基于改进激活函数与无参数注意力机制的新能汽车故障识别

为什么更智能的汽车体检很重要

随着电动和混合动力汽车在全球普及，保持其安全性和可靠性变得与提高清洁与效率同等重要。与传统发动机不同，新能源车辆依赖电池、电机和电力电子设备，这些组件在仪表提示灯亮起之前就可能以微妙的方式出现故障。本研究探讨了现代人工智能如何从车辆内部的大量传感器数据流中筛查，能够比现有基于规则的系统更准确、更迅速地发现早期异常——这有望降低故障发生率、维修成本和日常驾驶的安全风险。

电动汽车内部的隐秘模式

新能源车辆持续监测大量信号：电池的电压与电流、电机转速、温度、振动以及周围环境。在真实而复杂的工况下，这些测量可能噪声多、类别不平衡并充斥离群值，增加了区分正常行为与真实故障的难度。传统故障诊断通常依赖专家设计的规则或简单的统计模型，这类方法在零件老化、负载波动或天气快速变化时产生的混乱、非线性模式面前往往力不从心。作者认为需要一种更灵活的数据驱动方法——直接从传感器历史中学习模式，而不是依赖固定阈值。

更智能的模式识别引擎

为应对这一挑战，研究者设计了升级版的卷积神经网络——一种已知能在图像与信号中发现模式的人工智能结构。他们的模型针对电动汽车数据的特点进行了定制。首先，引入了一种新的数学元件，称为 ReLUT，帮助网络对强弱信号都能平滑响应，而不是忽视那些微弱但重要的异常线索。其次，加入了一个特殊的注意力组件 SimAM，它能在不增加额外可调参数的前提下，自动强调每个传感器快照中最有信息量的部分，从而避免模型膨胀。最后，融合了残差短路——允许信息在网络中跳跃前进的捷径——使得随着模型加深，学习仍能保持稳定与高效。

将模型付诸检验

团队在 NEVData 数据集上评估了他们的设计。该数据集由 11,000 个十秒片段的真实行驶数据构成，每个样本被标注为正常运行或三种故障类型之一。该数据集反映了实际复杂性：大多数样本为正常，某些故障类型较稀少，且部分测量包含极端值。在对信号进行标准化并将数据划分为训练集和测试集后，研究者将改进的 CNN 与多种流行方法进行了比较，从支持向量机与 k 近邻等经典方法到包括 LSTM、Transformer 和先进的时序卷积网络在内的现代深度学习模型。无论在准确率、精确率、召回率还是 F1 分数上，所提出的模型均持续领先，准确率约为 99%，并以显著差距超过强有力的竞争对手。

为什么注意力与激活函数重要

为了弄清哪些组件确实带来改进，作者进行了消融研究，有系统地开启或关闭不同特性。带残差连接的基础 CNN 已经表现良好，但加入 ReLUT 后，其捕捉复杂故障形态的能力得到提升。单独加入 SimAM 注意力模块则通过增强对细微但具有诊断意义线索的关注带来了更明显的提升。当两者结合使用时，性能达到最高，并且模型对类别不平衡和噪声数据更具鲁棒性。尽管有这些性能改进，系统仍然足够轻量，可在紧凑的车载计算机上运行，提供毫秒级响应和适度的内存占用——这些是车辆实时监控的关键需求。

这对普通司机意味着什么

通俗来说，这项工作表明，经过精心调校的人工智能可以像驻车内的一位高级技师，持续监听数十个数字“听诊器”，在问题变严重之前发现隐患。通过结合对信号更智能的响应方式（ReLUT）、更聚焦的注意力机制（SimAM）和高效的网络连通（残差短路），所提出的模型在不压垮车辆计算资源的前提下，提供比现有技术更可靠的故障预警。随着此类工具成熟并集成到车辆控制系统中，它们有望支持预测性维护、减少意外故障并延长组件寿命——使新能源车辆对日常使用者来说更安全、更可靠。

引用: 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

关键词: 电动汽车诊断, 故障检测, 深度学习, 传感器数据, 预测性维护