电动汽车锂离子电池预测-评估故障检测框架

doi:10.11772/j.issn.1001-9081.2025050574

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (5): 1614-1623.DOI: 10.11772/j.issn.1001-9081.2025050574

• 前沿与综合应用 • 上一篇

电动汽车锂离子电池预测-评估故障检测框架

廖雪超¹^,²(), 陈睿¹^,²

^1.武汉科技大学计算机科学与技术学院，武汉 430065
^2.智能信息处理与实时工业系统湖北省重点实验室（武汉科技大学），武汉 430065

收稿日期:2025-05-28 修回日期:2025-08-07 接受日期:2025-08-20 发布日期:2025-08-28 出版日期:2026-05-10
通讯作者: 廖雪超
作者简介:陈睿（2001—），男，湖北黄冈人，硕士研究生，主要研究方向：故障检测。
基金资助:
国家自然科学基金资助项目(62273264)

Prediction-evaluation framework for anomaly detection in electric vehicle lithium-ion battery

Xuechao LIAO¹^,²(), Rui CHEN¹^,²

^1.School of Computer Science and Technology，Wuhan University of Science and Technology，Wuhan Hubei 430065，China
^2.Hubei Province Key Laboratory of Intelligent Information Processing and Real-time Industrial System （Wuhan University of Science and Technology），Wuhan Hubei 430065，China

Received:2025-05-28 Revised:2025-08-07 Accepted:2025-08-20 Online:2025-08-28 Published:2026-05-10
Contact: Xuechao LIAO
About author:CHEN Rui， born in 2001， M. S. candidate. His research interests include fault detection.
Supported by:
National Natural Science Foundation of China(62273264)

摘要/Abstract

摘要：

针对电动汽车锂离子电池故障检测中多源异构时序数据复杂性高、异常样本稀缺及多变量关联性强的挑战，提出一种基于动态变换记忆自编码器的预测-评估故障检测框架（DTMAD），以提升故障识别准确性与模型泛化能力。首先，设计融合动态自编码器（DyAD）与门控循环单元（GRU）的联合特征编码器，对多源时序数据进行特征融合与降维处理，提取跨模态深层特征表示；同时，构建基于自注意力机制的预响应编码器，捕捉时序数据中的长期依赖关系，提升特征提取效率与精度；进一步地，引入记忆解析模块，通过残差对比学习机制融合预测路径与实际响应路径，增强模型对异常模式的检测能力。其次，基于重构误差的分布特性，通过协同异常检测算法设计评估模型。最后，通过综合的预测-评估框架，在无监督学习条件下从多源数据中提取关键响应模式并识别潜在异常。在多组多源电动汽车锂离子电池数据集上的实验结果表明，所提框架的故障检测准确率和模型稳定性均优于对比的编码器（AE）、深度支持向量数据描述（DeepSVDD）与图偏差网络（GDN）等。其中，相较于DyAD模型，DTMAD模型的接收者操作特征曲线下面积（AUROC）提升至0.900 8，且结果波动幅度由0.029降至0.026，展现出更高的检测稳定性与泛化能力。

关键词: 锂离子电池, 故障检测, 特征融合, 变分自编码器

Abstract:

To address the challenges of high complexity in multi-source heterogeneous time-series data， scarcity of anomaly samples， and strong inter-variable dependencies in lithium-ion battery fault detection for electric vehicles， a prediction-evaluation framework based on Dynamic Transformer Memory autoencoder for Anomaly Detection （DTMAD） was proposed to enhance fault identification accuracy and model generalization capability. Firstly， a joint feature encoder was designed by integrating Dynamical autoencoder for Anomaly Detection （DyAD） with Gated Recurrent Unit （GRU） to perform feature fusion and dimensionality reduction on multi-source time-series data， extracting deep cross-modal representations. Simultaneously， a pre-response encoder based on a self-attention mechanism was constructed to capture long-term dependencies in time-series data， enhancing the efficiency and accuracy of feature extraction. Furthermore， a memory parsing module was introduced， which fused predicted path with the actual response path via residual contrastive learning， improving the model's capability to detect anomalous patterns. Secondly， based on the distribution characteristics of reconstruction error， an evaluation model was designed through a collaborative anomaly detection algorithm. Finally， through the comprehensive prediction-evaluation framework， key response patterns were extracted from complex multi-source data， and latent anomalies were identified under unsupervised learning conditions. Experimental results on multi-group and multi-source electric-vehicle lithium-ion battery datasets demonstrate that the proposed framework significantly outperforms baseline methods such as AutoEncoder （AE）， Deep Support Vector Data Description （DeepSVDD）， and Graph Deviation Network （GDN） in terms of detection accuracy and model robustness. Notably， compared to the DyAD model， the DTMAD model achieves an Area Under the Receiver Operating Characteristic curve （AUROC） of 0.900 8， with result variability reduced from 0.029 to 0.026， indicating superior detection stability and generalization capability.

