买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利一种无监督学习的电池生产工艺异常波动检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114648076B 。

龙图腾网通过国家知识产权局官网在2025-07-15发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210375802.5，技术领域涉及：G06F18/25；该发明授权一种无监督学习的电池生产工艺异常波动检测方法是由何志伟;赵宾杰;官思伟;董哲康;高明煜设计研发完成，并于2022-04-11向国家知识产权局提交的专利申请。

本一种无监督学习的电池生产工艺异常波动检测方法在说明书摘要公布了：本发明公开了一种无监督学习的电池生产工艺异常波动检测方法，本发明提出的特征融合重建网络中编码器网络通过多层卷积操作对输入的多通道特征矩阵进行空间上的特征提取。ConvLSTM网络提取输入的多通道特征矩阵序列在不同时间步长中的时间特征，完成数据的特征捕捉，同时在此基础上添加的注意力机制可以完成权重分配，将更多的注意力权重分配给关键的特征并减少噪声的干扰。通过译码器网络可以解码在上一步获得的特征映射，同时，利用特征矩阵信息的非对称能力来构造特征提取矩阵，从而增强各层之间的特征重用性。分层特征融合模型增加各层之间的特征交互，使得模型能够感知更多的特征维度和时间维度的信息。

本发明授权一种无监督学习的电池生产工艺异常波动检测方法在权利要求书中公布了：1.一种无监督学习的电池生产工艺异常波动检测方法，其特征在于，该方法具体包括以下步骤： 1数据采集：通过安装在电池生产设备上的传感器，采集生产过程中工艺参数的时间序列，建立数据集； 2数据处理：将原始数据集划分为训练集Xtrain、验证集Xval、测试集Xtest,其中Xtrain中只包含正常的样本，Xval和Xtest中包含正常和异常的样本；对于每个数据集处理后，生成多通道特征矩阵M； 3搭建HFFRN模型，并使用训练集Xtrain对模型进行训练； 搭建HFFRN模型，具体构建步骤如下： HFFRN模型包含CNN-ConvLSTM-ATTENTION网络，模型的第一层由4层二维卷积层组成编码层，每个二维卷积层都包含二维卷积2D-Conv、批次归一化层BN以及泄露修正线性单元LRelu激活函数；通过接收与工艺相关的多通道特征矩阵序列，选择不同的卷积核的权重和窗口的宽度，4层2D-Conv逐层提取特征矩阵的空间特征，完成空间特征的编码，每层的输出作为下层中间层的输入；中间层由四个并行的ConvLSTM块组成，用于捕获多通道特征矩阵序列中的时间和空间两个维度上的特征，同时在此基础上引入注意力机制；注意力机制完成权重的分配，将更多注意力权重分配给关键特征并减少干扰；解码层由4个二维反卷积层组成，每层均包含二维反卷积2D-Deconv、批次归一化层BN以及泄露修正线性单元LRelu激活函数；二维反卷积2D-Deconv作为2D-Conv的逆过程，通过调整卷积步长即可还原特征图特征信息；反卷积运算从最后一层反向解码到第一层，提取每一层的特征矩阵；对于最后一层直接通过对ConvLSTM的输出进行反卷积运算得到特征提取矩阵；其余三层通过将本层ConvLSTM的输出与i+1层的特征提取矩阵进行拼接之后再进行反卷积运算，得到本层的特征提取矩阵；特征提取矩阵用如下的公式进行表示： 其中，c1,c2,c3,c4为每块ConvLSTM的输出，代表反卷积操作，代表串联操作，Wde i和bde i分别为第i层中反卷积核的权重和偏置； 分层特征融合层中通过4个并行的二维卷积2D-Conv将特征提取矩阵转换成四个维度和大小相同的特征矩阵，公式如下： pi＝fWre i*ri+bre ii＝1,2,3,42 其中，pi为维度和大小相同的特征矩阵，Wre i为卷积核的权重，bre i为卷积核的偏置； 之后将这四个特征矩阵输入到联络层进行拼接；最后通过使用一个2×2的卷积核对特征矩阵中的特征值进行信息融合，得到融合特征矩阵，也即最终需要的重构特征矩阵，重构特征矩阵表示为： O＝f[p1；p2；p3；p4]*W+b3 其中，O为重构特征矩阵，W为卷积核的权重，b为卷积核的偏置；[p1；p2；p3；p4]表示将p1、p2、p3和p4进行拼接； 4使用验证集Xval用于验证已训练好的网络模型，并通过使用一种完全自适应的最佳阈值确定机制，寻找合适的阈值T； 使用一种完全自适应的最佳阈值确定机制，寻找合适的阈值T，对异常得分进行划分，异常得分在该阈值以下的为正常点，反之为异常点；具体步骤如下： 由于模型是使用正常的样本训练的，所以对于正常的样本模型实现很好的重构，验证集Xval的数据中既有正常数据又有异常数据，重构时会产生较大的误差，通过以下公式表示异常得分： ε＝||O-M||24 其中，||||表示L2范数； 将在验证集Xval得到的异常得分ε1,ε2,...,εn按照升序的顺序进行排序，得到新的异常得分为假设最佳阈值为T，使得当异常得分εt≤T的事件被分为正常点，反之为异常点；此时T满足以下的条件： 其中1≤t＜n；此时，正常事件和异常事件所占的比例为w0和w1，它们的均方差为δ0和δ1，通过以下公式表示： 其中xi表示第i个异常得分，μ表示整体得分的均值； 假设在最佳阈值T时，重建正常和异常样本后的最大化异常得分的类间方差为δ2，则 δ2＝w0t·δ0t+w1t·δ1t8 对于最佳阈值T的寻找，只需要遍历所有时刻t，找出使得上式最大化的t，并将其对应的作为最佳的阈值，即 5使用测试集Xtest测定模型性能和泛化能力。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。