BatteryAgent：将物理信息解释与LLM推理协同作用，用于智能电池故障诊断

于红博

摘要: 锂离子电池的故障诊断对系统安全至关重要。虽然现有的深度学习方法表现出优越的检测准确性，但它们的“黑匣子”特性阻碍了可解释性。此外，受到二元分类范式的限制，它们难以提供根本原因分析和维护建议。为了解决这些限制，本文提出了BatteryAgent，这是一个将物理知识特征与大型语言模型（LLMs）的推理能力相结合的分层框架。该框架包括三个核心模块：（1）利用基于电化学原理得出的10个机制特征的物理感知层，平衡降维和物理保真度；（2）采用梯度提升决策树和SHAP来量化特征贡献的检测和归因层；和（3）利用LLM作为代理核心的推理和诊断层。该层构建了一个“数字语义”桥梁，将SHAP归因与机制知识库结合起来，生成包含故障类型、根本原因分析和维护建议的全面报告。实验结果表明，BatteryAgent有效地纠正了对难界样本的误分类，实现了0.986的AUROC，明显优于当前最先进的方法。此外，该框架将传统的二元检测扩展到多类型可解释的诊断，为电池安全管理提供了一种新的范式转变，从“被动检测”转变为“智能诊断”。

更新时间: 2025-12-31 07:38:53

领域: cs.AI,eess.SY

下载: http://arxiv.org/abs/2512.24686v1