一种物理信息多信号融合的跨车多故障分钟级预警方法

本发明涉及动力电池安全监测和智能预警，具体为一种物理信息多信号融合的跨车多故障分钟级预警方法。

背景技术：

1、动力电池作为电动汽车核心部件和主要的安全风险源，在发生故障时通常较为隐蔽且突然，若进一步演变为热失控或者绝缘击穿，则会严重危及人身以及财产安全。目前工程界和学术界的车载电池故障预警技术主要有如下几类：第一类是基于固定阈值和专家规则的启发式方法。这类方法针对单个电池电压极差、温度极差、温升速率、绝缘电阻等重要物理量设定一个固定的报警阈值，如果测量到的数据超过这个阈值则进行报警提示。这种方法的优点在于逻辑简单清晰、计算开销小，并可以直接嵌入嵌入式电池管理系统（batterymanagement system bms）之中，国内国外整车企业的现行国标监测方案大多以这一类规则为主；第二类是有监督分类模型的方法。这种做法把故障检测看作是一个二分类或多分类的问题，用带有故障标签历史数据来训练支持向量机、梯度提升树、深度神经网络等分类器；第三类是基于单类学习(one-class learning)和重构的无监督方法。这类方法只使用正常的训练数据，代表性的算法有单类支持向量机(oc-svm)，孤立森林(isolationforest), 自编码器(autoencoder)与深度单类数据描述(depth svdd)等等。它的基本思想是认为正常数据在高维空间或是隐空间中的分布在一个紧凑区域内，而异常样本远离了这个区域。第四类是基于时序预测的方法。此类方法训练循环神经网络（lstm/gru）、时间卷积网络（tcn）或 transformer 对电压、温度等关键序列进行单步或多步预测，以预测残差超出容差带作为异常判据。

2、但是相关技术在面向“跨车辆、多故障类型、分钟级提前量、低误报”这一工程化的部署目标上，分别存在着如下问题：

3、（1）基于固定阈值和规则的方法对于缓变型与瞬态型故障的敏感程度相差甚远：阈值太小时会因正常的工况波动而频繁地产生误报，阈值太大又会导致对早期缓变故障的漏报；阈值需要按照车型、电池体系以及传感器配置逐一进行人工设定，跨车型迁移的成本很高，并且告警位本身是相对于物理异常存在的一个系统性的滞后——根据发明人的对真实故障案例的审计发现，最高单体电压在过压告警的位置位之前大约18分钟就已经饱和到了量程上限以及依靠车载告警位作为预警出口并不能得到真正的提前量；

4、（2）有监督分类方法严重依赖故障标签的真实情况：真实的运营数据中的故障样本极其稀少并且标签获取成本极高，模型很难涵盖训练中没有见过的故障模式；如果目标车辆与训练车辆的电池体系或传感器布置不一致，则模型的判别能力大幅下降，跨车泛化能力差；

5、（3）常规单类学习方法往往把高维度的时序信号塌缩成单一标量异常分：一方面丢失了“哪一组物理量发生了偏离”的语义信息；另一方面其分数分布会在不同的车辆间具有明显的尺度偏移——同一个模型在训练车上标定的阈值直接移植到一辆未曾见过的新车时，重尾通道的尺度爆炸会让误报率失控，排序的能力不能转化成为可以部署的低误报报警；

6、（4）纯时序预测方法以单一标量残差为判据，缺乏物理语义，且普遍采用共享编码器同时承担预测与重建任务的联合训练架构，两个任务相互干扰；同时孤立尖峰残差极易触发瞬时误报，缺少因果平滑与持续确认机制；

7、（5）更重要的是，现有方法的评价体系普遍只报告检出案例的提前时长，不对全量运行流水中的误报进行系统记账，预警系统的实用价值无法完整评估；也缺少统一的无泄漏训练与阈值标定规范，导致公开报告的指标虚高、不可复现、不可直接部署。

