations［C］// Proceedings of the 37th International Conference on Machine Learning. New York： JMLR.org， 2020： 1597-1607.
8	HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7132-7141. 10.1109/cvpr.2018.00745
9	LIN S， CLARK R， BIRKE R， et al. Anomaly detection for time series using VAE-LSTM hybrid model ［C］// Proceedings of the 2020 IEEE International Conference on Acoustics， Speech， and Signal Processing. Piscataway： IEEE， 2020： 4322-4326. 10.1109/icassp40776.2020.9053558
10	XU H， CHEN W， ZHAO N， et al. Unsupervised anomaly detection via variational auto-encoder for seasonal KPIs in Web applications［C］// Proceedings of the 2018 World Wide Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2018： 187-196. 10.1145/3178876.3185996
11	PARK D， HOSHI Y， KEMP C C. A multimodal anomaly detector for robot-assisted feeding using an LSTM-based variational autoencoder［J］. IEEE Robotics and Automation Letters， 2018， 3（3）： 1544-1551. 10.1109/lra.2018.2801475
12	LI D， CHEN D， JIN B， et al. MAD-GAN： multivariate anomaly detection for time series data with generative adversarial networks［C］// Proceedings of the 2019 International Conference on Artificial Neural Networks， LNCS 11730. Cham： Springer， 2019： 703-716.
13	SU Y， ZHAO Y， NIU C， et al. Robust anomaly detection for multivariate time series through stochastic recurrent neural network［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2019： 2828-2837. 10.1145/3292500.3330672
14	ZHANG C， SONG D， CHEN Y， et al. A deep neural network for unsupervised anomaly detection and diagnosis in multivariate time series data［C］// Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2019： 1409-1416. 10.1609/aaai.v33i01.33011409
15	DENG A， HOOI B. Graph neural network-based anomaly detection in multivariate time series ［C］// Proceedings of the 35th AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2021： 44027-4035. 10.1609/aaai.v35i5.16523
16	ZHAO H， WANG Y， DUAN J， et al. Multivariate time-series anomaly detection via graph attention network ［C］// Proceedings of the 2020 IEEE International Conference on Data Mining. Piscataway： IEEE， 2020： 841-850. 10.1109/icdm50108.2020.00093
17	AUDIBERT J， MICHIARDI P， GUYARD F， et al. USAD： unsupervised anomaly detection on multivariate time series［C］// Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2020： 3395-3404. 10.1145/3394486.3403392
18	WANG X， PI D， ZHANG X， et al. Variational Transformer-based anomaly detection approach for multivariate time series［J］. Measurement， 2022， 191： No.110791. 10.1016/j.measurement.2022.110791
19	ZHOU H， ZHANG S， PENG J， et al. Informer： beyond efficient transformer for long sequence time-series forecasting［C］// Proceedings of the 35th AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2021： 11106-11115. 10.1609/aaai.v35i12.17325
20	SIFFER A， FOUQUE P A， TERMIER A， et al. Anomaly detection in streams with extreme value theory ［C］// Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2017： 1067-1075. 10.1145/3097983.3098144
21	MATHUR A P， TIPPENHAUER N O. SWaT： a water treatment testbed for research and training on ICS security ［C］// Proceedings of the 2016 International Workshop on Cyber-Physical Systems for Smart Water Networks. Piscataway： IEEE， 2016： 31-36. 10.1109/cyswater.2016.7469060
22	AHMED C M， ZHOU J， MATHUR A P. Noise matters： using sensor and process noise fingerprint to detect stealthy cyber attacks and authenticate sensors in CPS［C］// Proceedings of the 34th Annual Computer Security Applications Conference. New York： ACM， 2018： 566-581. 10.1145/3274694.3274748

数据集	训练集样本数	测试集样本数	维度	异常率/%
SWaT	496 800	449 919	51	11.98
SMAP	135 183	427 617	55	10.72
MSL	58 317	73 729	25	13.13
EV	343 626	33 811	22	9.17

数据集	训练集样本数	测试集样本数	维度	异常率/%
SWaT	496 800	449 919	51	11.98
SMAP	135 183	427 617	55	10.72
MSL	58 317	73 729	25	13.13
EV	343 626	33 811	22	9.17

模型	SWaT			EV			SMAP			MSL
模型	P	R	F1	P	R	F1	P	R	F1	P	R	F1
MAD-GAN	0.913 2	0.689 2	0.785 5	0.324 5	0.753 3	0.453 6	0.752 8	0.894 1	0.817 4	0.852 2	1.000 0	0.920 2
OmniAnomaly	0.868 3	0.808 0	0.837 0	0.594 7	0.832 3	0.693 7	0.880 9	0.994 1	0.934 1	0.854 5	0.933 3	0.892 2
USAD	0.996 1	0.702 1	0.823 7	0.319 9	0.827 5	0.461 4	0.862 5	1.000 0	0.926 2	0.856 4	1.000 0	0.922 6
GDN	0.993 5	0.681 2	0.808 2	0.478 3	0.258 9	0.336 0	0.876 2	0.994 1	0.931 4	0.841 8	1.000 0	0.914 1
TranAD	0.976 0	0.699 7	0.815 1	0.445 9	0.316 3	0.370 1	0.849 7	1.000 0	0.918 7	0.951 4	0.933 3	0.942 3
CT-ED	0.846 7	0.941 2	0.891 4	0.712 9	0.775 2	0.742 8	0.911 3	0.994 1	0.950 9	0.906 8	1.000 0	0.951 1

