当你的舰队数据在说话，但没人在听的时候

联网汽车的人工智能异常检测：发现基于规则的系统遗漏了什么

当今的联网汽车每小时生成数千兆字节的数据——电压读数、散热曲线、逆变器行为、CAN 总线流量、充电模式、轮胎压力以及持续流向云端的数千个其他信号。将其乘以一支拥有 10,000 辆车的车队，你就会看到每年 PB 的遥测量。在数据海洋的某个地方，电池模块正在悄悄地退化。电机控制器正在超出其正常运行范围。软件更新引入了制动校准的细微回归，这种回归仅在特定的环境条件下才会出现。

问题不在于缺乏数据。正是由于精确定位有意义的信号变得越来越困难。

基于阈值的监控的局限性

大多数 OEM 和车队工程团队仍然依赖基于规则的诊断系统——静态 DTC 阈值、硬编码警报边界以及对已标记事件的手动审查。这些系统在已知的故障模式下运行良好。如果冷却剂温度超过 110°C，则触发警报。如果电池电压降至 2.5V 以下，请标记电池组。直截了当。

但是，伤害最大的失败并不是你已经为之制定规则的失败。它们是你还没见过的。

以大众汽车的ID.4在2025年发生的事情为例：美国SK电池供应的电池电极状态发生偏移，导致了多次热事件，最终召回了超过44,000辆汽车。根本原因不是 BMS 明确监控的故障模式，它需要物理拆解分析、CT 扫描和数月的跨供应商调查才能隔离。当对策出台时，对品牌的损害和召回的成本已经锁定了。

这种模式在整个行业中重演。Li Auto召回了超过11,000辆超级电动汽车，此前他将热失控风险归因于冷却剂腐蚀保护不足，这是一个微妙的化学降解问题，直到为时已晚才会违反传统的诊断规则。这些车辆的基于云的预警系统发现了这起事件，但潜在的退化状况已经悄然加剧了几个月。

这些不是边缘案例。它们是依靠规则来发现顾名思义还没有规则的问题所产生的后果是可以预见的。

无监督学习实际上发生了什么变化

现在正在发生的转变——现在还为时过早——是将无监督机器学习模型应用于持续的舰队遥测。与需要标记训练数据（“这里有 500 个电池故障示例”）的监督模型不同，无监督方法可以学到什么 正常的 对于给定的车辆、组件或车队分段，看起来像这样，然后标记与该基准的偏差。

这在几个特定方面对联网汽车运营很重要：

电池运行状况恶化。 早在突破 BMS 阈值之前，电池电压不平衡、容量衰减模式和充电周期中的热行为都会产生细微的分布偏移。异常检测可以将这些变化浮出水面，从而确定哪些包配置、供应商或固件版本有加速降级的趋势。电动汽车电池的保修期延长至8—10年，而且像中国的 GB38031-2025 这样的法规现在要求在热失控事件中实现零起火结果，因此早期发现不是可选的。这是一个责任问题。

OTA 后验证。 软件定义车辆经常推送更新，有时每周推送一次。每次更新都有可能引入行为回归，这种回归仅在特定的现实条件下出现（寒冷天气下的高速公路速度、高负荷拖车、快速充放电循环）。应用于更新前和更新后的遥测基准的异常检测可以在机队生成保修索赔或客户投诉之前标记这些回归情况。

混合舰队中的组件级漂移。 运营混合车队（不同品牌、型号、动力系统类型）的商用卡车和公共汽车运营商面临着数据标准化挑战，这加剧了检测问题。例如，为每个车辆细分市场建立自适应基准的异常检测平台可以发现，特定的涡轮增压器执行器在一组共享共同供应商的车辆中表现出异常行为，同时过滤掉同一车队中2023年柴油和2025年纯电动汽车之间的正常方差。

汽车以外的储能系统。 同样的无监督方法适用于固定式电池储能系统 (BESS)，其中热管理和电池退化模式与电动汽车电池组具有共同的基本特征，但在不同的占空比和环境条件下运行。

延迟发现的代价

经济学是直言不讳的。一辆商用卡车的计划外停机每天造成的收入损失在448美元至760美元之间，而这还没有考虑到拖车、应急部件、司机工资、未达服务级别协议和下游时刻表中断。行业数据显示，车队每年平均每辆车的计划外停机时间为8.7天。被动维修的成本是主动提供的相同服务的3—9倍。

对于乘用车原始设备制造商来说，计算方法有所不同，但同样痛苦。涉及电池热风险的安全召回不仅会带来直接的补救成本，还会推高保险费，触发监管审查，侵蚀剩余价值，并成为需要数年才能恢复的头条新闻。

“我们在第 3 周检测到异常” 和 “我们在第 9 个月发现了故障” 之间的差距以百万美元计，在某些情况下，还以安全结果来衡量。

在检测平台中需要注意什么

并非所有的异常检测都是一样的。在评估联网车辆运营解决方案时，有一些功能将有用的工具与噪声发生器区分开来：

自适应基线 它会根据不断变化的车辆条件进行调整，而不是每次环境温度变化或车辆进入新的工作周期时都会产生误报的静态阈值。目标是更少、更高的信号警报，而不是更多的警报。

漂移监测 它跟踪数据分布和模型性能随时间推移而发生的变化。车辆软件和硬件不断发展。根据上个季度的舰队行为训练的模型需要识别自己的假设何时过时。

根本原因背景 这为工程师提供了调查的起点——不只是 “在VIN 12345上检测到的异常”，还有相关的信号、时间模式和队列级背景来加速诊断。

反馈回路 这使工程团队能够确认、驳回检测结果或对检测结果进行重新分类，将判断反馈到模型中，从而随着时间的推移提高精度。

这个 机器学习异常检测平台在 Sibros 商城上市，是围绕这些原则构建的。它应用无监督学习来持续监控车队遥测，无需预先标记故障数据即可发现车辆、电池和组件行为的早期偏差。自适应基线可减轻警报疲劳。漂移监控可使系统在船队发展过程中保持相关性。集成的根本原因提示为工程和运营团队提供了从检测到解决的更快途径。

了解有关 Sibros 市场。