《Journal of Energy Storage》：Unsupervised clustering with enhanced feature engineering for long-term battery fault warning in real-world electric vehicles
编辑推荐：
提出基于无监督聚类的新型长期电池故障预警方法，通过自适应窗口滤波增强电压排序平均特征，结合峰值-平台分离机制构建五维特征矩阵，在30组真实电动车数据集上验证其高准确性和长期预警能力。
唐爱华|陈英爽|彭思敏|于全清|舒星|沈伟翔|熊瑞
教育部先进汽车零部件制造技术重点实验室，重庆理工大学，重庆，400054，中国
摘要 对锂离子电池故障的长期预警为降低电动汽车（EV）的安全风险提供了关键时机。然而，由于EV运行条件的高度复杂性以及早期故障的微妙特征，实现长期预警仍然是一个重大挑战。为了解决这个问题，本研究提出了一种基于无监督聚类的新型长期预警方法。首先，使用日尺度窗口提取电池核心特征。通过自适应窗口滤波处理电压排序平均特征，以提高故障特征的检测能力。其次，通过对电池核心特征进行导数处理，构建了四个高度可分的故障特征。这些特征与纵向异常平均值一起构成了一个五维特征矩阵。第三，设计了一种综合确定机制，利用峰值到平台值的分离来获得特征权重，从而避免因等权重平均而导致的特征稀释。然后，采用无监督聚类来防止由于特征平均可能产生的分数过高和误报。最后，使用30个真实世界的EV运行数据集对所提出的方法进行了验证，证明了其高准确性和长期预警能力。本研究为现实世界EV环境中的电池安全预警提供了一个高度通用且实用的解决方案。
引言 在全球双碳战略目标的推动下，电动汽车（EV）行业已成为交通低碳转型的重要力量。作为EV的核心组件，锂离子电池因其高能量密度和长循环寿命等优势而被广泛使用[1]。然而，随着EV拥有量的持续增长，电池安全问题变得越来越突出。根据《2024年汽车召回分析报告》，中国有295,000辆新能源汽车因电池内部故障被召回，严重阻碍了EV行业的健康发展。因此，电池故障预警已成为电池管理系统（BMS）的研究重点。从2013年到2025年，与“电池故障预警”相关的出版物和引用数量显示出显著上升趋势，如图1所示。目前，车载BMS只能在真实的EV运行条件下获取有限的信号，如电压、温度和电流。研究人员必须利用这些信号来实现故障预警和定位。故障预警方法大致可以分为三类：基于模型的方法、基于知识的方法和数据驱动的方法。表1展示了这些方法的比较分析。
基于模型的方法依赖于高精度的电池模型来模拟内部电化学过程，并通过模型参数的变化实现电池故障的早期预警。然而，在复杂且高度动态的EV放电条件下，模型精度往往会下降。例如，胡等人[2]开发了一种基于极化动力学的内部短路（ISC）诊断方法，该方法对测量干扰和电池老化具有很强的鲁棒性，取代了传统的充电耗尽技术。徐等人[3]设计了一种结合非线性观察器的荷电状态（SOC）估计和ISC检测的联合策略。洪等人[4]提出了一种基于改进的故障模型和递归最小二乘法的外部短路诊断方法，能够在4秒内准确识别故障。除了处理短路故障外，研究人员还开发了更全面的模型来揭示故障的物理机制或耦合效应。例如，李等人[11]建立了一个物理故障模型，该模型考虑了副反应，揭示了模型参数与故障（包括电解质分解、活性颗粒断裂和锂沉积）之间的内在相关性。在另一项研究中，李等人[5]引入了一种基于电热模型的诊断框架，其中应用了粒子群优化来提取最优参数，并使用无迹卡尔曼滤波器进行实时核心温度预测和变化率监测。此外，一些研究还将老化因素（如容量衰减和电阻增长）纳入其建模框架。例如，萨拉等人[12]构建了两个自适应观察器来检测SOC异常和电压传感器故障。
基于知识的诊断方法不需要精确的数学模型，而是依赖专家知识和逻辑推理来进行故障分析[13]。例如，赫尔德等人[6]应用了基于故障模式和效应的故障树分析来追踪EV火灾的根本原因。然而，这些方法严重依赖于对锂离子电池故障机制的系统和深入研究来支持知识获取。此外，它们在动态EV运行环境中的有限学习能力和适应性往往限制了故障预警的有效性。
机器学习和人工智能的快速发展促进了数据驱动方法在电池故障预警中的应用。研究人员预测电池的关键参数或利用特征挖掘来实现中短期故障预警。赵等人[7]开发了一种基于循环神经网络的电压预测模型，并结合卷积神经网络进行故障状态分类。唐等人[14]引入了一种结合自适应电压校正器的卷积神经网络，以实现动态运行条件下的电池模块健康监测。李等人[15]将长短期记忆（LSTM）网络与等效电路模型相结合，以提高诊断性能。曹等人[16]提出了一种基于深度学习方法的故障诊断网络，适用于不可预测的运行条件。该网络结合了电池模型约束，以实现实时故障诊断和分类。赵等人[17]结合了驾驶行为和车辆状态数据，量化了特征相关性，并使用门控循环单元网络构建了多步电压预测和故障诊断模型。