编辑推荐：
锂离子电池实时故障诊断方法研究，提出基于Attention-Gated GRU-VAE-StatFusion的神经网络模型，支持帧级决策、跨组态兼容和故障定位，在40辆故障车和460辆正常车数据测试中，FPR≤0.3时TPR较现有方法提升42.1%-58.3%，有效诊断电解液泄漏、短路等典型故障。
曹睿|李亚伦|卢佳毅|田峰|张浩波|卢宇|张立生|陈建津|严晓宇|杨世春
北京航空航天大学交通科学与工程学院，中国北京10191
摘要
对电动汽车中的锂离子电池实施实时安全监测和故障诊断至关重要。在这项工作中，我们设计了一种基于注意力门控循环单元（GRU）-变分自编码器（VAE）-StatFusion神经网络的故障诊断方法。该方法不仅能识别实际应用中电池的故障，还能满足帧级诊断、与不同电池组兼容以及故障电池定位的要求。我们构建了15维的在线特征，用于表征电池的电学和热学特性，以评估电池的安全性。通过结合网络潜在变量的概率分布和无监督重建损失，我们设计了一个可以实时输出的综合性诊断指标。此外，我们还量化了每个电池单元在异常时刻对故障的贡献，从而实现了在线故障定位。通过电解质泄漏、连接异常、过度老化和内部短路等故障案例的测试，该算法展示了在典型安全问题上的有效故障诊断和定位能力。另外，我们在500辆真实车辆上测试了该算法的接收者操作特征（ROC）性能。在相同的数据条件下，与之前的诊断网络相比，我们提出的方法在假阳性率（FPR）为[0, 0.3]的范围内，真阳性率（TPR）提高了42.1%–58.3%。总体而言，本文提出了一种在更严格的应用要求下更准确、更实用的电池故障诊断方法，提升了电池应用的安全性。
引言
如今，电动汽车（EV）的年销量占全球汽车市场的五分之一以上[1]，[2]，[3]，[4]，[5]。电动汽车销量的快速增长为锂离子电池系统的在线安全监测创造了更加有利的数据发展环境，并提高了对系统性能的要求[6]，[7]，[8]，[9]。业界和学术研究的重点在于开发能够适应实际运行条件、能够进行实时在线监测且成本低廉的电池安全监测方法[10]，[11]，[12]，[13]。
锂离子电池的安全问题主要源于内部电化学反应导致的不可逆劣化以及外部极端运行条件对电池系统稳定性的影响[14]，[15]，[16]，[17]，[18]。实际上，导致电池安全隐患的因素非常复杂，症状多样且触发原因随机。冯等人[19]将电池潜在安全隐患的原因归纳为电气滥用、热滥用和机械滥用。余等人[20]分析了实验室、仿真和真实车辆场景下故障诊断方法的差异，并讨论了在实际条件下诊断故障的挑战。真实场景中的电池故障类型多种多样。目前，由于短路引起的热失控被广泛认为是最极端的安全故障，代表着电池系统最严重的崩溃[21]，[22]，[23]，[24]。其他故障模式包括电解质泄漏、过度老化和局部微短路，这些都会危及电池系统的安全性和可靠性，显著增加系统崩溃的可能性[25]，[26]。
目前，用于故障检测的数据主要包括来自不同条件下的电动汽车电池的电压、电流和部分电池单元温度。关于此类数据的直接分析，乔等人[27]提出了一种基于增量容量分析的内部短路检测方法，并通过串联电池组实验进行了诊断，估计了短路泄漏电流和等效内部短路电阻。然而，可观察的状态非常有限，数据质量受到实际信号传输干扰的限制。因此，与实验室条件相比，在线电池安全监测更具挑战性。近年来，许多研究人员探索了针对锂离子电池各种故障类型的在线诊断方法。梅等人[28]设计了一个基于动态自编码器的深度学习网络，并使用真实车辆数据进行了性能验证。此外，这项工作还发布了来自347辆车辆的数据样本。张等人[29]引入了一个多尺度样本熵缩放因子，以提高香农熵，在真实车辆热失控数据中实现了某种程度的预警。另外，张等人[30]设计了一种场效应晶体管来监测电解质泄漏，能够实现二级响应。沈等人[31]在实验室条件下开发了一个通用信念网络，用于监测和定位锂离子电池组中的连接故障。考虑到数据隐私问题，李等人[32]提出了一种去中心化的联邦学习框架，用于电池故障检测，允许多个客户端在不共享敏感数据的情况下协作训练模型。