模型	SWaT			EV			SMAP			MSL
模型	P	R	F1	P	R	F1	P	R	F1	P	R	F1
MAD-GAN	0.913 2	0.689 2	0.785 5	0.324 5	0.753 3	0.453 6	0.752 8	0.894 1	0.817 4	0.852 2	1.000 0	0.920 2
OmniAnomaly	0.868 3	0.808 0	0.837 0	0.594 7	0.832 3	0.693 7	0.880 9	0.994 1	0.934 1	0.854 5	0.933 3	0.892 2
USAD	0.996 1	0.702 1	0.823 7	0.319 9	0.827 5	0.461 4	0.862 5	1.000 0	0.926 2	0.856 4	1.000 0	0.922 6
GDN	0.993 5	0.681 2	0.808 2	0.478 3	0.258 9	0.336 0	0.876 2	0.994 1	0.931 4	0.841 8	1.000 0	0.914 1
TranAD	0.976 0	0.699 7	0.815 1	0.445 9	0.316 3	0.370 1	0.849 7	1.000 0	0.918 7	0.951 4	0.933 3	0.942 3
CT-ED	0.846 7	0.941 2	0.891 4	0.712 9	0.775 2	0.742 8	0.911 3	0.994 1	0.950 9	0.906 8	1.000 0	0.951 1

方法	F1	P	R
POT	0.733 5	0.705 1	0.764 3
均方	0.525 1	0.381 7	0.841 0
EWMA	0.127 6	0.091 7	0.209 6
NDT	0.754 8	0.838 2	0.686 6
POT+剪枝	0.741 5	0.721 5	0.762 7

基于时序异常检测的动力电池安全预警

Power battery safety warning based on time series anomaly detection

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 22

相关文章 15

编辑推荐

Metrics

变量类型	变量	F1	P	R
多元变量	多元变量	0.742 8	0.712 9	0.775 2
单变量	电压	0.572 4	0.902 2	0.419 2
	电流	0.695 4	0.723 3	0.669 5
	绝缘电阻	0.168 2	0.091 8	1.000 0

模型	F1	P	R
TranAD	0.746 9	0.916 9	0.630 1
USAD	0.672 2	0.550 6	0.862 6
MAD-GAN	0.401 2	0.952 8	0.254 1
OmniAnomaly	0.756 9	0.928 7	0.638 8

数据增强方式	F1	P	R
FFT	0.777 7	0.823 7	0.736 5
移动窗口	0.773 0	0.811 6	0.737 8
噪声	0.774 3	0.815 3	0.737 2

[1]	徐丽, 符祥远, 李浩然. 基于门控卷积的时空交通流预测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2760-2765.
[2]	陆辉, 黄瑞章, 薛菁菁, 任丽娜, 林川. 深度动态文本聚类模型DDDC[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2370-2375.
[3]	祁超帅, 何文思, 焦毅, 马英红, 蔡伟, 任素萍. 无人机飞行数据异常检测算法综述[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1833-1841.
[4]	张奕, 王真梅. 图自动编码器上二阶段融合实现的环状RNA-疾病关联预测[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1979-1986.
[5]	邱莲鹏, 宋承云. 噪声鲁棒的动态时间规整算法[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1855-1860.
[6]	雷景生, 剌凯俊, 杨胜英, 吴怡. 基于上下文语义增强的实体关系联合抽取[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1438-1444.
[7]	许喆, 王志宏, 单存宇, 孙亚茹, 杨莹. 基于重构误差的无监督人脸伪造视频检测[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1571-1577.
[8]	张凯, 覃正楚, 刘月, 秦心怡. 多学习行为协同的知识追踪模型[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1422-1429.
[9]	夏进, 王正群, 朱世明. 基于时间序列分解的交通流量预测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1129-1135.
[10]	高榕, 沈加伟, 邵雄凯, 吴歆韵. 基于Fastformer和自监督对比学习的实例分割算法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1062-1070.
[11]	尹春勇, 周立文. 基于再编码的无监督时间序列异常检测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 804-811.
[12]	陈容均, 严宣辉, 杨超城. 面向时间序列的混合图像化循环胶囊分类网络[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 692-699.
[13]	贾晴, 王来花, 王伟胜. 基于独立循环神经网络与变分自编码网络的视频帧异常检测[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 507-513.
[14]	孟玉飞, 武优西, 王珍, 李艳. 对比保序模式挖掘算法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3740-3746.
[15]	党伟超, 程炳阳, 高改梅, 刘春霞. 基于对比超图转换器的会话推荐[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3683-3688.

模型	P	R	F1
CT-ED	0.712 9	0.775 2	0.742 8
CT-ED-WO-Conv	0.616 1	0.808 4	0.699 3
CT-ED-WO-Feature	0.667 8	0.765 6	0.713 3
CT-ED-WO-Time	0.586 7	0.762 7	0.663 2
CT-ED-WO-Contrastive	0.636 3	0.766 2	0.695 2

模型	P	R	F1
CT-ED	0.712 9	0.775 2	0.742 8
CT-ED-WO-Conv	0.616 1	0.808 4	0.699 3
CT-ED-WO-Feature	0.667 8	0.765 6	0.713 3
CT-ED-WO-Time	0.586 7	0.762 7	0.663 2
CT-ED-WO-Contrastive	0.636 3	0.766 2	0.695 2