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

所属专题：网络空间安全

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]	赵秦壮, 谭红叶. 基于自适应阈值学习的时序因果推断方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2660-2666.
[2]	范黎林, 曹富康, 王琬婷, 杨凯, 宋钊瑜. 基于需求模式自适应匹配的间歇性需求预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2747-2755.
[3]	陈廷伟, 张嘉诚, 王俊陆. 面向联邦学习的随机验证区块链构建[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2770-2776.
[4]	杨兴耀, 陈羽, 于炯, 张祖莲, 陈嘉颖, 王东晓. 结合自我特征和对比学习的推荐模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2704-2710.
[5]	任烈弘, 黄铝文, 田旭, 段飞. 基于DFT的频率敏感双分支Transformer多变量长时间序列预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2739-2746.
[6]	高鹏淇, 黄鹤鸣, 樊永红. 融合坐标与多头注意力机制的交互语音情感识别[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2400-2406.
[7]	汪才钦, 周渝皓, 张顺香, 王琰慧, 王小龙. 基于语境增强的新能源汽车投诉文本方面-观点对抽取[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2430-2436.
[8]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[9]	陈虹, 齐兵, 金海波, 武聪, 张立昂. 融合1D-CNN与BiGRU的类不平衡流量异常检测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2493-2499.
[10]	徐松, 张文博, 王一帆. 基于时空信息的轻量视频显著性目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2192-2199.
[11]	晁浩, 封舒琪, 刘永利. 脑电情感识别中多上下文向量优化的卷积递归神经网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2041-2046.
[12]	林欣蕊, 王晓菲, 朱焱. 基于局部扩展社区发现的学术异常引用群体检测[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1855-1861.
[13]	徐泽鑫, 杨磊, 李康顺. 较短的长序列时间序列预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1824-1831.
[14]	蒋小霞, 黄瑞章, 白瑞娜, 任丽娜, 陈艳平. 基于事件表示和对比学习的深度事件聚类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1734-1742.
[15]	王美, 苏雪松, 刘佳, 殷若南, 黄珊. 时频域多尺度交叉注意力融合的时间序列分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1842-1847.

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