面向真实场景锂离子电池的物理引导多源协同故障诊断框架

《Journal of Energy Storage》：A physics-guided multi-source collaborative fault diagnosis framework for real-world lithium-ion batteries

　　

摘要 对真实场景中锂离子电池的精确故障诊断对于保障其安全可靠运行至关重要。为了克服现有方法在早期故障识别、评估不可靠以及泛化能力有限等方面的困难，我们提出了一种物理引导的多源协同锂离子电池诊断框架。首先，我们设计了一个物理引导的电芯级健康参考电压重构模型，以解决故障样本稀缺的问题，并为后续的特征生成奠定基础。同时，该模型解耦了反映电池组健康演化的时变隐式电化学参数。然后，我们建立了一种物理残差驱动的双视图表示增强策略，以提高不同故障的特征可分性。此外，我们通过自适应门控机制融合残差表示、隐式参数和统计特征，以获得更全面的故障表示。最后，我们构建了一种跨场景多源诊断方案，以实现低成本微调下的高精度跨场景诊断。与现有算法相比，该方法表现出优越的性能（Macro-F1得分始终在97.8%至98.9%之间）。此外，在四个真实电动汽车数据集上的大量实验充分验证了该方法的有效性和实际应用价值，有助于提升电池运行中的主动安全能力。

引言 随着交通领域的快速电动化，锂离子电池已成为电动汽车的主要能源，其安全状态直接影响车辆可靠性和用户安全[1], [2]。随着运营中电动汽车数量的不断增加，动力电池故障引发的安全事故和经济损失引起了越来越多的关注[3]。因此，真实运行中的可靠故障诊断成为电池安全管理的关键需求[4], [5]。

动力电池在循环退化、温度变化、电流波动和老化异质性的耦合效应下运行。这些因素可能导致多种故障模式，如容量异常退化、自放电异常和瞬态软内短路[6], [7], [8]。这类故障通常不会表现为孤立的突发事件，而是从内部反应异常逐步演化为可测量的电压偏差[9]。这种渐进性特征为早期预警提供了机会，但也要求诊断方法能够在强运行波动下检测微弱的故障特征。

真实车辆监控使这一问题更加复杂。车辆运行轨迹是随机的且非平稳的，数据分布在不同的车辆平台、使用条件和电池化学体系之间可能存在显著差异。在云连接的电池管理系统中，可用的测量通常是低频宏观状态信号，例如采样间隔通常为30秒左右。这一限制源于通信约束和部署成本[10], [11]。在此条件下，初期故障特征很容易被正常的电压波动所掩盖。此外，在实验室条件下验证的诊断方法可能无法可靠地迁移到实际的车辆—云场景中[12]。

现有的电池故障诊断方法大致分为基于模型的方法和基于数据的方法[13], [14]。基于模型的方法通过利用模型输出与实际测量值之间的差异来识别故障[15]。Firoozi等人[16]将降阶电化学热模型与高斯过程回归相结合，用于检测极端快充过程中的故障。Dey等人[17]通过基于偏微分方程的观测器实现了热故障检测。Xiong等人[18]和Lin等人[19]分别开发了基于等效电路模型的方案和基于卡尔曼滤波器的方案，用于隔离外部短路和传感器故障。尽管这些方法具有较强的物理可解释性，但它们依赖于准确的模型结构和可靠的参数识别。在低频云监控和高变异的实际运行条件下，这两个前提条件都难以满足[20]。

数据驱动方法随着云边协同和车联网基础设施的进步而快速发展[21], [22]。Zhang等人[23]提出了一种针对真实电动汽车场景的动态深度学习编码器框架，利用347辆车辆的充电数据验证了深度学习在实际故障检测中的可行性。Jia等人[24]建立了一个涵盖充放电条件的综合异常检测框架，通过融合特征筛选、时间形状特征提取和Transformer-GAN重构，在复杂运行轨迹下改进了异常识别。为应对数据孤岛和隐私限制，Yang等人[25]引入了基于个性化联邦学习的协同故障预警框架，使异构充电站数据能够在不共享原始数据的情况下参与模型训练。此外，为缓解因运行条件变化引起的分布偏移，Guan等人[26]将对比学习与领域自适应相结合，以提高多故障诊断在跨场景设置下的可迁移性。Zhao等人[27]还提出了一种参考电压预测器，以支持多故障分类和风险量化。这些研究表明，数据驱动模型能够学习复杂的故障模式[28]。然而，其诊断性能仍然高度依赖于三个因素：故障样本规模、训练与测试分布的一致性，以及场景覆盖的充分性。这些条件恰恰是在涉及多种运行条件和多样化车辆平台的真实应用中最难保证的[29], [30]。

