面向异构电动汽车电池包的仅正常数据故障检测与故障电芯定位:热点抑制与告警一致双分支注意力Transformer框架

《Batteries》:Normal-Data-Only Fault Detection and Faulty-Cell Localization in Heterogeneous Electric-Vehicle Battery Packs Using a Hotspot-Suppressed and Alarm-Consistent Dual-Branch Attention Transformer

【字体: 大 中 小 】 时间:2026年10月24日 来源:Batteries 4.8

编辑推荐:

  本文提出HAC-DBAT(Hotspot-Suppressed and Alarm-Consistent Dual-Branch Attention Transformer),一种仅正常数据(normal-data-only)的双分支Transformer(d

  
本文提出HAC-DBAT(Hotspot-Suppressed and Alarm-Consistent Dual-Branch Attention Transformer),一种仅正常数据(normal-data-only)的双分支Transformer(dual-branch Transformer)框架,用于异构电动汽车电池包(heterogeneous electric-vehicle battery packs)中的记录级故障识别(record-level fault recognition)和故障电芯定位(faulty-cell localization)。数据集包含88条车辆记录,包括34条正常训练记录和一个由50条记录组成的留出测试划分,其中包含7个标注故障和13个标注故障电芯。在测试划分上,记录级F1-score为0.9333,条件故障电芯F1-score(conditional faulty-cell F1-score)为0.8889,端到端故障电芯F1-score(end-to-end faulty-cell F1-score)为0.8276。该框架集成有效性掩码电池包对齐(validity-masked pack alignment)、残差条件双分支重构(residual-conditioned dual-branch reconstruction)、正常参考阈值化(normal-reference thresholding)和热点感知电芯排序(hotspot-aware cell ranking)。其评估涉及故障记录识别和故障电芯定位,而非经核实的热失控预警提前时间(thermal-runaway lead time)。
电动汽车(electric vehicle,EV)电池系统故障带来运行与安全风险。数据提供方将受影响记录标注为三元锂离子电池热失控(thermal runaway)相关故障,但这些标签不独立确认热失控发生;识别异常运行记录也不等于对热失控的提前预测,经核实的预警提前时间需要事件起始和相应报警时间戳,而本研究未建立这些信息。因此,该研究评估记录级故障检测和故障电芯定位,而非事件前预警能力。故障诊断方法包括工程阈值、物理信息模型和数据驱动方法;固定阈值对工况敏感,详细机制模型跨车队难校准,监督分类器需要代表性标注故障样本。仅正常数据(normal-data-only)异常重构则学习正常行为并在推理时识别偏差。数据集包含异构U95_T34和U96_T32电池包结构;朴素填充缺失通道可造成人工重构差异,孤立电压尖峰和反复高响应通道(recurrent high-response channels)也可混淆定位。为此,HAC-DBAT(Hotspot-Suppressed and Alarm-Consistent Dual-Branch Attention Transformer)通过掩码结构缺失通道、聚合窗口级证据、在记录评分中使用不确定性和报警一致性、并在合格电压电芯排序中抑制正常态热点来应对。研究人员提出仅正常数据的双分支Transformer框架,主要贡献包括:面向两种电压/温度配置的有效性掩码映射和正常参考布局补偿;带掩码损失、交替参数更新和计数独立记录决策的残差条件双分支重构;以及记录级故障检测和条件/端到端故障电芯定位,并进行基线、消融和敏感性比较,分析同时纳入有利和不利变化。在留出测试划分上,记录级F1为0.9333、条件故障电芯F1为0.8889、端到端故障电芯F1为0.8276;该框架为异构EV电池包监测提供有效性掩码、仅正常数据重构和电芯排序框架,基线比较、单因素消融和敏感性分析刻画了记录级和故障电芯级性能。重要意义在于支持记录级故障识别与故障电芯定位,但由于测试集仅含7个阳性记录,更广泛泛化和经核实的热失控起始提前时间仍超出本研究结论。

