融合时空特征的电池包长期服役故障动态迁移诊断

《Green Energy and Intelligent Transportation》：Dynamic transfer diagnosis of long-term service faults in battery packs fusing spatio-temporal features

　　

可靠的异构电池系统间故障诊断对于大规模电动汽车车队的安全至关重要。本研究利用多特征卷积神经网络（Multi-feature Convolutional Neural Network, MCNN）及来自1000辆电动汽车的长期运行数据，开发了一种跨域诊断框架以解决此挑战。该方法采用格拉姆角场（Gramian Angular Field, GAF）编码将多维时间序列信号转换为二维特征增强图像，提供了电化学异常的鲁棒表征。核心创新在于设计了一种智能参数过滤策略，旨在弥合镍钴锰（Nickel-Cobalt-Manganese, NCM）与磷酸铁锂（Lithium Iron Phosphate, LFP）体系间的知识鸿沟。通过在MCNN架构中集成残差连接（Residual Connections）与注意力模块（Attention Modules），该框架自适应地重新校准显著故障特征，同时减轻特定域偏差。性能评估结果表明，增强的迁移网络实现了高精度识别，在异构数据集上维持96.8%至98.46%的诊断准确率。除高精度诊断外，该方法展现出优越的计算效率。训练后的架构极其轻量，内存占用仅1.11 MB，单样本平均推理时间为8.66 ms。这些属性使该框架非常适用于资源受限的车载电池管理系统（Battery Management Systems, BMS）中的实时安全监测。该方法辅以自适应孤立森林（Isolation Forest, iForest）算法进行微观定位，成功在单体层面隔离特定的电阻与容量异常。集成框架确保了不同电池架构间的可靠安全监测，为现代交通环境中的主动维护提供了稳健解决方案。

研究背景方面，随着全球电动汽车部署扩大，电池系统安全机制亟待完善。锂离子电池虽能量密度优异但伴随安全隐患，长期服役下电池包易产生初期异常，若未管理可引发热失控、火灾及爆炸，威胁生命并阻碍商业化。现有研究多在机械滥用容忍、热管理及能量优化层面建立基础，但缺乏数据驱动的连续故障监测方案以预警复杂长期运行。人工智能算法虽推进了安全监测，但一维机器学习方法难以同时捕捉复杂多尺度时间相关性且易受长期运行驾驶周期背景噪声影响。信号转图像编码技术虽有前景，但现有模型多在单一化学体系训练，镍钴锰（NCM）与磷酸铁锂（LFP）电压平台与退化轨迹不同导致域偏移严重，标准神经架构难从复杂噪声中隔离初期故障纹理，且缺乏宏观分类与微观定位的统一框架。因此研究人员利用1000辆电动汽车运行数据，系统分类三种电池故障模式与正常状态，通过格拉姆角场（Gramian Angular Field, GAF）将多维时序转为拓扑图像，开发基于深度残差注意力网络的迁移学习框架克服域偏移，并采用自适应孤立森林（Isolation Forest, iForest）与动态物理边界精确定位故障单体。结论表明该跨域诊断框架通过智能参数过滤策略弥合NCM与LFP知识鸿沟，增强迁移网络在异构数据集维持96.8%至98.46%准确率，自适应iForest准确 pinpoint 故障单体，框架内存1.11 MB、延迟8.66 ms，适于大规模车队实时监测，集成GAF-MCNN与迁移策略为异构车队诊断提供可行方案，未来将纳入多物理场模型增强适应性。论文发表于《Green Energy and Intelligent Transportation》。

研究人员用到的主要关键技术方法包括：采用CAERI-Huawei AI-Generated Power Battery Dataset for New Energy Vehicles (CH-BatteryGen, Version 1.0)数据集，涵盖NCM与LFP系统1000辆电动汽车10秒间隔多维参数；定义四种运行模式（高内阻Pattern 1、容量异常Pattern 2、自放电Pattern 3、正常Pattern 4）；采用格拉姆角场（Gramian Angular Field, GAF）编码将一维时序转为二维GASF与GADF矩阵并180°旋转增强；构建双路径多特征卷积神经网络（Multi-feature Convolutional Neural Network, MCNN）含细粒度（2×2、3×3、4×4核）与全局（7×7、5×5核）路径，集成残差连接（Residual Connections）与卷积块注意力模块（Convolutional Block Attention Module, CBAM），采用智能参数过滤策略迁移预训练权重并对Pattern 3设3.0惩罚权重加权交叉熵；微观定位采用自适应孤立森林（Isolation Forest, iForest）结合动态3σ阈值T_dynamic=μ_s+kσ_s（k=3）。