Key words: lithium-ion battery, fault detection, feature fusion, Variational AutoEncoder (VAE)

中图分类号:

TP277

廖雪超, 陈睿. 电动汽车锂离子电池预测-评估故障检测框架[J]. 计算机应用, 2026, 46(5): 1614-1623.

Xuechao LIAO, Rui CHEN. Prediction-evaluation framework for anomaly detection in electric vehicle lithium-ion battery[J]. Journal of Computer Applications, 2026, 46(5): 1614-1623.

图/表 18

图1 预测-评估框架

Fig. 1 Prediction-evaluation framework

表1 三种损失函数

Tab. 1 Three types of loss functions

训练函数	定义	计算公式
MseLoss	均方误差	$1 N ∑ i = 1 N (y i - y ̂ i) 2$
MaeLoss	平均绝对误差	$1 N ∑ i = 1 n y i - y ̂$
SmoothLoss	光滑损失	$0.5 x 2, x < 1 x - 0.5, 其他$

表1 三种损失函数

Tab. 1 Three types of loss functions

训练函数	定义	计算公式
MseLoss	均方误差	$1 N ∑ i = 1 N (y i - y ̂ i) 2$
MaeLoss	平均绝对误差	$1 N ∑ i = 1 n y i - y ̂$
SmoothLoss	光滑损失	$0.5 x 2, x < 1 x - 0.5, 其他$

表2 特征映射

Tab. 2 Feature mapping

特征	英文	中文	特征
X1	SoC	剩余电池电量	输入特征
X2	current	电流	输入特征
Y1	Min_temp	最小温度	响应特征
Y2	Max_single_volt	最大单体电压	响应特征
Y3	Max_temp	最大温度	响应特征
Y4	Min_single_volt	最小单体电压	响应特征
Y5	volt	电压	响应特征
Y6	mileage	里程	弱监督特征

图2 温度分布的随机抽样结果a）电流：正常车辆的电流值大多稳定在-20 A附近，波动范围较小，异常值较少；故障车辆则主要分布在-60 A至-140 A区间，部分样本位于-40 A至60 A区间，整体呈现更大幅度的电流变化。

Fig. 2 Random sampling results of temperature distribution

图3 充电时间片的抽样结果

Fig. 3 Sampling results of charging time slices

图4 特征相关系数矩阵

Fig. 4 Feature correlation coefficient matrix

表3 模型参数设置

Tab. 3 Model parameter settings

模型设置	参数设置	模型设置	参数设置
优化器	AdamW	隐藏层大小	128
优化器参数	0.1	VAE特征维度	16
学习率	0.01	噪声比例	0.01
训练轮数	20	dropout	0.1
w₃	0.1	多头头数	5
批次大小	128	前馈网络层数	1 024
RNN网络类型	双向GRU	潜在空间层数	16
w₁	10	w₂	0.001

表4 不同损失函数的平均训练损失

Tab. 4 Average training losses of different loss functions

模型	MseLoss	MaeLoss	SmoothLoss
AE	0.134 47	0.274 87	0.066 63
DeepSVDD	1.958 68	2.058 92	1.985 98
DyAD	0.075 50	0.426 73	0.034 20
DTAD	0.092 13	0.470 81	0.033 44
DMAD	0.073 71	0.389 50	0.037 10
DTMAD	0.069 96	0.499 19	0.029 25