为了提高可解释性和适应性，近年来融合了模型知识与深度学习的研究受到了越来越多的关注[31]。Jin等人[32]提出了一种混合诊断方案，将滑模观测器与数据驱动的间隙度量方法相结合，实现了对传感器故障和电池内阻故障的联合检测与隔离。从车辆—云协同的角度，Xu等人[33]集成了电芯差异模型、特征工程和机器学习，识别了内短路、阻抗异常和容量异常等多种故障类型。此外，Cao等人[34]提出了一种模型约束的深度学习框架，将正常状态预测与异常识别相结合，在随机运行条件下显著降低了对故障样本的依赖。

总体而言，现有研究在故障检测和异常预警方面取得了显著进展。然而，面向电动汽车真实云监控的多故障诊断仍面临三个关键挑战。第一，大多数方法缺乏电芯级健康参考重构的物理一致机制，因而直接依赖原始电压信号，将正常运行波动与实际故障偏差高度耦合。第二，即使分离出偏差，早期初期故障特征仍然极其微弱，标准特征提取器难以从复杂背景噪声中分离这些细微模式。第三，传统数据驱动模型严重依赖独立同分布数据的假设，因此不同车辆平台间的分布偏移严重限制了其跨场景泛化能力。

针对这些挑战，本研究提出了一种面向真实云BMS数据的电芯级多故障诊断的物理引导多源协同诊断框架。主要贡献总结如下：

(1) 开发了一种物理引导的健康参考重构机制。该机制从电池组级测量中联合重构电芯级健康电压并推断时变等效电路参数，在保留物理可解释性的同时减少了对故障样本的依赖。

(2) 提出了一种物理残差驱动的双视图对比表示方法，用于刻画时域和频域中互补的故障特征。监督对比学习在随机运行条件下提高了微弱且重叠的多故障特征的可分性。

(3) 建立了一种自适应多源跨场景诊断方案。通过结合对抗性领域对齐和基于有限标注目标数据的轻量级目标域校准，该方案在降低模型适配成本的同时实现了鲁棒的跨车辆诊断。

本文其余部分组织如下：第2节介绍真实数据集和故障演化机制；第3节详细阐述所提出的诊断框架；第4节报告实验验证和讨论；第5节对全文进行总结。

章节片段

数据获取 为了在实际运行条件下评估所提方法，我们使用车载电池管理系统上传的真实车辆数据进行模型开发和验证。数据根据GB/T 32960标准从新能源汽车国家监测与管理平台（NMMP-EV）采集。记录内容包括时间戳、行驶状态、累计里程、车速、电芯电压、电池组电流和温度分布[35]。经过异常值

方法论 本文研究真实场景下的电池故障诊断。所提出的物理引导多源协同诊断框架旨在实现跨场景条件下的电芯级多故障诊断。如图3所示，该框架首先在物理约束下重构健康参考电压并解耦时变隐式物理参数。随后，物理残差被转换为互补的时域和频域

结果与讨论 为了定量评估所提诊断框架在真实运行波动和数据分布偏移下的泛化能力，我们基于第2节描述的真实车辆运行数据构建了三个跨场景迁移诊断任务。EV1拥有完整的故障标签，被指定为源域，而EV2、EV3和EV4作为目标域。具体而言，EV1→EV2代表跨化学体系的迁移任务，

结论 在真实随机运行条件下的可靠多故障诊断至关重要却极具挑战性。本文提出了一种面向真实车辆场景的物理引导多源协同诊断框架。该框架通过物理引导的重构模型建立健康参考电压基线，并从低频云监控数据中直接解耦时变电化学参数。所得物理残差随后被用于

CRediT作者贡献声明

李慕兴：撰写—初稿、软件、方法论、形式分析、数据整理、概念构思。王 力：撰写—审阅与编辑、监督、获取研究资金。包 雷：可视化、软件、数据整理。谢启龙：验证、软件、调查。王占男：可视化、项目管理、形式分析。吴慕遥：撰写—审阅与编辑、监督、资源、获取研究资金。

利益冲突声明 作者声明不存在已知的竞争财务利益或个人关系可能影响本文所述工作的内容。

致谢 本工作得到国家自然科学基金（项目编号62303150）、安徽省自然科学基金（项目编号2508085QE150）、国家级大学生创新创业训练计划项目（项目编号202510359097S）以及西华大学科研平台开放项目（项目编号QCCK2025-0014）的资助。

李慕兴 | 王 力 | 包 雷 | 谢启龙 | 王占男 | 吴慕遥 合肥工业大学汽车与交通工程学院，中国合肥 230009