VBFDD-Agent：电动汽车电池故障检测与诊断——电池数字信号的描述性文本建模

# VBFDD-Agent 用于电动汽车电池故障检测与诊断：电池数字信号的描述性文本建模
来源：https://arxiv.org/html/2605.20742
\[ orcid=0009\-0004\-8100\-1546 \] \[ orcid=0000\-0003\-2590\-0307 \] \[ orcid=0000\-0001\-6026\-9755 \] 上海交通大学机械工程学院工业工程与管理系，上海 200240，中国\\pubvolume1\\pagestart1\\pageend1\\conferencenameProceedings of Conference XXX\\conferenceeditorsEditor1 Editor2

\(2025\)

###### 摘要

随着电动汽车的快速普及，锂离子电池的安全性和可靠性已成为关键问题。有效的异常检测对于确保电池安全运行至关重要。然而，随着电池系统和运行场景日益复杂，电池故障诊断与维护需要更强的跨域适应性和人机协作能力。传统的故障检测与诊断方法通常针对特定场景和预定义工作流程设计，在复杂的实际应用中效果不佳。为解决开源电池故障报告语料库匮乏以及统一维护知识表示缺失的问题，本研究提出了一种面向电池信号报告的描述性文本建模方法。将监测信号、统计特征、异常记录和状态评估结果转化为结构化的、可读的自然语言描述，形成电池健康诊断与维护的语言语料库。基于该语料库，我们提出了 VBFDD-Agent，一种面向车规级电池系统的车辆电池故障检测与诊断智能体。VBFDD-Agent 集成了描述性电池状态文本、历史案例检索、本地维护手册和大语言模型推理，以生成结构化的诊断结果和维护建议。实验表明，所提出的框架能够基于描述性文本表示准确执行异常监测，并提供灵活、高效且可行的维护建议。专家评估进一步证实了生成建议的实际价值。总体而言，VBFDD-Agent 将传统的电池诊断从标签预测扩展到可解释且面向维护的决策支持。

###### 关键词:

异常检测，大语言模型，智能诊断，自然语言转换。

## 1 引言

近年来，受气候变化关注和环境挑战的驱动，新能源汽车，尤其是电动汽车，经历了快速发展。在各种电池技术中，锂离子电池因其高能量密度和长循环寿命而被广泛用作电动汽车的核心动力源\[1\]。然而，锂离子电池可能遭受多种异构故障，例如阳极退化、阴极退化、过充电、过放电和外部短路\[2,3\]。为了在异常状况演变为严重故障之前预测异常状况，研究人员开发了多种故障检测与诊断方法\[4,5\]。因此，精确且鲁棒的电池故障检测与诊断技术对于开发可靠的电池管理系统至关重要\[6\]。

传统的电池故障检测与诊断研究主要集中在信号处理、特征提取、状态识别和故障分类\[7\]。这些研究旨在通过使用电压、电流、温度、内阻及其衍生特征来识别异常状态、故障类型或故障概率\[8,9\]。在早期故障预警和单点故障识别方面取得了相当大的进展。现有方法一般可分为基于知识、基于模型、基于统计、基于机器学习和混合方法\[10\]。基于知识和基于模型的方法依赖于先验专家知识、电池物理模型、等效电路模型或状态观测器，并通过分析估计值与观测值之间的残差来检测故障\[11,12\]。这些方法提供了一定程度的机理可解释性，但在复杂运行条件和大规模应用下，通常面临建模成本高和参数更新困难的问题。统计方法直接从运行信号（如电压、电流和温度）中提取故障敏感特征，无需精确的系统模型即可实现异常状态表征\[13,14\]。然而，其性能通常对噪声、负载波动和变化的运行条件敏感。与此同时，数据驱动方法，尤其是机器学习和深度学习方法，从历史运行数据中学习故障判别模式，增强了复杂非线性场景下的检测能力，已成为当前电池故障检测与诊断研究的重要方向\[15,16\]。

尽管取得了这些进展，现有方法仍然在很大程度上遵循一种“感知-分类”范式\[17,18\]。换句话说，大多数模型专注于从监测数据中提取有效特征并产生定量判别结果，而对生成适用于实际运维场景的综合结论（如故障机理解释、因果链分析、风险等级评估和可执行的维护建议）关注有限。然而，对于下一代电池管理系统和电池运维系统，研究目标不应局限于产生孤立输出，如荷电状态、健康状态或故障类别。相反，应朝着更高层次的智能化方向发展，使系统能够理解电池状态、识别风险、生成建议并辅助维护决策\[19,20\]。在此背景下，现有研究仍面临以下局限性：