由于获取真实数据的难度以及数据质量的限制，目前针对实际条件下的电池故障诊断研究还不够广泛[20]，[33]。需要注意的是，实际故障诊断必须考虑算法决策时间间隔、故障位置以及实际部署的适应性等因素。这些因素需要在算法设计时作为前提条件加以考虑。诊断时间需求主要取决于算法适应的数据长度。通常，样本持续时间越短，决策间隔越短，预警的概率越高。当系统检测到异常时，故障定位可以显著降低维护成本。此外，在应用过程中，一种电池单元会用于不同车辆模型的多种组合中。重新训练或为不同的电池组转移算法可能会增加成本和不确定性。因此，本文的研究目标是选择一种能够进行帧级决策、输出故障电池位置并与不同电池组兼容的在线车辆故障诊断方法。
在这项工作中，我们使用从云数据库收集的真实车辆数据作为测试样本，并开发了一种基于注意力门控循环单元（GRU）-变分自编码器（VAE）-StatFusion的无监督故障诊断神经网络。该方法将每一帧数据视为一个样本，通过统一的特征工程增强故障信息，并确保不同电池组数据之间的兼容性。我们结合了VAE（变分自编码器）网络潜在变量的高斯分布统计特性，设计了一个综合决策指标，用于量化监测样本的风险。通过统计融合，我们量化了每个电池单元对异常程度的贡献，从而实现了故障电池的定位。我们使用460辆正常车辆和40辆故障车辆的数据对这种方法进行了验证，在假阳性率（FPR）为[0,0.3]的范围内，所提出的方法相比其他四种决策方法，真阳性率（TPR）的优势达到了42.1%–53.3%。四种典型故障——内部短路、电解质泄漏、过度老化和采样连接异常——都得到了有效诊断，并成功完成了故障电池的定位。
本文的后续部分如下：第2节将介绍云数据的获取过程和特征工程。第3节介绍了注意力门控循环单元（GRU）-变分自编码器（VAE）-StatFusion网络架构及其用于故障定位的解耦推导。第4节对不同方法进行了比较并讨论了结果，第5节是总结。
部分摘录
数据获取
在这项工作中，我们选择的数据集来自云数据库中存储的真实车辆数据。我们收集了500辆车辆样本的数据。电池系统采用LiFePO4电池，电池组包括三种组合：99串×4并联、110串×4并联和116串×4并联，每个并联模块收集一个电压数据点。采样间隔设置为GB/T 32960标准规定的每帧至少30秒
方法论
在实际条件下，故障的类型和严重程度多种多样，这使得使用标记数据直接训练网络变得困难。基于上述特征工程，我们构建了一个无监督神经网络，以实现电池组的故障诊断和定位。所提出的网络整合了注意力机制和时间信息补充功能。通过信息重建和指数提取，它能够有效识别异常。
网络训练
所提出的网络采用无监督学习方式进行训练，能够有效适应实际故障标签数据不足的场景。基于正常运行且无故障的车辆数据，我们建立了包含150,000帧的训练集，训练集中每个特征维度的数据分布如图5(a)所示。所提出的注意力层在10个通道维度上操作，生成15个通道级的注意力权重以重新缩放输入
结论
在真实条件下实现对电动汽车电池组的故障诊断需要更高的性能和功能要求。在这项工作中，我们设计了一种无监督故障诊断方法，该方法与不同的电池组结构兼容，并能在线进行逐帧决策。网络设计使用单帧在线数据作为输入样本，确保算法能够以高频率实时更新结果
CRediT作者贡献声明
严晓宇：撰写 – 审稿与编辑、监督、概念化。陈建津：撰写 – 审稿与编辑、监督、概念化。杨世春：撰写 – 审稿与编辑、监督、项目管理、资金获取。张立生：软件开发、调查。卢宇：软件开发、调查。张浩波：软件开发、调查。李亚伦：撰写 – 审稿与编辑、监督。曹睿：撰写 – 原始草案、软件开发、方法论设计、调查、形式分析
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本项工作得到了国家重点研发计划（2023YFB2504100）、国家自然科学基金（编号52476172）以及中央高校基本科研业务费（501QYJC2025146001）的支持。
