【哈工大（深圳）宣】（智能科学与工程学院 文/图）近日，哈工大深圳校区智能学部智能科学与工程学院董广忠教授课题组在锂电池故障诊断领域取得重要进展，研究成果以《基于快速无监督学习的百万级锂离子电池现实多故障诊断》（Realistic multi-fault diagnostics of millions-scale Li-ion batteries with rapid unsupervised learning）为题发表在《Cell Reports Physical Science》上。

在电池换电站等场景中，每天有数以百万计电池在运行，数据稀疏、故障类型多样、标注样本稀缺，传统诊断方法面临前所未有的挑战。当前主流的故障诊断方法主要分为两类：一是基于模型的诊断方法，依赖等效电路模型或电化学模型，通过参数估计或残差分析检测故障。然而，这类方法需要精确的物理建模和大量专家知识，难以应对复杂的实际工况和非线性电化学行为（如磷酸铁锂电池的滞回特性），且模型精度限制了诊断准确性。二是数据驱动的诊断方法，利用机器学习从历史数据中学习故障模式，但严重依赖大量高质量标注样本。在实际大规模电池系统中，获取精确的故障标签极其困难，故障数据往往呈现长尾分布，且故障类型可能并发（如微短路与低容量同时存在），导致监督学习方法难以有效应用。此外，换电站等场景下电池运行数据采集频率低、信息稀疏，进一步加剧了诊断的难度。因此如何在无标签、稀疏数据、海量设备的现实条件下，实现快速、准确的多故障并发诊断，成为亟待突破的科学技术难题。

图1 双层故障诊断框架示意图

针对上述难题，董广忠教授课题组提出了一种基于无监督学习的双层云诊断框架。该方法首先在设备层通过动态时间规整距离对电池组的电压包络序列进行快速异常筛查，实现百万级设备的毫秒级筛选（平均每设备仅2.7毫秒）；随后在电芯层，对异常设备采用“孤立森林+DBSCAN”两阶段聚类以分离出正常-异常电芯簇，针对异常电芯，分析所提取特征分布与电池动态行为关系，构建基于规则的详细故障类型定位机制，精准识别微短路、低容量、高SOC、低SOC四类故障，可在稀疏运行数据中高效定位故障类型。在包含超过12.8万个真实设备的大规模数据集上验证，设备层诊断准确率达97.33%，电芯层准确率高达99.66%。团队进一步对算法诊断为“低容量”和“微短路”的电池进行实验室召回验证：低容量电池实际容量（约15.54 Ah）显著低于正常电芯（约17.58 Ah），微短路电池充电容量（8.55 Ah）明显高于放电容量（7.99 Ah）且静置后容量显著下降，证实了诊断结果的准确性。

哈工大为论文第一通讯单位。深圳校区智能科学与工程学院硕士研究生谢绍华为论文第一作者，智能科学与工程学院董广忠教授、楼云江教授和博士研究生陈浩楠为论文共同作者，董广忠教授为论文第一通讯作者。

该工作获到了国家重点研发计划、国家自然科学基金以及广东省基础与应用基础研究基金的资助。（编辑 谢梁晖 审核 张惠屏 陈南坤）

论文链接：https://doi.org/10.1016/j.xcrp.2026.103154