图5 不同维度损失的训练过程

Fig. 5 Training process of multi-dimensional losses

表5 各模型的综合损失的对比

Tab. 5 Total loss comparison of each model

模型	主损失 $l o s s S M$	正则化损失 $l o s s K L$	里程损失 $l o s s M I L E$	综合损失 $l o s s T O T A L$
DyAD	0.005 31	0.168 99	9.384 19	0.079 45
DTAD	0.005 56	0.155 06	9.358 67	0.080 48
DMAD	0.005 46	0.146 05	9.355 63	0.078 61
DTMAD	0.004 92	0.154 87	9.322 03	0.074 02

表5 各模型的综合损失的对比

Tab. 5 Total loss comparison of each model

模型	主损失 $l o s s S M$	正则化损失 $l o s s K L$	里程损失 $l o s s M I L E$	综合损失 $l o s s T O T A L$
DyAD	0.005 31	0.168 99	9.384 19	0.079 45
DTAD	0.005 56	0.155 06	9.358 67	0.080 48
DMAD	0.005 46	0.146 05	9.355 63	0.078 61
DTMAD	0.004 92	0.154 87	9.322 03	0.074 02

表6 不同超参数下的模型性能

Tab. 6 Model performance under different hyperparameters

隐藏层大小	综合损失	AUROC	批次大小	综合损失	AUROC
32	0.100 6	0.847	32	0.114 8	0.826
64	0.096 1	0.841	64	0.107 9	0.861
128	0.075 6	0.913	128	0.075 6	0.913
256	0.094 1	0.909	256	0.091 9	0.888

图6 不同目标特征的预测趋势对比

Fig. 6 Comparison of predicted trends for different target features

图7 重构误差对比

Fig. 7 Comparison of reconstruction error

表7 总耗时对比 ( s)

Tab. 7 Comparison of total time consumption

模型	第1次	第2次	第3次	第4次	平均耗时
DyAD	708.7	709.4	716.4	680.9	703.875
DTAD	687.5	662.7	770.5	746.9	716.900
DMAD	781.6	752.1	779.3	770.8	770.925
DTMAD	772.2	802.9	750.4	794.6	780.025

表8 混淆矩阵

Tab. 8 Confusion matrix

真实值	预测为正	预测为负
实际正例	TP	FN
实际负例	FP	TN

表9 不同响应特征组合下的AUROC对比

Tab. 9 AUROC comparison under different combinations of response features

特征	AUROC	特征	AUROC	特征	AUROC
Y1	0.865	Y12	0.869	Y123	0.872
Y2	0.901	Y13	0.871	Y124	0.914
Y3	0.871	Y14	0.924	Y125	0.895
Y4	0.922	Y15	0.872	Y134	0.890
Y5	0.880	Y23	0.869	Y135	0.874
Y2345	0.923	Y24	0.884	Y145	0.884
Y1345	0.905	Y25	0.914	Y234	0.907
Y1245	0.906	Y34	0.897	Y235	0.865
Y1235	0.909	Y35	0.869	Y245	0.884
Y1234	0.895	Y45	0.881	Y345	0.885

表10 模型的AUROC对比

Tab. 10 AUROC comparison of models

模型	AUROC	模型	AUROC
AE	0.668 6	DyAD	0.869 1±0.029 1
DeepSVDD	0.684 1	DTAD	0.887 3±0.031 4
GDN	0.801 8	DMAD	0.885 9±0.036 7
GP	0.706 3	DTMAD	0.900 8±0.026 1

