BatteryBERT：用于基于点掩码信号建模的真实锂电池故障检测
机器学习
2025-06-23 v1 人工智能
摘要
锂离子电池故障检测对于电动车辆和能源存储系统的安全可靠运行至关重要。然而，现有方法往往难以捕捉复杂的时序依赖关系，无法充分利用大量无标签数据。虽然大型语言模型（LLM）显示出强大的表示能力，但其架构直接适用于工业场景中常见的数值时序数据。为此，我们提出一种新型框架，通过扩展标准BERT架构，引入自定义的时间序列到标记表示模块和面向电池应用的点级掩码信号建模（point-MSM）预训练任务，将BERT风格的预训练方法适用于电池故障检测。该方法使其能够在顺序电流、电压及其他充放电循环数据上进行自监督学习，生成分布稳健、上下文感知的时序嵌入。我们随后将这些嵌入与电池元数据拼接，并输入下游分类器以实现精准故障分类。在大型真实数据集上的实验结果表明，采用我们预训练参数初始化的模型在表示质量和分类准确率方面显著提升，AUROC达到0.945，显著优于现有方法。这些发现验证了BERT风格预训练在时序故障检测中的有效性。
引用
@article{arxiv.2506.15712,
title = {BatteryBERT for Realistic Battery Fault Detection Using Point-Masked Signal Modeling},
author = {Songqi Zhou and Ruixue Liu and Yixing Wang and Jia Lu and Benben Jiang},
journal= {arXiv preprint arXiv:2506.15712},
year = {2025}
}