CAT蓄电池基于增强特征工程的无监督聚类方法用于现实世界电动汽车的长期电池故障预警

锂离子电池故障的长期预警为降低电动汽车(EV)安全风险提供了关键时间窗口。然而，由于电动汽车运行工况的高度复杂性及早期故障特征的隐蔽性，实现长期预警仍面临重大挑战。为此，本研究提出了一种新型基于无监督聚类的长期预警方法。首先，采用日尺度窗口提取电池核心特征。电压排序平均特征通过自适应窗口滤波处理以增强故障特征的检测。其次，通过对核心电池特征进行导数处理，构建了四个高度可分离的故障特征。这些特征与纵向离群平均值共同构成五维特征矩阵。第三，设计了综合判定机制，利用峰-平台分离获取特征权重，从而避免等权平均导致的特征稀释问题。随后，采用无监督聚类方法以防止特征平均化可能导致的评分高估和误报警现象。最终，通过30组真实电动汽车运行数据集验证了所提方法，结果表明其具有高精度与长期预警能力。本研究为真实电动汽车环境下的电池安全预警提供了高度可推广且实用的解决方案。

引言

在全球双碳战略目标的驱动下，电动汽车(EV)产业已成为交通领域低碳转型的重要力量。作为电动汽车的核心部件，锂离子电池凭借高能量密度、长循环寿命等优势得到广泛应用[1]。然而，随着电动汽车保有量的持续增长，电池安全问题日益凸显。根据《2024年汽车召回分析报告》，中国因电池内部故障召回新能源汽车29.5万辆，严重制约了电动汽车产业的健康发展。因此，电池故障预警已成为电池管理系统(BMS)领域的研究热点。如图1所示，2013至2025年间，以"Battery failure warning"为关键词的出版物数量及引用次数均呈现显著上升趋势。当前，车载电池管理系统（BMS）在实际电动汽车运行条件下仅能获取电压、温度和电流等有限信号。研究人员必须利用这些信号实现故障预警与定位。故障预警方法可大致分为三类：基于模型的方法、基于知识的方法以及数据驱动方法。表1展示了这些方法论的对比分析结果。
基于模型的方法依赖高精度电池模型来模拟内部电化学过程，并通过模型参数变化实现电池故障早期预警。然而在复杂且高度动态的电动汽车放电工况下，模型精度往往下降。例如Hu等[2]通过采用极化动力学替代传统电荷耗尽技术，开发出对测量干扰和电池老化具有强鲁棒性的内部短路(ISC)诊断方法。Xu等[3]设计了一种基于非线性观测器的联合策略，用于荷电状态（SOC）估计与内部短路（ISC）检测。Hong等[4]提出了一种基于改进故障模型结合递推最小二乘法的外部短路诊断方法，可在4秒内实现精确故障识别。除解决短路故障外，研究者们还开发了更全面的模型以揭示故障的物理机制或耦合效应。例如，Li等[11]建立了一个包含副反应的物理故障模型，揭示了模型参数与电解质分解、活性颗粒破裂、锂沉积等故障之间的内在关联。在另一项研究中，Li等人[5]提出了一种基于电热模型的诊断框架，该框架采用粒子群优化算法提取最优参数，并利用无迹卡尔曼滤波器实现实时核心温度预测及变化率监测。此外，部分研究将容量衰减、内阻增长等老化因素纳入建模框架。例如Sara等人[12]构建了两个自适应观测器，用于检测荷电状态异常与电压传感器故障。
基于知识的诊断方法无需精确的数学模型。其核心在于依托专家知识与逻辑推理实现故障分析[13]。例如Held等学者[6]采用基于失效模式与影响分析的故障树方法追溯电动汽车火灾根源。然而，这些方法高度依赖于对锂电池失效机制的系统性深入研究，以支撑知识获取过程。此外，在动态变化的电动汽车运行环境中，有限的学习能力与适应性往往制约着故障预警的有效性。