图8 AUROC对比

Fig. 8 Comparison of AUROC

参考文献 27

[1]	WASEEM M， AHMAD M， PARVEEN A， et al. Battery technologies and functionality of battery management system for EVs： current status， key challenges， and future prospectives［J］. Journal of Power Sources， 2023， 580： No.233349.
[2]	HUANG L， LIU L， LU L， et al. A review of the internal short circuit mechanism in lithium-ion batteries： inducement， detection and prevention［J］. International Journal of Energy Research， 2021， 45（11）： 15797-15831.
[3]	KONG D， LV H， PING P， et al. A review of early warning methods of thermal runaway of lithium ion batteries［J］. Journal of Energy Storage， 2023， 64： No.107073.
[4]	TANG T， YANG X， LI M， et al. Deep learning model-based real-time state-of-health estimation of lithium-ion batteries under dynamic operating conditions［J］. Energy， 2025， 317： No.134697.
[5]	YIN Y， XU G， XIE Y， et al. Utilizing deep learning for crystal system classification in lithium-ion batteries［J］. Journal of Theory and Practice of Engineering Science， 2024， 4（3）： 199-206.
[6]	NIU D， SONG D. Model-based robust fault diagnosis of incipient ITSC for PMSM in elevator traction system［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： No.3533512.
[7]	MASOUMI Z， MOAVENI B， GAZAFRUDI S M M， et al. Signal-model-based fault diagnosis in windings of synchronous generator［J］. IEEE Transactions on Industrial Informatics， 2023， 19（3）： 2942-2951.
[8]	PURBOWASKITO W， LAN C Y， FUH K. The potentiality of integrating model-based residuals and machine-learning classifiers： an induction motor fault diagnosis case［J］. IEEE Transactions on Industrial Informatics， 2024， 20（2）： 2822-2832.
[9]	LIU Y， CHEN Z， WEI L， et al. Braking sensor and actuator fault diagnosis with combined model-based and data-driven pressure estimation methods［J］. IEEE Transactions on Industrial Electronics， 2023， 70（11）： 11639-11648.
[10]	CEN J， YANG Z， LIU X， et al. A review of data-driven machinery fault diagnosis using machine learning algorithms［J］. Journal of Vibration Engineering and Technologies， 2022， 10（7）： 2481-2507.
[11]	GUNERKAR R S， JALAN A K， BELGAMWAR S U. Fault diagnosis of rolling element bearing based on artificial neural network［J］. Journal of Mechanical Science and Technology， 2019， 33（2）： 505-511.
[12]	陈鑫，肖明清，文斌成，等.基于变分模态分解和混沌麻雀搜索算法优化支持向量机的滚动轴承故障诊断［J］.计算机应用，2021，41（S2）：118-123.
	CHEN X， XIAO M Q， WEN B C， et al. Rolling bearing fault diagnosis based on variational mode decomposition， chaotic sparrow search algorithm and support vector machine［J］. Journal of Computer Applications， 2021， 41（S2）： 118-123.
[13]	CHEN Z， ZHOU D， ZIO E， et al. Adaptive transfer learning for multimode process monitoring and unsupervised anomaly detection in steam turbines［J］. Reliability Engineering and System Safety， 2023， 234： No.109162.
[14]	MACULOTTI G， GENTA G， QUAGLIOTTI D， et al. Gaussian process regression‐based detection and correction of disturbances in surface topography measurements［J］. Quality and Reliability Engineering International， 2022， 38（3）： 1501-1518.
[15]	ZHANG Z， DENG X. Anomaly detection using improved deep SVDD model with data structure preservation［J］. Pattern Recognition Letters， 2021， 148： 1-6.
[16]	DENG A， HOOI B. Graph neural network-based anomaly detection in multivariate time series［C］// Proceedings of the 35th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2021： 4027-4035.
[17]	TANG C， XU L， YANG B， et al. GRU-based interpretable multivariate time series anomaly detection in industrial control system［J］. Computers and Security， 2023， 127： No.103094.
[18]	ZHANG X， LIU P， LIN N， et al. A novel battery abnormality detection method using interpretable Autoencoder［J］. Applied Energy， 2023， 330（Pt B）： No.120312.
[19]	ZHANG Y， WANG J， CHEN Y， et al. Adaptive memory networks with self-supervised learning for unsupervised anomaly detection［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（12）： 12068-12080.
[20]	SUN C， HE Z， LIN H， et al. Anomaly detection of power battery pack using gated recurrent units based variational autoencoder［J］. Applied Soft Computing， 2023， 132： No.109903.
[21]	ZHANG J， WANG Y， JIANG B， et al. Realistic fault detection of li-ion battery via dynamical deep learning［J］. Nature Communications， 2023， 14： No.5940.
[22]	LI Y， CHEN W， CHEN B， et al. Prototype-oriented unsupervised anomaly detection for multivariate time series［C］// Proceedings of the 40th International Conference on Machine Learning. New York： JMLR.org， 2023： 19407-19424.
[23]	XU J， WU H， WANG J， et al. Anomaly Transformer： time series anomaly detection with association discrepancy［EB/OL］. ［2024-03-22］..
[24]	郭秋亚，张兆功，胡本然，等. 数据融合在能源互联网故障诊断中的应用［J］. 计算机应用， 2024， 44（S2）： 309-315.
	GUO Q Y， ZHANG Z G， HU B R， et al. Application of data fusion in fault diagnosis of energy Internet［J］. Journal of Computer Applications， 2024， 44（S2）： 309-315.
[25]	TULI S， CASALE G， JENNINGS N R. TranAD： deep Transformer networks for anomaly detection in multivariate time series data［EB/OL］. ［2024-03-22］..
[26]	YU X， ZHANG K， LIU Y， et al. Adversarial Transformer-based anomaly detection for multivariate time series［J］. IEEE Transactions on Industrial Informatics， 2025， 21（3）： 2471-2480.
[27]	YANG Y， ZHANG C， ZHOU T， et al. DCdetector： dual attention contrastive representation learning for time series anomaly detection［C］// Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York： ACM， 2023： 3033-3045.