奥乔等人[18]开发了一种基于LSTM的表面温度估计模型，并结合了观察器进行实时故障检测。唐等人[18]设计了一种基于云的多功能异常诊断策略，通过筛选机制将EV分为高风险、中等风险和低风险组。XGBoost模型用于高风险和低风险EV的高精度检测，而纵向异常平均值（LOA）用于识别中等风险组中的故障电池，并结合累积电压差平均方法进行故障分类。于等人[19]开发了一个基于三维特征的多故障模式诊断框架：时间域、频率域和电池内部电阻。朱等人[20]通过脉冲充电测试获得标准化内部电阻，然后使用随机森林模型对锂沉积特征进行分类。赵等人[21]开发了一种双塔变压器架构，结合时间和通道编码器来预测电池故障的演变。除了上述基于学习的技术外，还使用了统计分析方法（如局部异常因子和相关系数）进行电池故障检测。李等人[9]使用增量容量曲线和主成分分析提取高度相关的特征，通过聚类算法实现潜在故障检测。吴等人[22]引入了一种基于电压余弦相似度的ISC诊断方法，从电压和电流构建二维特征向量以实现快速故障识别。洪等人[23]提出了一种使用经验分布函数和信息熵的故障检测方法，有效降低了误报和漏报率。蒋等人[24]开发了一种基于变分模式分解的方法，并结合了隔离森林算法。段等人[25]使用局部加权曼哈顿距离、电压比和温度数据进行故障诊断和分类。孙等人[10]提出了一种基于统计分析的三层故障检测方法，用于诊断过电压、欠电压和异常电压波动等故障。
尽管已经开发了多种电池故障预警方法，但仍存在几个核心挑战。首先，一些研究依赖于基于实验室数据的故障预警方法，当应用于复杂的真实EV运行条件时，其泛化能力不足，导致诊断性能下降。其次，从真实EV获得的大数据中通常缺乏故障标签，而手动注释被认为是成本高昂且效率低下的。第三，准确和长期的电池故障预警难以实现。为了解决这些问题，本研究提出了一种基于真实EV运行数据和无监督聚类算法的长期故障预警策略。通过利用两种类型的电池核心特征，扩展了故障输入模式，并在开发的预警框架中增加了故障特征的维度。这种方法显著增强了故障相关信息的提取，实现了长期预警和电池故障的精确定位[26]。
本研究的主要贡献如下： (1) 构建了电压排序平均（VSA）和LOA来捕捉早期故障特征。通过引入自适应窗口滤波（AWF）框架处理VSA特征，进一步增强了故障特征的可区分性。
(2) 通过结合峰值到平台值分离（PPS）和无监督聚类，开发了一种综合确定机制（CDM）。该机制有效增强了关键故障特征在长期预警中的贡献，避免了深度学习方法中对故障标签的依赖，并克服了统计分析方法中固定阈值设置的限制。
(3) 在包含正常、故障和潜在故障EV的30个EV的数据集上对所提出的方法进行了全面验证。该方法在各种运行条件、故障模式和电化学系统下都具有通用性，实现了长期预警而不影响准确性。
本文的其余部分组织如下。第2节描述了数据获取过程和特征工程方法，第3节详细阐述了CDM框架，第4节提供了所提出策略的全面讨论，第5节总结了主要结论。
部分摘录 数据描述 本研究使用的数据来自一个EV大数据监控平台。选择了30辆EV进行分析，其中16辆配备了三元锂电池，14辆配备了LiFePO4 （LFP）电池。在三元锂电池EV中，9辆EV被识别出电压故障，其余的被归类为正常。在LFP EV中，3辆EV检测出电压故障，其余11辆EV正常运行。详细信息见表2。
综合评分 基于五维特征矩阵（包括VSAD、VSACV、LOA、LOAD、LOACV）构建了一个多尺度特征融合框架。该框架接受维度为（D, 5, B）的输入，并产生维度为（D-1, B）的输出。其实现细节如下：
步骤1. 特征归一化 ：为了消除维度差异同时保留特征方向信息，应用绝对最大归一化将所有特征映射到区间[?1,1]：
滤波器讨论 在AWF框架中，窗口参数根据数据的时间域特征和故障检测要求之间的协同优化原则进行设计。初始过滤使用基线窗口大小15（相当于半个月），考虑到某些EV数据集的时间跨度有限（例如，30-40天的短期观测序列），确保至少覆盖两个完整的
结论 本文提出了一种用于真实世界EV中电池故障长期预警的新颖无监督聚类方法。首先，提取了两个核心特征：VSA和LOA，以区分EV组内的故障电池和正常电池。VSA特征通过AWF框架进行处理，该框架保留了突然的电压变化并抑制了正常的电压波动。其次，提取了四个高度可分的故障特征，其中两个反映了短期
CRediT作者贡献声明 唐爱华： 撰写——审阅与编辑，调查，概念化。陈英爽： 撰写——原始草稿，可视化，软件，方法论。彭思敏： 撰写——审阅与编辑，验证。于全清： 撰写——审阅与编辑，监督。舒星： 验证，资金获取。沈伟翔： 撰写——审阅与编辑，调查。熊瑞： 撰写——审阅与编辑，监督。
致谢 本工作得到了国家自然科学基金 （项目编号：52277213、52177210、52477226）、山东省自然科学基金 （项目编号：ZR2025MS715）以及教育部先进汽车零部件制造技术重点实验室 （项目编号：2024KLMT02）的共同支持。
