论文
BatteryAgent：结合物理信息解释与 LLM 推理的智能电池故障诊断
BatteryAgent: Synergizing Physics-Informed Interpretation with LLM Reasoning for Intelligent Battery Fault Diagnosis
摘要
锂离子电池的故障诊断对系统安全至关重要。现有深度学习方法虽然检测精度出色，但其“黑箱”特性阻碍了可解释性；此外，受二分类范式的限制，它们难以提供根因分析与维护建议。为解决这些局限，本文提出 BatteryAgent，一个将物理知识特征与大语言模型（LLM）推理能力相结合的分层框架。该框架包含三个核心模块：(1) 物理感知层，利用源自电化学原理的 10 个机制特征，在降维与物理保真之间取得平衡；(2) 检测与归因层，采用梯度提升决策树和 SHAP 量化特征贡献；(3) 推理与诊断层，以 LLM 作为 Agent 核心。该层构建“数值-语义”桥梁，将 SHAP 归因与机制知识库相结合，生成包含故障类型、根因分析和维护建议的综合报告。实验结果表明，BatteryAgent 能有效纠正硬边界样本上的误分类，AUROC 达 0.986，显著优于当前最先进方法。此外，该框架将传统的二分类检测扩展为多类型可解释诊断，为电池安全管理提供了从“被动检测”到“智能诊断”的新范式转变。