1. 由于新能源汽车制造商对售后工单、故障处理流程和维护记录的保密要求，包含真实世界电池状态偏差、故障现象、诊断过程和维护建议的文本数据通常难以公开获取\[21\]。大多数现有电池故障检测与诊断研究依赖于结构化监测数据，如电压、电流、温度和荷电状态，来进行异常检测或故障分类。然而，对于如何将这些数值信号进一步转化为符合运维人员理解习惯的文本故障描述，关注度有限。这一问题在整车级动力电池场景中尤为突出，因为故障表现与车辆运行条件、电池管理系统报警逻辑、售后检查程序和维护法规密切相关。因此，仅以标签或分数表示的诊断结果往往不足以支持实际维护实践中的解释、沟通和决策。
2. 现有方法也缺乏足够的通用性和交互性。它们大多侧重于异常识别或故障分类本身，其输出通常表示为标签、分数或报警，难以直接转化为可读、可解释且可执行的维护知识。此外，这些端到端方案通常针对特定场景和预定义工作流程设计。其输出在实际维护决策中使用前仍需要进一步的人工分析，这阻碍了与用户和动态环境的无缝交互。随着工业应用中对动态跨域泛化和人机协作智能的需求日益增长\[22\]，传统范式的低效率和有限适用性变得越来越明显\[23\]。对于电池系统，这一限制尤为关键，因为电池故障演化通常具有多因素耦合、跨层次传播和强场景依赖性的特点\[24\]。仅仅提供故障类别或故障概率往往不足以直接支持运维决策。

因此，如何统一表示电池监测信号、异常状态和维护知识，并进一步支持智能维护决策，仍是当前电池故障检测与诊断研究中的一个重要问题。近年来，随着工业智能体概念的发展，工业系统正逐渐从用于局部功能优化的自动化工具，演变为面向全流程协作的自主决策单元\[25,26\]。与仅执行单一识别、预测或控制任务的传统模型或工具不同，工业智能体强调对高层目标的理解、任务工作流的自主生成以及多服务和模块的统一编排\[27\]。这一概念为电池健康运维提供了新的研究方向。借助大语言模型的语义理解、推理溯源和信息检索能力\[28\]，近期研究已开始将大语言模型引入设备健康管理和故障诊断\[29\]。例如，Ma等人\[30\]提出了一种知识图谱增强的故障诊断推理框架，用于分析机械设备故障并提供更可靠的诊断指导。Lin等人\[31\]提出了一种基于多模态大模型的方法，通过模态对齐将多维时间序列映射到语义嵌入空间，然后利用大语言模型进行推理以提高故障分类准确性。Wang等人\[32\]将故障判别问题转化为视觉问答任务，并结合包络谱图像与领域知识以增强模型泛化性和可解释性。尽管电池健康管理在状态估计、退化预测和异常预警方面取得了进展，但其功能模块仍然相对分散。从状态感知、风险理解到维护处理和调度协调的统一闭环尚未完全建立\[33\]。图1展示了从通用大模型到行业大模型，再到垂直大模型的演进路径，为所提出的VBFDD-Agent提供了概念基础。

参见图注图1：从通用大模型到行业大模型再到垂直大模型在工业故障诊断应用中的演进路径。 本文提出了VBFDD-Agent，即车辆电池故障检测与诊断智能体，用于整车级电池故障检测与诊断。基于一个开源的车辆电池故障检测数据集，我们开发了一种机制信息引导的描述性文本建模方法，用于汽车电池状态表示。所构建的文本语料库弥合了大语言模型与故障检测与诊断任务之间的鸿沟。基于来自多个新能源汽车制造商的电池故障处理手册，我们进一步整理了电池故障运维建议，并将其集成到所提出的检索增强智能体框架中。通过考虑历史案例和维护建议，所提出的框架使大语言模型不仅能够基于描述性文本执行复杂的多标签监测，还能生成科学合理且实际可行的维护建议。本文的主要贡献总结如下：

1. 提出了一种机制信息引导的信号到描述性文本的建模方法，以解决开源电池运维语料库的缺失问题。所提出的方法将传统上由神经网络处理的表格数值信号，转化为大语言模型能够更有效理解的描述性文本。通过将规则引导的初步判断纳入文本建模过程，传统的专家规则被有效地嵌入到数据表示中，使得数值信号建模与语义推理得以联合衔接。
2. 开发了一个检索增强的VBFDD-Agent框架，用于车辆电池故障诊断与维护决策支持。所提出的智能体集成了历史退化轨迹、维护程序、案例知识库和实时运行上下文，以支持原因追溯、风险分级、影响评估和维护建议生成，而不仅仅是判断电池是否故障或属于哪类故障。该框架有望帮助克服传统维护模式中信息孤立、人工依赖重、响应链长等瓶颈，从而推动电池健康管理从单点智能向系统级智能、从辅助分析向自主决策支持发展。
3. 在涉及十辆电动汽车的故障检测与诊断任务上的实验结果表明，所提出的基于大语言模型的电池故障检测与诊断框架实现了高诊断准确率，验证了所提出的数据建模方法和智能体框架的有效性。此外，专家评估结果表明VBFDD-Agent生成的维护建议获得了多位领域专家的高度认可。所构建的语料库将发布，以支持未来基于大语言模型的电池故障诊断与维护研究。

本文的组织结构如下。第2节介绍了问题定义和数据集描述。第3节详细介绍了所提出的方法。第4节验证了所提出方法的有效性。第5节讨论了专家评估和模型部署性能。第6节总结了本文。

## 2 数据概览

所提出的信号到文本建模策略和VBFDD-Agent框架建立在从实际运