【ZiDongHua 之“自動化學(xué)院派”收錄關(guān)鍵詞：清華大學(xué) 人工智能 電動汽車 儲能系統(tǒng) 】
　　
　　自動化系江奔奔課題組論文獲第七屆工業(yè)人工智能國際會議最佳論文獎
　　
　　2025年8月21至24日，第七屆工業(yè)人工智能國際會議（The 7th International Conference on Industrial Artificial Intelligence, IAI 2025）在沈陽舉行，會上自動化系師生合作的論文《BatteryBERT for Realistic Battery Fault Detection Using Point-Masked Signal Modeling》獲得大會最佳論文獎（Best Paper Award）。該論文由清華大學(xué)自動化系計算能源團(tuán)隊周頌奇、劉瑞雪、王一行、路加與江奔奔共同完成，江奔奔副教授為該論文的通訊作者。
 
　　
　　獲獎證書
　　
　　確保鋰離子電池的安全與可靠是電動汽車和儲能系統(tǒng)發(fā)展的核心議題。然而，現(xiàn)有的故障檢測方法在捕捉電池運行數(shù)據(jù)中復(fù)雜的時序依賴關(guān)系時常面臨挑戰(zhàn)，并且未能充分利用海量的未標(biāo)記數(shù)據(jù)。為解決這一難題，周頌奇等提出了BatteryBERT框架，創(chuàng)新性地將大型語言模型的預(yù)訓(xùn)練思想及基座模型有效應(yīng)用于工業(yè)時序數(shù)據(jù)分析，為BERT架構(gòu)設(shè)計了專用的時序數(shù)據(jù)嵌入模塊，并提出了一種新的“逐點信號掩碼建模”（point-MSM）自監(jiān)督預(yù)訓(xùn)練方法。該方法使得模型能夠從未標(biāo)記的充放電數(shù)據(jù)中深度學(xué)習(xí)電池的內(nèi)在運行規(guī)律，生成具有上下文感知能力和分布魯棒性的時序特征。在下游故障檢測任務(wù)中，這些動態(tài)時序特征與電池的累計里程等靜態(tài)元數(shù)據(jù)相結(jié)合，從而實現(xiàn)精準(zhǔn)的故障檢測。 
 
　　
　　BatteryBERT架構(gòu)示意圖
　　
　　該框架在一個大規(guī)模、真實的電動汽車公共數(shù)據(jù)集上進(jìn)行了驗證。實驗結(jié)果表明，BatteryBERT模型在故障檢測任務(wù)中取得了高達(dá)94.5%的AUROC檢測精度，性能顯著優(yōu)于現(xiàn)有主流方法。在經(jīng)濟(jì)效益評估指標(biāo)上，該模型將與故障緊密相關(guān)的平均直接成本降低至229元，遠(yuǎn)低于現(xiàn)有基準(zhǔn)模型。
　　
　　該研究工作證實了大型語言模型的架構(gòu)原理、學(xué)習(xí)策略以及基座模型可被有效應(yīng)用于工業(yè)時序分析領(lǐng)域。BatteryBERT為提升電動汽車電池的安全性和可靠性提供了一個可擴(kuò)展、高精度且具備成本效益的解決方案，為人工智能在預(yù)測性維護(hù)等關(guān)鍵工業(yè)領(lǐng)域的應(yīng)用提供了新思路。