《Frontiers in Artificial Intelligence》：Deep learning-based EV battery fault diagnosis using RBBMO with CAR-TATNET detection approach
编辑推荐：
确保电动汽车（EV）动力电池的安全性和可靠性已成为一个主要关注点，而故障检测已成为保障系统稳定性的关键手段。本研究开发了一种基于深度学习（DL）的缺陷预测技术，该技术结合了优化算法和上下文感知循环神经网络与自适应时间Transformer（CAR-TATNet
确保电动汽车（EV）动力电池的安全性和可靠性已成为一个主要关注点，而故障检测已成为保障系统稳定性的关键手段。本研究开发了一种基于深度学习（DL）的缺陷预测技术，该技术结合了优化算法和上下文感知循环神经网络与自适应时间Transformer（CAR-TATNet），以克服上述不足。其目标是降低噪声并提升从电动汽车电池信号中提取相关运行模式的能力。数据集首先通过数据清洗和改进的自适应噪声完全集成经验模态分解（ICEEMDAN）进行预处理。利用短时傅里叶变换（STFT）捕获与电动汽车电池故障模式相关的关键时频特征。受喜鹊觅食方式的启发，红嘴蓝鹊优化（RBBMO）算法筛选出对高效特征选择最为重要的特征。最后，采用CAR-TATNet模型对时间序列中的长期依赖关系进行建模，并自适应地响应时变故障模式。根据在Python软件中的实验验证，所开发的方法优于现有方法，达到了94.94%的卓越准确率，为精确的电动汽车电池故障检测提供了一种潜在的替代方案。
一、研究背景与问题提出
随着全球对碳中和目标的追求，交通电气化被视为减少化石燃料依赖的关键路径。锂离子电池（LIBs）凭借其高功率密度、高能量密度、长寿命和较低的自放电率，在电动汽车（EV）领域得到广泛应用。然而，电动汽车电池相关事故在全球范围内频发，严重威胁生命财产安全。电池在运行过程中，微小故障难以被及时识别，长期使用会积累热量并可能引发热失控，导致灾难性失效。尽管电池管理系统（BMS）内置了基本故障识别标准，但其可靠性不足，难以满足及时、精确识别电池故障并提供有效早期预警的迫切需求。
现有故障诊断方法存在诸多局限：稀疏主成分分析（SPCA）虽能消除噪声和冗余信息，但其成分间的相关性使统计分析和可视化复杂化；小波变换虽能高效压缩数据，但计算量大，尤其在实时应用中；离散小波变换（DWT）需要深厚的 wavelet 理论知识来选择合适的小波基函数；因子分析虽能降维，但实现和解释复杂；最大相关最小冗余（MRMR）方法在复杂连续数据或特定学习范式下需调整；距离判别与差分进化结合（FSDD）无法捕捉特征间的复杂关系；改进的希尔伯特-黄变换（HHT）因经验模态分解（EMD）的迭代性质而难以有效实施。在深度学习诊断方法方面，CNN-BiLSTM混合模型存在过拟合风险且可解释性差；GAN-CNN-LSTM训练时间长、收敛慢；CNN-BiGRU在数据不足时易过拟合；CNN Patch Transformer架构复杂、特征融合困难；GRU-LSTM在真实BMS中的可靠性有待验证；GBDT-iForest-Boxplot多模型融合计算效率低；基于拓扑深度学习的方法计算资源需求大；基于重构的Transformer-LSTM模型可能过度学习重构异常数据，导致漏检。
为此，研究人员提出了一种创新的电动汽车电池故障诊断框架，结合RBBMO特征优化与CAR-TATNet分类器，旨在提高故障诊断的准确性和鲁棒性。该研究发表在《Frontiers in Artificial Intelligence》上。
二、关键技术方法
研究人员采用了多阶段技术流程：首先，通过数据清洗处理缺失值、重复项和异常值，并采用改进的自适应噪声完全集成经验模态分解（ICEEMDAN）对信号进行降噪处理，将原始信号分解为固有模态函数（IMFs）以分离噪声并保留真实运行模式。其次，利用短时傅里叶变换（STFT）对预处理后的信号进行时频分析，同时捕获时间和频率域特征。然后，受红嘴蓝鹊觅食行为启发的红嘴蓝鹊优化（RBBMO）算法被用于特征选择，通过模拟小群体搜索和大群体集群搜索策略，结合收敛因子和食物存储机制，迭代优化选择最具判别力的特征子集。最后，将优化后的特征输入上下文感知循环神经网络与自适应时间Transformer（CAR-TATNet）分类器，该模型结合了基于门控循环单元（GRU）的上下文感知循环编码器和基于多头自注意力机制的自适应时间Transformer，以建模短期和长期时间依赖关系并自适应识别故障模式。
三、研究结果
3.1 预处理与降噪
通过数据清洗，研究人员采用线性插值估计缺失值，通过时间戳验证消除重复条目，并利用统计离群点检测方法识别和修正异常测量值。随后采用ICEEMDAN进行降噪，该方法将高斯白噪声应用于第k个分量而非原始信号，通过多级分解过程生成IMFs和残差项，直至残差满足单调性条件。ICEEMDAN的自适应噪声添加机制避免了过度分解或欠分解情况，确保了处理后的数据更清洁、更能反映电池的真实运行行为。
3.2 STFT特征提取
STFT通过对连续帧执行傅里叶变换，同时捕获时间域和频谱特性。研究人员利用功率谱密度（PSD）计算，在采样频率范围内表征每个窗口段的频谱特征，使模型能够识别随时间变化的动态故障模式，从而增强模型在不同运行条件下预测误差的能力。
3.3 RBBMO特征选择
RBBMO算法通过模拟红嘴蓝鹊的群体觅食行为进行特征选择。在搜索阶段，算法根据食物源位置和其他个体位置动态调整搜索代理位置，分别采用小群体搜索和大群体集群搜索策略。在狩猎阶段，通过收敛因子控制开发强度，模拟对猎物的攻击行为。食物存储机制确保了最优解的保留，使算法在探索新解的同时依赖历史最优解，最终收敛于最优特征子集，降低了特征维度并提升了模型训练效率和诊断精度。
3.4 CAR-TATNet分类器
CAR-TATNet结合了上下文感知循环编码器和自适应时间Transformer。上下文感知循环编码器采用双层GRU网络，底层处理输入时间序列数据并更新隐藏状态，捕获电池功能的历史依赖关系。自适应时间Transformer采用多头自注意力机制，动态聚焦与正常、警告和故障状态相关的关键时间片段，而非对每个时间步等权处理。该混合架构使模型能够同时学习短期和长期趋势，自适应地识别故障。超参数设置包括Adam优化器、1e-4学习率、0.1标签平滑、0.3丢弃率、128个GRU和LSTM单元、8个Transformer头等。
四、讨论与结论
实验验证在Python软件中进行，结果表明该研究方法在准确率上达到94.94%，优于现有方法。该框架通过ICEEMDAN降噪提升数据质量，通过STFT提取时频特征，通过RBBMO优化特征选择，并通过CAR-TATNet建模时间依赖关系，共同构成了一个高效、精确的电动汽车电池故障诊断系统。该研究为电动汽车电池故障检测提供了一种潜在的替代方案，有助于提升电池系统的安全性和可靠性，对促进电动汽车产业的健康发展具有重要意义。