机器学习和人工智能的快速发展推动了数据驱动方法在电池故障预警中的应用。研究者通过预测电池关键参数或利用特征挖掘技术，实现中短期故障预警。Zhao等[7]开发了一种基于循环神经网络的电压预测模型，结合卷积神经网络进行故障状态分类。Tang等文献[14]提出了一种集成自适应电压校正器的卷积神经网络，用于实现动态工况下电池模块的健康监测。Li等[15]将长短期记忆(LSTM)网络与等效电路模型相结合以提高诊断性能。Cao等[16]针对不可预测的工况条件，提出了一种基于深度学习方法的故障诊断网络。该网络通过集成电池模型约束，实现了实时故障诊断与分类。Zhao等[17]通过融合驾驶行为与车辆状态数据，量化特征相关性，构建了基于门控循环单元网络的多步电压预测与故障诊断模型。Ojo等人[18]开发了基于LSTM的表面温度估计模型，并辅以观测器实现实时故障检测。Tang等人[8]设计了一种云端多功能异常诊断策略，该策略通过筛选机制将电动汽车划分为高风险、中风险和低风险组别。针对高风险与低风险电动汽车采用XGBoost模型进行高精度检测，同时运用纵向离群均值(LOA)方法识别中风险组故障电池，并辅以累积电压差平均法实现故障分类。Yu等人[19]基于时域、频域和电池内阻三维特征，开发了多故障模式诊断框架。Zhu等人文献[20]通过脉冲充电测试获取归一化内阻参数以提取锂枝晶特征，随后采用随机森林模型进行分类。Zhao等[21]开发了具有时间编码器和通道编码器的双塔Transformer架构，用于预测电池故障演化趋势。除上述基于学习的技术外，局部离群因子和相关系数等统计分析方法也被应用于电池故障检测。Li等[9]采用增量容量曲线与主成分分析法提取高度相关特征，通过聚类算法实现潜在故障检测。Wu等[22]提出基于电压余弦相似度的ISC诊断方法，通过电压与电流构建二维特征向量以实现快速故障识别。Hong等[23]提出利用经验分布函数与信息熵的故障检测方法，有效降低误报率与漏报率。Jiang等[24]开发了基于变分模态分解与孤立森林算法相结合的方法。Duan等[25]采用局部加权曼哈顿距离、电压比值及温度数据进行故障诊断与分类。Sun等[10]提出基于统计分析的三层故障检测方法，用于诊断过压、欠压及电压异常波动等故障。
尽管目前已开发出多种电池故障预警方法，但仍存在若干核心挑战。首先，部分研究依赖基于实验室数据的故障预警方法，此类方法在复杂实车运行工况下泛化能力不足，导致诊断性能下降。其次，实际电动汽车大数据中故障标签普遍稀缺，人工标注存在成本高、效率低的问题。第三，电池故障的精准长期预警仍难以实现。针对上述问题，本研究提出了一种基于真实电动汽车运行数据和无监督聚类算法的长期故障预警策略。通过利用两类核心电池特征，所开发的预警框架扩展了故障输入模态，并增加了故障特征的维度。该方法显著提升了故障相关信息的提取能力，实现了电池故障的长期预警与精确定位[26]。
本研究的主要贡献如下：

• (1)
  构建电压排序均值（VSA）与局部振荡幅值（LOA）以捕获早期故障特征。通过引入自适应窗口滤波（AWF）框架处理VSA特征，进一步增强了故障特征的可区分性。
• (2)
  通过融合峰坪分离（PPS）与无监督聚类技术，开发了综合判定机制（CDM）。该机制显著提升了关键故障特征在长期预警中的贡献度，避免了深度学习方法对故障标签的依赖性，同时克服了统计分析方法中固定阈值设置的局限性。
• (3)
  本研究在包含30辆电动汽车（涵盖正常、故障及潜在故障车辆）的数据集上对所提方法进行了全面验证。该方法能适应不同运行工况、故障模式及电化学体系，在保持高精度的同时实现长期预警功能。