摘要
及时检测电池退化对于确保电动汽车（EV）系统在现实世界运行条件下的安全性和可靠性至关重要。本文提出了一种基于物理原理的多传感器学习框架，称为SensorFusion-Former（SFF），用于早期预警电动汽车电池性能的短期退化。该框架结合了基于物理的基线模型以实现操作规范化，多传感器融合注意力机制来模拟跨模态交互，以及轻量级的Transformer架构以实现高效的时间表示学习。通过物理一致的残差分析和时间平滑处理，实现了弱监督学习，从而无需密集的手动注释即可进行可扩展的训练。为了支持可靠的部署，本文还引入了证据不确定性建模和共形校准技术，以获得统计上可控的决策阈值。在IEEE DataPort的真实驾驶循环数据集上进行的实验表明，SFF在早期预警时间、误报率和推理效率方面均优于传统的机器学习方法、深度神经网络和标准Transformer模型，同时保持了具有竞争力的判别性能。在不同温度条件下的跨场景评估进一步验证了该框架的鲁棒性和泛化能力。
