vGRU-AI异常检测算法
算法背景
车用动力电池突然死亡问题困扰着整个新能源行业，传统方法无法找到部分起火事故的电热特征，也无法通过基于特征的预警算法实现事故车辆的检出和预警。因此，亟需一种不基于显式电热特征的异常检测算法，实现基于动力电池运行数据的数据挖掘和故障预警。
产品介绍
vGRU-AI异常检测算法使用实车全量充电数据进行分析，利用已训练的神经网络模型对输入的实车数据进行自动化参数提取特征，并与给定的阈值做比较，大于阈值则认为是异常车。算法支持二次开发和灵活配置，可以集成到产品或系统中，实现基于实车的电池故障预警、故障追踪和故障根因分析等功能，可应用于各大主机厂实车预警、异常检测、故障模式识别等场景。
指标
算法检出率＞85%，误报率＜10%，算法可有效检出无明显热电特征的故障车辆。
数据需求：
- 训练数据的异常标签数据不少于15辆，正常标签数据不少于50辆，无上限；
- 最低采样率：30s；
- 数据时间跨度不低于1年；
- 含有里程数据。
案例
