基于PatchTSSA的电动汽车牵引电池早期多故障解耦与诊断框架
《Energies》:Decoupling and Diagnosis Method for Early Minor Faults in Electric Vehicle Traction Batteries Based on PatchTSSA
【字体:
大
中
小
】
时间:2026年09月20日
来源:Energies 3.9
摘要
准确检测电动汽车牵引电池早期轻微故障,对于在复杂工况下防止热失控具有重要意义。与老化相关的容量衰减以及测量噪声会掩盖早期故障引起的微弱电压畸变,从而导致数据驱动的诊断模型产生误报警。为提升对这些扰动的鲁棒性,本文提出了一种基于 PatchTSSA 的早期多故障解耦与诊断框架。PatchTSSA 是一种轻量级 Transformer 架构,将时间序列分块(patching)与 Token 统计自注意力(Token Statistics Self-Attention, TSSA)适配到电池诊断序列上。该框架将静态–动态特征融合与时间序列分块相结合,以同时捕捉全局电压漂移与局部形貌梯度。在该适配后的框架内,TSSA 用二阶矩池化取代了二次复杂度的点积注意力,使计算复杂度随 token 数量呈线性增长,从而支持未来对嵌入式电池管理系统(BMS)实现的进一步研究。本文采用一种物理信息驱动的故障注入策略,基于公开的 CALCE(先进寿命循环工程中心)和 NASA(美国国家航空航天局)电池老化数据,构建了一个包含五类的数据集,分别为健康状态(E00)、轻微内短路(E01)、严重内短路(E02)、穿透故障(E03)以及传感器漂移(E04)。在 5 mV 高斯白噪声条件下,针对五个按原始循环分组的划分方式和训练种子进行实验,完整的 PatchTSSA 配置在模拟故障模式下取得了 的总体准确率、 的宏召回率,以及针对 E01 的 召回率。E01–E04 之间的直接混淆率为 ,而 E00 误报为 E01 的误报警率为 。CALCE–NASA 协议差异仅用于描述跨数据集的域漂移;在未进行容量无关匹配评估的情况下,本文不提出任何迁移性能主张。结果表明,该框架在在线故障模式判别方面具有潜力,但仍需使用真实故障数据和嵌入式硬件进行进一步验证。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号