技术实现思路

1、为了解决上述问题，本发明提供一种物理信息多信号融合的跨车多故障分钟级预警方法。

2、为实现上述目的，本发明提供如下技术方案，具体包括以下步骤：

3、s1、采集原始动力电池多源测量时间序列，通过无泄漏归一化与时序衍生特征处理，输出438维扩展特征矩阵；

4、s1.1、输入原始动力电池多源测量时间序列，执行无泄漏归一化，输出标准化后的146维特征矩阵；

5、所述原始动力电池多源测量时间序列，包含15项标量特征（车速、运行状态、充电状态、工作模式、总电压、总电流、累计里程、soc、单体电压最大值、单体电压最小值、最高温度、最低温度、绝缘电阻、dcdc状态、档位），2项派生特征（单体电压压差、温度温差），95路单体电压与34路温度探针，共146维原始量；

6、对每辆训练车辆，仅用其正常数据拟合逐通道的均值与标准差，执行标准化：

7、

8、其中，为第个特征通道在时刻标准化后的取值；为原始采样值；为时间索引，本实施例中采样间隔10秒；为特征通道索引（）；、分别为第通道在训练车正常段上的均值与标准差，、仅由训练车正常段估计。约束二者仅由训练车正常段估计、不使用任何故障信息，是无泄漏训练的第一道保证。

9、s1.2、基于标准化后的146维特征矩阵，通过增补两类时序衍生特征进行特征扩展，输出438维扩展特征矩阵；

10、得到标准化146维特征矩阵后，增补两类时序衍生特征。

11、第一类为一阶差分量值，用于刻画变化速率，表达式如下：

12、

13、第二类为窗口长度步的滚动标准差，刻画局部波动，表达式如下：

14、

15、其中，为一阶差分量值，为上一时刻标准化后的取值，为第个通道在时刻前步窗口内的滚动标准差，为滚动窗口内的时刻索引，为滚动窗口长度。原始量、一阶差分量、滚动标准差量三段并列，原始146维特征扩展为维。

16、上述标准化可等价地写作矩阵形式。将窗口内全部时刻的特征按行堆叠为特征矩阵，则标准化后的原始特征矩阵：

17、

18、其中，为特征矩阵，为维全1列向量；为逐通道均值与标准差向量，为转置操作；表示按列广播的逐元素除法。该形式表明标准化是对每列以同一对参数执行的仿射变换，可用批量矩阵运算并行实现；衍生特征的扩展亦可写作块状拼接，为扩展特征矩阵，为标准化后的原始特征矩阵，为一阶差分矩阵，为滚动标准差矩阵，为滑动窗口长度，为特征维度。

19、所述扩展特征矩阵包含原始值、变化速率和局部波动三个维度的信息，为后续预测与重建提供更丰富的时序表征。

20、s2、基于扩展特征矩阵，通过构造滑动窗口，得到用于预测器与自编码器训练的窗口样本数据集；

21、s3、训练阶段：基于窗口样本数据集，对3个时间卷积网络多步预测器成员进行集成训练，输出训练好的预测器集成以及集成预测张量；

22、s3.1、基于窗口样本数据集，通过线性投影层进行维度映射后，再进行因果膨胀卷积块堆叠，预测头取末端时刻隐状态，依次通过两层感知机，生成多步预测张量；

23、时间卷积网络多步预测器由1层线性投影层、4个因果膨胀卷积块和1个预测头依次连接构成；所述线性投影层将输入特征映射至隐藏空间，所述因果膨胀卷积块采用膨胀系数逐层递增的因果卷积提取时序特征，所述预测头取末端时刻隐状态经多层感知机输出未来多步预测张量。

24、预测器输入经线性投影由438维映射至128维隐藏空间；再依次经过堆叠4个因果膨胀卷积块；预测头取末端时刻隐状态，经两层感知机输出维向量，重排为未来步、每步维的预测张量，为预测器需要向前预测的未来时间步。

