统计与机器学习异常检测方法的面向电池的开放基准
机器学习
2025-11-04 v1 人工智能
统计方法学
摘要
电池安全关乎消费电子、电动车及航空电源等应用场景，未检测的异常可能引发安全事故或巨额停机成本。本研究提出OSBAD作为电池应用异常检测框架的开放基准。通过对15种多样化算法（涵盖统计方法、距离度量及无监督机器学习方法）进行基准测试，OSBAD实现对异构数据集上异常检测方法的系统性比较。此外，我们展示基于物理与统计学信息的特征转换工作流程，可通过将整体异常分解为点异常来增强异常可分离性。为缓解无监督异常检测因标签不完整的瓶颈，我们提出贝叶斯优化管道，利用迁移学习与回归代理实现自动化超参数调优。通过覆盖液态与固态电解质化学体系的数据集验证，我们进一步展示OSBAD具备跨化学体系识别异常的泛化能力。使能开放基准数据库及开源可复现异常检测工作流程的贡献，为开发面向安全、可扩展且可迁移的电池分析工具提供统一基础。本研究凸显物理与统计学信息驱动的特征工程及基于概率超参数调优的模型选择在推动可信赖、数据驱动的能源系统安全诊断方面的重要性。
引用
@article{arxiv.2511.01745,
title = {An Open-Access Benchmark of Statistical and Machine-Learning Anomaly Detection Methods for Battery Applications},
author = {Mei-Chin Pang and Suraj Adhikari and Takuma Kasahara and Nagihiro Haba and Saneyuki Ohno},
journal= {arXiv preprint arXiv:2511.01745},
year = {2025}
}