一.比赛链接

  https://aistudio.baidu.com/aistudio/competition/detail/495/0/introduction

二.赛题背景

  汽车产业正在经历巨大变革，新能源汽车市场规模持续扩大，电池安全问题日益引发重视。 电池异常检测面临着汽车数据质量差，检出率低，误报率高，大量无效报警无法直接自动化运维等问题。
  为了更好的检验电池安全问题，比赛通过募集优秀异常检测方案，使用特征提取、参数优化、异常对比等手段对实车数据进行处理，优化异常检测结果，以便更好的应用于车辆预警、故障模式识别等多种场景。

三.比赛方案

        贴一个方案图和比赛结果，通过实验验证ResNet结构的网络在处理电池数据异常检测效果明显优于MLP和FTTransformer网络，具体实验可查看博客和能源AI挑战赛_异常检测赛.pptx。如果觉得可以，点个小星星:blush::blush:，多谢。

四.特征分析

        模型只用到了是电池数据的前7列的最后一行数据和里程数。

五.模型构建及训练

1.代码结构

    ./Energy_Anomaly_Detection
    │ clf1.torch # 模型文件
    │ data_anls.ipynb # 数据分析脚本
    │ demo_resnet_epoch532_lr0.001_dropout0.25_auc0.8998.ipynb # jupyter版本训练代码
    │ loss.png # loss曲线
    │ myutils.py # 配置文件
    │ README.md # 中文用户手册
    │ requirements.txt # 依赖环境
    │ Revisiting Deep Learning Models for Tabular Data.pdf
    │ submision.csv # 比赛要求的csv文件
    │ train.py # 在jupyter版本训练代码进行规整的训练脚本
    │ train_optuna.ipynb # optuna自动化调参
    │ 能源AI挑战赛_异常检测赛.pptx
    ├─log # 日志类文件夹
    | train.log # 训练日志文件
    ├─Test_A # 验证数据（只存在样例数据，训练时需拷贝全部数据）
    │ 0.pkl
    │ 1.pkl
    │ ...
    │ ...
    │ ...
    │
    ├─Train # 训练数据（只存在样例数据，训练时需拷贝全部数据）
    │ 0.pkl
    │ 1.pkl
    │ ...
    │ ...
    │ ...

2.环境依赖

The experiment code is written in Python 3 and built on a number of Python packages:

• delu==0.0.13
• loguru==0.6.0
• matplotlib==3.6.1
• numpy==1.23.4
• pandas==1.3.2
• rtdl==0.0.13
• scikit_learn==1.1.2
• scipy==1.9.2
• torch==1.11.0
• tqdm==4.41.0
• matplotlib==3.0.3
• scipy==1.2.1
• numpy==1.21.5

3.两种形式执行训练，生成比赛要求的csv文件

    3.1 train.py执行训练，可以通过修改model_name参数，进行MLP、ResNet、FTTransformer的实验。

python train.py
python train.py  --model_name ResNet --train  Train  --test Test_A  --epoch 532  --batch_size 256 

    3.2 demo_resnet_epoch532_lr0.001_dropout0.25_auc0.8998.ipynb执行训练

六.总结

        1.模型只用到了是电池数据的前7列的最后一行数据和里程数，未考虑到数据的时序性。因此还存在改进点，比如将[256,8]的特征压缩到[1,8]或者用[256,8]的特征进行分类等等。 当然这只是猜想😈
        2.loss曲线发现趋势存在震荡,因为模型的超参数是通过手动调节的。因此设计了一个脚本train_optuna.ipynb，进行自动化调节模型的超参数，模型的超参数有学习率、batch_size、隐藏层的个数、dropout、网络结构的层数等一系列参数。 （由于时间等一系列原因导致搁置了。。。。。）