25、第个因果膨胀卷积块的核心运算为膨胀系数的因果卷积，表达式如下：

26、

27、其中，、为第块在时刻的输出隐状态、输入隐状态；为卷积核权重；为卷积核长度；为卷积核内索引；（），为因果膨胀卷积块的索引；求和下标保证因果性，为卷积核内索引。

28、可选的，上述因果膨胀卷积可等价地写作矩阵形式。将窗口内各时刻的输出隐状态、输入隐状态分别按时间顺序堆叠为列向量，则存在下三角膨胀托普利茨矩阵，表达式如下：

29、

30、其中，为窗口内各时刻输出隐状态的列向量，为窗口内各时刻输入隐状态的列向量，为三角膨胀托普利茨矩阵，为矩阵第行第列元素（为输出时刻索引、为输入时刻索引，均取1至）。非零元仅出现在的膨胀格点上（下三角结构），这是因果性的矩阵表述；该形式说明每层变换是结构固定的线性映射，便于图形处理器并行实现与理论分析。膨胀卷积使感受野随层数指数增长，表达式如下：

31、

32、其中，为因果膨胀卷积层的感受野，为卷积块总数。块内激活函数取gelu激活函数，，其中，为标准正态累积分布函数，为激活函数输入值；因果膨胀卷积块内另含dropout（丢弃率0.1）与残差连接。

33、s3.2、将窗口样本数据集与多步预测张量输入至3个预测器集成训练，得到3个训练好的预测器以及集成预测张量；

34、为压缩随机性方差，本发明训练个结构相同的预测器成员构成集成，推理时取成员均值作为预测输出：

35、

36、其中，为集成预测器总数，为第个预测器的前向映射函数，为集成预测张量；

37、预测器训练目标为均方误差损失函数，表达式如下：

38、

39、其中，为预测器对第个未来时刻、第个特征通道的预测值，为对应时刻、对应通道的真实标准化特征值，为预测步索引，为弗罗贝尼乌斯范数，即矩阵全部元素平方和的开方；分别为真实未来特征矩阵与预测张量。

40、s4、推理阶段：基于训练好的预测器以及集成预测张量，通过多尺度残差归一化与物理分组偏差特征聚合，输出24维物理分组偏差特征；

41、s4.1、基于训练好的预测器以及集成预测张量，进行多尺度残差计算与集成归一化处理，输出集成归一化残差；

42、推理阶段计算多尺度残差并按集成成员各自的残差标准差归一化后平均，表达式如下：

43、

44、其中，为残差矩阵，为集成归一化残差矩阵，为窗口末端之后紧邻的步真实标准化特征；为第个成员的残差元素在训练车正常段上的标准差，用于消除不同物理通道量纲与波动尺度差异。

45、s4.2、基于集成归一化残差，通过进行物理语义分组与偏差特征聚合，输出24维物理分组偏差特征向量；

46、将438维特征按物理语义分为四组物理分组：标量组（17个基础通道及其衍生）、单体电压组（95路单体电压及其衍生）、温度组（34路温度探针及其衍生）、绝缘组（绝缘电阻及相关状态量通道及其衍生）。对每组、每个预见段，计算三种统计量，具体为：组内均方根rms、最大绝对值max|·|、绝对均值|mean|：

47、

48、其中，为组内均方根偏差，为组内最大绝对值偏差，为组内绝对均值偏差，为物理分组索引，为预见段索引，为归属该组该段的归一化残差元素下标集合，为集合中的元素索引，为临时遍历索引，为对应的归一化残差值。三种统计量可统一写成子矩阵范数形式——记为归一化残差矩阵中对应组、对应预见段的子块，则：

49、

50、由此得到维物理分组偏差特征，为分故障类型的预警定位提供依据。

51、s5、基于窗口样本数据集，通过时间卷积网络自编码器计算重建误差与提取隐空间特征，得到自编码器重建误差、归一化隐范数和对角马氏距离3项特征；

52、所述时间卷积网络自编码器采用与时间卷积网络多步预测器相同的因果膨胀卷积架构；

53、所述隐空间特征包括归一化隐范数和对角马氏距离；

54、自编码器的编码器为4个因果膨胀卷积块（隐藏维度96），将窗口压缩后取末端时刻隐状态经线性层映射为24维隐向量；解码器将复制至窗口全部30个时刻，经4个因果膨胀卷积块重建，并以逐时刻线性层输出维重建序列。自编码器训练目标为重建均方误差损失函数，计算表达式为：

