SynForceNet：面向锂离子电池故障诊断的基于力驱动的全局-局部潜在表示框架
机器学习
2026-03-25 v1
摘要
在电动汽车（EVs）中，锂离子电池需要在复杂且罕见的安全关键条件下进行在线安全故障诊断，这尤为重要。在本工作中，我们开发了一个基于深度异常检测框架的在线电池故障诊断网络，结合核单类分类和最小体积估计。引入机械约束和基于STDP（脉冲时间可塑性）的动态表示，以改进复杂故障表征并实现更紧凑的正常状态边界。该方法使用20辆EVs收集的860万条有效数据点进行验证。与多个先进基准方法相比，该方法在TPR、PPV、F1分数和AUC上分别实现了7.59%、27.92%、18.28%和23.68%的平均提升。此外，我们分析了故障表示在建模前后的空间分离情况，并通过学习潜在空间中的流形结构进一步增强框架的鲁棒性。结果还表明不同故障类型之间可能存在共享的因果结构，凸显了将深度学习与物理约束和神经动态集成用于电池安全诊断的潜力。
引用
@article{arxiv.2603.23265,
title = {SynForceNet: A Force-Driven Global-Local Latent Representation Framework for Lithium-Ion Battery Fault Diagnosis},
author = {Rongxiu Chen and Yuting Su},
journal= {arXiv preprint arXiv:2603.23265},
year = {2026}
}