2025年8月21至24日，第七届工业人工智能国际会议（The 7th International Conference on Industrial Artificial Intelligence, IAI 2025）在沈阳举行，会上自动化系师生合作的论文《BatteryBERT for Realistic Battery Fault Detection Using Point-Masked Signal Modeling》获得大会最佳论文奖（Best Paper Award）。该论文由清华大学自动化系计算能源团队周颂奇、刘瑞雪、王一行、路加与江奔奔共同完成，江奔奔副教授为该论文的通讯作者。
图1. 获奖证书
确保锂离子电池的安全与可靠是电动汽车和储能系统发展的核心议题。然而，现有的故障检测方法在捕捉电池运行数据中复杂的时序依赖关系时常面临挑战，并且未能充分利用海量的未标记数据。为解决这一难题，周颂奇等提出了BatteryBERT框架，创新性地将大型语言模型的预训练思想及基座模型有效应用于工业时序数据分析，为BERT架构设计了专用的时序数据嵌入模块，并提出了一种新的“逐点信号掩码建模”（point-MSM）自监督预训练方法。该方法使得模型能够从未标记的充放电数据中深度学习电池的内在运行规律，生成具有上下文感知能力和分布鲁棒性的时序特征。在下游故障检测任务中，这些动态时序特征与电池的累计里程等静态元数据相结合，从而实现精准的故障检测。
图2. BatteryBERT架构示意图
该框架在一个大规模、真实的电动汽车公共数据集上进行了验证。实验结果表明，BatteryBERT模型在故障检测任务中取得了高达94.5%的AUROC检测精度，性能显著优于现有主流方法。在经济效益评估指标上，该模型将与故障紧密相关的平均直接成本降低至229元，远低于现有基准模型。
该研究工作证实了大型语言模型的架构原理、学习策略以及基座模型可被有效应用于工业时序分析领域。BatteryBERT为提升电动汽车电池的安全性和可靠性提供了一个可扩展、高精度且具备成本效益的解决方案，为人工智能在预测性维护等关键工业领域的应用提供了新思路。