55、

56、其中，为重建均方误差损失函数，为24维隐向量，为样本总数，为样本索引，为弗罗贝尼乌斯范数，分别为第个窗口的重建矩阵与输入矩阵。编码输出亦可写成矩阵形式，记末端时刻编码器隐状态为，则：

57、

58、其中，、为编码器输出层权重与偏置，为编码器隐藏维度，为隐向量维度；表示将隐向量复制（广播）至窗口全部30个时刻，作为解码器的逐时刻输入矩阵。

59、同样训练个自编码器成员构成集成，重建误差取成员均值：

60、

61、其中，为自编码器集成重建误差；

62、此外从第一个成员的自编码器提取两项隐空间特征：归一化隐范数与对角马氏距离，其中为该维隐输出在训练车正常段上的均值与标准差（无泄漏估计）。

63、s6、构建全局启发式特征，与自编码器重建误差、归一化隐范数、对角马氏距离和24维物理分组偏差特征并置，构成32维信号向量，再通过log1p跨车尺度校正与标准化，输出标准化后的32维信号向量；

64、所述全局启发式特征包括：静态偏离度、窗内一阶差分均方根、窗内峰峰值均值、归一化残差绝对值的95分位数和残差漂移趋势值。

65、s6.1、全局启发式特征计算与向量组装，构成32维信号向量；

66、对窗口内标准化特征计算五项全局启发式特征：

67、（1）静态偏离度；

68、（2）窗内一阶差分均方根；

69、（3）窗内峰峰值均值；

70、（4）归一化残差绝对值的95分位数；

71、（5）残差漂移趋势值。

72、将上述五项、重建误差、隐空间特征、24维物理分组偏差特征并置，构成32维信号向量：

73、

74、其中，为24维物理分组偏差特征向量。

75、s6.2、基于32维信号向量，通过执行log1p跨车尺度校正与标准化，输出标准化后的32维信号向量；

76、考虑到跨车场景下非负重尾通道的重尾尺度爆炸问题，对除外的全部非负通道施加log1p变换后再以训练车正常段统计量标准化，表达式如下：

77、

78、其中，、为第维信号在训练车正常段上的均值与标准差。log1p为全局保序、无饱和的单调变换：既压缩了跨车尺度爆炸，又不改变分数排序，使阈值可跨车迁移。该变换的统计量仅来自健康车正常段，保持零泄漏性质。对一批信号样本按行堆叠为矩阵（为批内窗口数）时，校准与标准化可写作矩阵形式：

79、

80、其中，为32维信号向量，为逐维均值与标准差向量，为按列广播的逐元素除法，与为逐元素运算，为标准化32维信号矩阵形式。

81、s7、基于标准化后的32维信号向量，通过devnet式合成异常推离的融合头，进行训练与异常分数计算，输出异常分数；

82、s7.1、基于标准化后的32维信号向量，进行融合头前向映射与数据中心初始化，输出16维隐空间表示及数据中心；

83、融合头为多层感知机，具体为：第一层经线性变换将维度由32映射至64，再经gelu激活函数输出；第二层保持64维不变，再次经线性变换与gelu激活；第三层经线性变换将64维压缩至16维，末层线性输出16维隐空间表示。其逐层运算的矩阵递推形式为：记为标准化后的信号向量，则：

84、

85、其中，为第二隐藏层的输出，为融合头最终的输出，、、依次为第一层权重矩阵、第二层权重矩阵和第三层权重矩阵，为第层对应偏置向量，为第三层偏置项；末层不加激活，直接输出16维隐空间坐标，为第三隐藏层的输出。对一批样本按行堆叠输入矩阵时，上式即三次带gelu激活的仿射变换。数据中心以正常段信号前向输出的均值初始化并在训练中保持固定。