关键技术方法概括(不超过250字):样本队列为88条去标识化运行记录(88辆车/电池包;训练与测试无共享车辆、电池包或采集批次标识),原始训练侧34条正常和4条故障相关记录,后者排除于拟合与校准;测试为50条留出记录(43正常、7条提供方标注故障含13个标注故障电芯)。技术包括U95_T34/U96_T32的有效性掩码映射与正常参考布局补偿(ηDA=0.60)、残差条件双分支Transformer重构(O1、E1、掩码损失、交替更新)、基于MC Dropout(Monte Carlo Dropout,推理时多次随机失活估计不确定性)、正常窗口q99、六记录级特征融合与三连续窗口门的计数独立记录决策,以及五项证据融合、热点惩罚β=0.28、τcell=0.30和Kcell=5的电芯排序。

研究结果:
3.1 记录级和电芯级评估结果:通过50条留出测试记录上的固定划分评估,模型检测全部7条故障记录并产生1次假报警,TP/FP/FN/TN(真阳性/假阳性/假阴性/真阴性)=7/1/0/42;条件电芯定位为12/2/1,端到端电芯定位为12/4/1,额外两个端到端假阳性来自误报正常记录。
3.2 基线和单因素消融:通过修订协议比较,HAC-DBAT的record F1=0.9333、条件电芯F1=0.8889,DBAT为0.8750/0.8462,Anomaly Transformer为0.8750/0.8571;通过六项单因素消融,移除热点抑制(β=0)使条件电芯F1从0.8889降至0.7273,移除电芯级报警一致性降至0.8571而不改变记录F1;所有修订基线使用相同正常训练/测试记录、有效性掩码、窗口/步长、模型特定正常q99阈值、三报警门和电芯选择规则。
3.3 敏感性和统计不确定性:通过β=0、0.28、0.35扫描,条件电芯F1分别为0.7273、0.8889、0.8800;变化Kcell和正常参考q分位数也改变性能;通过八次队列内正常记录重划分,record、条件电芯和端到端F1为0.9249±0.0753、0.8881±0.0533、0.8441±0.0917(mean±sample SD);7/7记录敏感度的精确95%二项区间约[0.590,1.000];这些回顾性检查不能确定参数何时选择。
3.4 训练数据规模敏感性:通过N=9、17、26、34条正常记录各八次运行且使用同一留出50记录测试队列,性能一般随正常记录增加而提高;较小训练集改变车辆成员,全规模运行改变初始化和窗口采样,其他训练设置保持恒定。

讨论部分总结:修订协议产生record F1=0.9333和条件电芯F1=0.8889;基线和消融比较提示本队列中布局补偿、残差重构和热点感知电芯融合的贡献。相关传感器诊断领域结果仅作背景而非EV电池包基准。不同于早期评估含expected_fault_files=7计数先验设置,修订程序对每个记录独立进行正常阈值和稳定报警决策;旧计数先验设置在修订评估前移除,两种程序不作为匹配比较。局限包括仅7个标注故障记录且这些故障记录在八次正常数据重划分中重复使用;尽管提供方标注为三元锂离子电池热失控相关故障并提供故障电芯标签,现有证据不能独立确定热失控是否发生、其起始时间或详细电化学失效机制,因此不能评估事件前预警提前时间;单个记录时长由源文件时间戳跨度定义但本文未数值列表;预测试参数设置由作者根据保留运行工件检查,独立复现需访问这些工件;更大独立故障队列和外部来源验证仍需。

研究结论(翻译):HAC-DBAT为异构EV电池包监测提供有效性掩码、仅正常数据的重构和电芯排序框架。在留出划分上,record F1=0.9333、条件电芯F1=0.8889、端到端电芯F1=0.8276。基线比较、单因素消融和敏感性分析刻画了记录级和故障电芯级性能。由于测试集仅包含7个阳性记录,更广泛的泛化和经核实的热失控起始提前时间仍不在本研究结论范围内。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号