Идентификация неисправностей в новых энергетических транспортных средствах на основе улучшенных функций активации и безпараметрических механизмов внимания

Почему важны более разумные проверки автомобилей

Поскольку электромобили и гибриды распространяются по всему миру, обеспечение их безопасности и надежности становится столь же важным, как и повышение их экологичности и эффективности. В отличие от традиционных двигателей, новые энергетические транспортные средства опираются на батареи, электромоторы и силовую электронику, которые могут выходить из строя тонкими путями задолго до появления сигнала на панели приборов. В этом исследовании изучается, как современные методы искусственного интеллекта могут анализировать потоки данных с бортовых датчиков, чтобы точнее и быстрее обнаруживать ранние признаки проблем по сравнению с существующими системами на основе правил — что потенциально снижает число поломок, расходы на ремонт и риски для безопасности обычных водителей.

Скрытые закономерности в электромобилях

Новые энергетические транспортные средства постоянно контролируют множество сигналов: напряжение и ток батареи, скорость мотора, температуры, вибрацию и параметры окружающей среды. В жестких реальных условиях эти измерения могут быть шумными, несбалансированными и содержать выбросы, что затрудняет отделение нормального поведения от реальных неисправностей. Традиционная диагностика часто опирается на правила, разработанные экспертами, или простые статистические модели, которые плохо справляются с неоднородными и нелинейными паттернами, возникающими по мере износа деталей, при колебаниях нагрузки или резких изменениях погоды. Авторы утверждают, что нужен более гибкий, основанный на данных подход — такой, который обучается на истории сигналов датчиков, а не полагается на фиксированные пороги.

Более продвинутый механизм обнаружения паттернов

Чтобы решить эту задачу, исследователи разработали усовершенствованную версию сверточной нейронной сети — типа ИИ, уже известного умением находить закономерности в изображениях и сигналах. Их модель адаптирована к особенностям данных электромобилей. Во‑первых, они вводят новый математический элемент, называемый ReLUT, который помогает сети плавно реагировать как на сильные, так и на слабые сигналы, вместо того чтобы игнорировать едва заметные, но важные признаки неисправности. Во‑вторых, они добавляют особый модуль внимания SimAM, который автоматически выделяет наиболее информативные части каждого снимка сигналов без введения дополнительных настраиваемых параметров, увеличивающих размер модели. Наконец, они внедряют остаточные соединения — обходные пути, позволяющие информации перескакивать вперед по сети — чтобы обучение оставалось стабильным и эффективным даже при увеличении глубины модели.

Проверка модели на практике

Команда оценила свою архитектуру на наборе данных NEVData, специально собранном и содержащем 11 000 десятисекундных отрезков реальных дорожных данных, каждый из которых помечен как нормальная работа или один из трех типов неисправностей. Набор отражает практические сложности: большинство образцов нормальные, некоторые типы неисправностей встречаются реже, и в отдельных измерениях присутствуют экстремальные значения. После стандартизации сигналов и разделения данных на обучающую и тестовую выборки они сравнили улучшенную сверточную сеть с широким набором популярных подходов — от классических методов, таких как опорные векторы и k‑ближайших соседей, до современных моделей глубокого обучения, включая LSTM, Transformers и продвинутые временные сверточные сети. По метрикам точности, precision, recall и F1‑мере предложенная модель стабильно оказывается впереди, достигая примерно 99% точности и заметно опережая сильных конкурентов.

Зачем важны внимание и функции активации

Чтобы понять, какие компоненты действительно имеют значение, авторы провели исследование абляции, систематически включая и выключая отдельные элементы модели. Простая сверточная сеть с остаточными связями уже показывает хорошие результаты, но добавление функции ReLUT улучшает способность улавливать сложные формы неисправностей. Один только модуль внимания SimAM даёт чуть больший прирост, точнее фокусируясь на тонких, но диагностически значимых признаках. Когда оба элемента объединены, достигается максимальная производительность, а модель становится устойчивее к несбалансированным классам и шумным данным. Несмотря на эти улучшения, система остаётся достаточно лёгкой для запуска на компактных бортовых компьютерах, обеспечивая отклик на уровне миллисекунд и умеренное потребление памяти — ключевые требования для мониторинга в реальном времени в автомобилях.

Что это значит для обычных водителей

Проще говоря, эта работа демонстрирует, что тщательно настроенный ИИ может выступать как высококвалифицированный механик внутри каждого электромобиля, постоянно «прослушивая» десятки цифровых «стетоскопов» и обнаруживая проблемы до того, как они станут серьёзными. Сочетая более тонкий способ реагирования на сигналы (ReLUT), целенаправленный механизм внимания (SimAM) и эффективную «проводку» сети (остаточные соединения), предложенная модель обеспечивает более надёжные предупреждения о неисправностях по сравнению с существующими методами, не перегружая при этом бортовой компьютер. По мере развития и интеграции таких инструментов в системы управления транспортных средств они могут способствовать прогнозному обслуживанию, сокращению неожиданных поломок и увеличению срока службы компонентов — делая новые энергетические транспортные средства безопаснее и надёжнее в повседневном использовании.

Цитирование: Yan, J., Wu, H. & Dai, W. New energy vehicle fault identification based on improved activation functions and parameter-free attention mechanisms. Sci Rep 16, 11528 (2026). https://doi.org/10.1038/s41598-026-39957-8

Ключевые слова: диагностика электромобилей, обнаружение неисправностей, глубокое обучение, данные датчиков, прогнозное обслуживание