电动汽车锂离子电池预测-评估故障检测框架

Prediction-evaluation framework for anomaly detection in electric vehicle lithium-ion battery

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 27

相关文章 15

编辑推荐

Metrics

[1]	黄雨倩, 黄辉, 秦永彬, 黄瑞章, 陈艳平, 周裕林, 孙倩. 融合全局和局部语义的司法要素抽取方法[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1460-1467.
[2]	郑嘉丽, 周刚, 陈静, 李顺航. 基于多特征自适应融合的智能生成文本检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1433-1440.
[3]	明文超, 蔺素珍, 晋赞霞. 基于场景概念引导特征融合的多波段图像描述生成方法[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1560-1567.
[4]	吴闵奇, 杨元华, 李航, 胡雅琴, 汤智豪, 梅腾. 基于图Transformer和RT-DETR的轻量化水下小目标检测[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1586-1595.
[5]	张红瑞, 冯威铭, 杨潞霞, 马永杰. 基于YOLO11改进的水下小目标检测算法CSAF-YOLO[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1578-1585.
[6]	严心怡, 朱灵龙, 张永宏. 面向复杂交通场景的多尺度实时人车检测方法CDC-DETR[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1283-1291.
[7]	李文浩, 郭银章. 基于双层多尺度动态GCN模型的城市交通流量预测[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1323-1333.
[8]	刘欢娴, 王洪涛, 王宪奥, 王洪梅, 徐伟峰. 跨模态语义关联的多模态事实验证[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1069-1076.
[9]	何帅, 邓春华. 基于YOLO-World的少样本学习目标检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1275-1282.
[10]	刘汉卿, 桑国明, 张益嘉. 结合密集多尺度特征融合和特征知识增强Transformer的遥感图像描述模型[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 741-749.
[11]	付锦程, 杨仕友. 基于贝叶斯优化和特征融合混合模型的短期风电功率预测[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 652-658.
[12]	韩锋, 卜永丰, 梁浩翔, 黄舒雯, 张朝阳, 孙士杰. 基于多层次时空交互依赖的车辆轨迹异常检测[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 604-612.
[13]	梁瑾裕, 高宏娟, 杜晓飞. 基于潜在特征增强进行解耦的三维人脸生成方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 216-223.
[14]	昝志辉, 王雅静, 李珂, 杨智翔, 杨光宇. 基于SAA-CNN-BiLSTM网络的多特征融合语音情感识别方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 69-76.
[15]	曹柠, 温昕, 郝雁嵘, 曹锐. 多域特征融合的轻量化运动想象脑电信号解码神经网络[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 289-296.