研究结果部分保留小标题说明如下。

1. 2.
   Analysis of multi-dimensional fault patterns and data construction。研究人员介绍工业数据集CH-BatteryGen V1.0含NCM与LFP系统1000辆电动汽车10秒间隔参数（充电状态、总压、总流、SOC、单体电压等），定义四种运行模式物理机制，采用自适应孤立森林（Isolation Forest, iForest）算法基于路径长度h(x)与异常分数s(x,n)筛选混合时序数据提取异常段，构建源域与目标域Dataset 1-3各128样本（每模式32样本），按22:4:6分训练验证测试，源域按车辆ID分离防泄漏。
2. 3.
   Cross-chemistry transfer diagnosis model fusing spatio-temporal features。研究人员阐述框架三阶段：GAF时空编码（Min-max归一化转[-1,1]，极坐标映射r_i、θ_i，构建GASF与GADF矩阵保留时间依赖，GASF捕宏观电压演化、GADF敏局部瞬态扰动，180°旋转增强）；双路径MCNN架构（细粒度与全局路径含批归一化、最大池化、Dropout，全连接融合元素求和，交叉熵加L2正则λ=0.0001，Adam优化器更新参数，输入为单变量时序GASF与GADF、窗口50秒滑动窗口）；增强迁移框架（残差块y=F(x)+x防梯度消失，CBAM顺序通道M_c(F)与空间M_s(F)注意力，智能参数过滤迁移权重重初始化决策层，Pattern 3加权损失w_f=3.0）；微观定位（iForest算各单体异常分数s(x,n)，动态阈值T_dynamic=μ_s+3σ_s超阈值判故障单体）。
3. 4.
   Results and discussion。4.1 Performance analysis under direct knowledge transfer。研究人员直接将预训练基线模型用于Dataset 1-3，Dataset 1（跨车NCM）健康识别降至28.1%，Dataset 3（混合NCM-LFP）健康误判自放电仅6.2%，因LFP平坦电压平台被基线误判为自放电，GAF拓扑纹理差异致预训练核失效，混淆矩阵示各类别32样本均衡。

4.2 Transfer efficacy of parameter filtering and residual attention enhancement。研究人员采用智能参数过滤迁移权重，Dataset 1-2恢复判别力但Dataset 3的Pattern 3仅33.3%，因LFP健康与自放电GAF纹理相似。加入残差与CBAM并超参分析（通道压缩比16、空间核7×7、600 epoch最优），增强后Dataset 3的Pattern 3精度提升至96%以上，五折交叉验证Dataset 1-3均值98.43%、98.46%、96.8%，最小折92.00%，证实参数迁移与残差注意力协同必要。

4.3 Interpretability analysis via spatial-channel attention mapping。研究人员可视化CBAM权重，通道注意力稀疏抑制无关域噪声、放大目标故障拓扑滤波器，空间注意力在NCM聚焦中心对角线瞬态 surge，LFP（Dataset 3）转向外围非对角线长时相关（50秒窗首尾累积差异），物理对应自放电诊断特征，双注意力维持异质数据集判别力。

4.4 Micro-level cell localization using adaptive iForest。研究人员用iForest隔离故障单体，高内阻Pattern 1中cell #86电压轨迹波动、jerk能量-翻转频率散点离群、异常分数超动态阈值0.7666定位；容量异常Pattern 2中cell #93与#76平均绝对偏差超3σ阈值定位，cell #73预警；敏感性分析k=3.0为最优鲁棒区，k=1.5过敏致假阳性、k=4.5钝化漏检cell #76，证实动态阈值抗实车噪声。

4.5 Discussion of findings。研究人员注入加性白高斯噪声测试，Dataset 2清洁基线98.46%（最小96.2%）、15 dB 98.43%（96.00%）、10 dB 96.09%（92.00%），框架抗噪；Intel Core i7-12700K CPU下单样本推理8.66 ms、3.04×10⁵参数、1.11 MB内存，适车载BMS；Dataset 1五折对比基线SVM 58.75%、ViT 63.17%、LSTM 80.00%、DANN 92.92%、微调MCNN 94.55%，增强GAF-MCNN达98.43%与宏F1 0.9841最优；指出局限：CH-BatteryGen为物理约束生成数据非真实罕见高风险数据、动态3σ对非高斯重尾敏感（未来拟用中位数绝对偏差）、Softmax单标签难解复合故障（未来多标签架构）、合成到真实转移量化待真实数据脱敏后开展。

总结讨论部分，研究人员指出框架在噪声环境、轻量效率、跨域精度优于基线，但受限于生成数据与单标签分类，未来将拓展多物理场热模型模拟内短路与热失控前兆、区分单体退化与传感器故障、发展多标签解耦复合故障、量化合成-真实分布相似性。结论部分翻译如下：本研究利用1000辆电动汽车长期运行数据开发跨域诊断框架，利用格拉姆角场（Gramian Angular Field, GAF）将一维信号转为特征增强图像，核心聚焦克服异构电池系统诊断知识迁移的性能退化。主要结论如下：1) 跨域迁移机制：实施智能参数过滤策略弥合镍钴锰（NCM）与磷酸铁锂（LFP）电池系统知识鸿沟，通过匹配层架构与选择性迁移预训练权重建立知识复用基础并适应域变异，结合残差连接与空间-通道注意力使模型重新校准直接迁移中被掩盖的显著故障纹理。2) 迁移效能与定位：该方法展现卓越鲁棒性，显著域偏移场景下维持96.8%至98.46%诊断准确率，优于基线；自适应孤立森林（Isolation Forest, iForest）准确 pinpoint 目标包内电阻异常faulty cell #86与容量异常cell #76、#93；框架1.11 MB内存与8.66 ms延迟规避复杂神经网络计算瓶颈，确保大规模电动车队可靠高速安全监测。结果证实GAF-MCNN与先进迁移策略集成为大规模异构电动车队诊断挑战提供可行方案，减轻跨系统应用典型诊断崩溃，确保多样电池化学可靠监测，未来将纳入多物理场模型精炼迁移算法以增强未见运行环境适应性。