BatteryAgent：融合物理信息解释与 LLM 推理的智能电池故障诊断
人工智能
2026-01-01 v1 系统与控制
系统与控制
摘要
锂离子电池的故障诊断对系统安全至关重要。虽然现有的深度学习方法展现出优越的检测精度，但其“黑箱”特性阻碍了可解释性。此外，受限于二分类范式，它们难以提供根本原因分析和维护建议。为了解决这些局限性，本文提出了 BatteryAgent，一个将物理知识特征与大型语言模型（LLM）的推理能力相结合的层次化框架。该框架包含三个核心模块：（1）物理感知层，利用源自电化学原理的 10 个基于机制的特征，在降维与物理保真度之间取得平衡；（2）检测与归因层，采用梯度提升决策树和 SHAP 来量化特征贡献；（3）推理与诊断层，利用 LLM 作为智能体核心。该层构建了一座“数值-语义”桥梁，将 SHAP 归因与机制知识库相结合，生成包含故障类型、根本原因分析和维护建议的全面报告。实验结果表明，BatteryAgent 能有效纠正困难边界样本上的误分类，实现了 0.986 的 AUROC，显著优于当前最先进的方法。此外，该框架将传统的二分类检测扩展到多类型可解释诊断，为电池安全管理提供了从“被动检测”到“智能诊断”的新范式转变。
引用
@article{arxiv.2512.24686,
title = {BatteryAgent: Synergizing Physics-Informed Interpretation with LLM Reasoning for Intelligent Battery Fault Diagnosis},
author = {Songqi Zhou and Ruixue Liu and Boman Su and Jiazhou Wang and Yixing Wang and Benben Jiang},
journal= {arXiv preprint arXiv:2512.24686},
year = {2026}
}