nature子刊:MCNN基于电池故障诊断的模型约束的深度学习方法

1. ​研究背景与问题​

锂离子电池是电动汽车的核心组件，但存在安全风险，如热失控（TR）、电解液泄漏（EL）、内部短路（ISC）和过度老化（EA）。这些故障在随机工作条件（如温度变化、负载波动）下难以实时诊断，导致召回事件和经济损失。传统方法（如知识基、模型基或数据基方法）在真实场景中受限，因为数据波动大、故障样本稀缺且诊断延迟高。本研究旨在开发一个在线诊断系统，实现高精度实时检测和故障分类，减少对故障样本的依赖。

2. ​方法框架：模型约束神经网络（MCNN）​​

MCNN是一个端到端框架，整合电池物理模型约束和深度学习，以处理随机数据波动。框架分为四个模块：

• ​模型构建与状态解析​：使用统计修正的电池包模型（基于逆高斯分布拟合电压分布），计算整体包状态（如终端电压 UT,p,k​) 和单体偏差状态 (ΔUi,k​)。强跟踪卡尔曼滤波用于实时状态估计。
• ​整体状态序列预测​：采用双向LSTM（BiLSTM）网络处理时间序列数据（包括电压、电流、温度、SOC、车速和里程）。输入7维矩阵，输出18维预测矩阵，经线性层降维为2维状态（电压和SOC）。
• ​基于模型耦合的自动编码器（MC-AE）​​：编码器压缩整体状态和偏差状态；隐空间采样融合物理模型关系（单体状态 = 包状态 + 偏差状态）；解码器生成单体预测状态。设计确保物理可解释性。
• ​诊断输出​：从MC-AE输出提取特征（如最大残差 zu1​(k)），通过统计回归（Hotelling T2 和SPE统计）生成综合评估指标，用于故障检测和分类。

创新点包括模