86、s7.2、基于16维隐空间表示及数据中心，构建损失函数并训练，输出异常分数；

87、损失函数由三项构成，表达式如下：

88、

89、其中，为训练车正常段信号样本；为对比负样本（取自各健康车全范围正常段，表征跨车工况差异）；为样本总数，为的索引；为第二项对比负样本的权重，为第三项合成异常的权重；为数据中心；融合头的前向映射函数；为合成异常样本总数；为合成异常样本。

90、部署阶段的异常分数定义为：

91、

92、其中，为融合头对标准化信号向输出的16维隐空间表示。

93、s8、基于每个窗口的异常分数构建原始异常分数序列，通过因果ewma保底平滑与双阈值滞回比较，输出滞回置位状态；

94、单窗孤立尖峰易造成瞬时误报，而纯平滑又会延迟响应。本发明采用因果指数加权移动平均（ewma）并取逐点最大值保底，表达式如下：

95、

96、其中，为原始异常分，为平滑后异常分，为上一时刻的平滑后异常分数，为平滑系数，为ewma的等效窗口长度参数。

97、随后执行双阈值滞回比较：平滑分数向上穿越进入阈值时报警状态置位，向下穿越退出阈值时复位，表达式如下：

98、

99、其中，为上一刻滞回置位状态；

100、进入阈值、退出阈值分别取训练车正常段平滑分数的98与97百分位数。

101、s9、基于滞回置位状态序列，执行连续预设窗数持续确认与事件级预警判定，通过报警回合与带标签故障块的命中归因，输出预警结果；

102、滞回置位状态需连续保持个采样窗方确认一次有效报警回合：

103、

104、其中，为最终预警输出信号，为滞回置位状态，为指示函数，为持续确认窗数，p98为进入阈值百分位数，p97为退出阈值百分位数；

105、持续确认门槛与电池热—电故障的演化时间尺度匹配，可将瞬态扰动引起的短促越阈排除在预警之外。本实施例推荐工作点为进入分位p98、退出分位p97、k=90。

106、与现有技术相比，本发明具备以下有益效果：

107、（1）本发明以多步预测残差捕捉趋势性缓变偏离、自编码器重建误差捕捉结构性形态畸变、启发式特征提供低成本安全冗余，实现三路信号在故障孕育期从不同维度独立积累异常证据，互不干扰、互为补充；无需任何固定物理阈值，通过无监督学习式融合单类头自动学习正常流形的紧凑边界，从根本上摆脱了人工标定依赖，有效弥补了告警位滞后，实现故障显性化前的早期预警。

108、（2）本发明通过全程仅使用健康车辆正常数据训练，预测器、自编码器及融合头均不接触任何真实故障标签，合成异常样本仅由人为扰动构造；训练阶段仅包含健康车数据，部署时可直接应用于未见车辆，实现了零标签跨车零样本部署。

109、（3）本发明将归一化残差按物理语义分组并在多预见尺度上聚合统计，构造24维物理分组偏差特征，保留明确语义；同时引入log1p跨车尺度校正，在保留分数排序能力的同时压缩重尾通道在新车上的尺度爆炸，使训练车标定的阈值可直接跨车迁移。

110、（4）本发明采用预测器与自编码器各自独立编码、分别训练后再于信号层融合的分离式结构，避免任务干扰，三路信号从不同角度刻画异常后经融合头统一映射为异常分数，再经因果ewma保底平滑、双阈值滞回比较及连续k窗持续确认的三层机制，有效排除瞬态扰动引起的孤立尖峰，实现低误报报警。

111、（5）本发明建立了逐例归因记账协议，通过每一报警回合与带标签故障块做命中判定，成功则记录提前量，未命中则记入误报台账并记录发生时刻与车辆状态，给出可直接反映运维负担的完整事件级评价指标。