【ZiDongHua 之“自動(dòng)化學(xué)院派”收錄關(guān)鍵詞：清華大學(xué) 人工智能 電動(dòng)汽車(chē) 儲(chǔ)能系統(tǒng) 】
　　
　　自動(dòng)化系江奔奔課題組論文獲第七屆工業(yè)人工智能?chē)?guó)際會(huì)議最佳論文獎(jiǎng)
　　
　　2025年8月21至24日，第七屆工業(yè)人工智能?chē)?guó)際會(huì)議（The 7th International Conference on Industrial Artificial Intelligence, IAI 2025）在沈陽(yáng)舉行，會(huì)上自動(dòng)化系師生合作的論文《BatteryBERT for Realistic Battery Fault Detection Using Point-Masked Signal Modeling》獲得大會(huì)最佳論文獎(jiǎng)（Best Paper Award）。該論文由清華大學(xué)自動(dòng)化系計(jì)算能源團(tuán)隊(duì)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(jiǎng)證書(shū)
　　
　　確保鋰離子電池的安全與可靠是電動(dòng)汽車(chē)和儲(chǔ)能系統(tǒng)發(fā)展的核心議題。然而，現(xiàn)有的故障檢測(cè)方法在捕捉電池運(yùn)行數(shù)據(jù)中復(fù)雜的時(shí)序依賴(lài)關(guān)系時(shí)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(yǔ)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(shí)序數(shù)據(jù)分析，為BERT架構(gòu)設(shè)計(jì)了專(zhuān)用的時(shí)序數(shù)據(jù)嵌入模塊，并提出了一種新的“逐點(diǎn)信號(hào)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(yùn)行規(guī)律，生成具有上下文感知能力和分布魯棒性的時(shí)序特征。在下游故障檢測(cè)任務(wù)中，這些動(dòng)態(tài)時(shí)序特征與電池的累計(jì)里程等靜態(tài)元數(shù)據(jù)相結(jié)合，從而實(shí)現(xiàn)精準(zhǔn)的故障檢測(cè)。 
 
　　
　　BatteryBERT架構(gòu)示意圖
　　
　　該框架在一個(gè)大規(guī)模、真實(shí)的電動(dòng)汽車(chē)公共數(shù)據(jù)集上進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，BatteryBERT模型在故障檢測(cè)任務(wù)中取得了高達(dá)94.5%的AUROC檢測(cè)精度，性能顯著優(yōu)于現(xiàn)有主流方法。在經(jīng)濟(jì)效益評(píng)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(shí)了大型語(yǔ)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(shí)序分析領(lǐng)域。BatteryBERT為提升電動(dòng)汽車(chē)電池的安全性和可靠性提供了一個(gè)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(cè)性維護(hù)等關(guān)鍵工業(yè)領(lǐng)域的應(yīng)用提供了新思路。