面向电池系统早期故障诊断的物理感知注意力LSTM自编码器
系统与控制
2025-12-09 v1 机器学习
系统与控制
摘要
电池安全对电动汽车至关重要。由于异常信号的微妙性以及动态运行噪声的干扰，早期故障诊断仍面临挑战。现有的数据驱动方法常因"物理盲区"导致漏检或误报。为解决这一问题，我们提出了一种物理感知注意力LSTM自编码器（PA-ALSTM-AE）。该新框架通过多阶段融合机制将电池老化规律（里程数）显式集成到深度学习流水线中。具体而言，自适应物理特征构建模块选择对里程数敏感的特征，物理引导的潜在融合模块根据老化状态动态校准LSTM的记忆单元。在大规模Vloong真实数据集上的广泛实验表明，所提方法显著优于现有最先进基线。特别地，它将早期故障的召回率提高了3倍以上，同时保持了高精确度，为工业电池管理系统提供了稳健的解决方案。
引用
@article{arxiv.2512.06809,
title = {A Physics-Aware Attention LSTM Autoencoder for Early Fault Diagnosis of Battery Systems},
author = {Jiong Yang},
journal= {arXiv preprint arXiv:2512.06809},
year = {2025}
}
备注
5 pages, 7 figures