数据驱动的电动汽车锂离子电池快速充电期间的分层热失控早期预警

《Computers & Chemical Engineering》:Data-driven hierarchical thermal runaway early warning for electric vehicle lithium-ion batteries during fast charging

【字体: 大 中 小 】 时间:2026年10月01日 来源:Computers & Chemical Engineering 4.9

编辑推荐:

   本文提出了一种基于CNN-BiNLSTM-AGFM的热失控早期预警方法;构建了动力电池三维模型;采用自适应滑动窗口方法进行数据分析;建立了分级预警机制。 1. 引言 快充是一个强耦合的电热过程,电流、电压、荷电状态、内阻和温度在不同时间尺度上演化(Diaz-Cachine

  

本文提出了一种基于CNN-BiNLSTM-AGFM的热失控早期预警方法;构建了动力电池三维模型;采用自适应滑动窗口方法进行数据分析;建立了分级预警机制。

1. 引言

快充是一个强耦合的电热过程,电流、电压、荷电状态、内阻和温度在不同时间尺度上演化(Diaz-Cachinero等,2025)。大充电电流加剧了产热和温度不均匀性(Shen等,2025),而环境条件和电芯不一致性引入了额外的非线性变化。因此,可靠的监控必须能够区分正常操作变化与与高热风险相关的偏差(K. Wang等,2024)。

图1汇总了具有代表性的电动汽车事故案例(Hong等,2024)。这些案例说明了在保护性切断之前以及在操作条件变化下,监控方法需要保持信息的有效性(Shen等,2026)。固定的单信号阈值易于实现,但它们对变量间的相互作用和异常充电状态的进展提供有限信息(Yan等,2026)。

该监控问题有两个相关的计算需求(Ma等,2023)。首先,预测模型必须在同一多变量序列中表示短期电瞬态和长期热依赖关系(Chang等,2026)。其次,预测误差必须被转换为稳定的严重等级,以支持在线干预而非单一的二进制报警。

电池监控的计算方法通常遵循基于物理、数据驱动或混合路线(Ye等,2025)。基于物理的模型以可解释的参数描述电化学产热和传热,但详细的校准和计算限制了实时实现(J. Yang等,2025)。数据驱动模型直接从运行记录中学习非线性关系,尽管当操作条件与训练域不同时,其性能可能会退化(Wei等,2026)。

图1. 代表性电动汽车事故案例

近期序列模型通过学习多变量测量中的非线性时间依赖关系来提高电池状态预测(Zhao等,2024)。卷积网络对局部瞬态有效(J. Jiang等,2021)。循环和基于注意力的模型捕捉更长的时间趋势(Tam等,2025)。单一分支很少能同等良好地表示两种尺度(Sun等,2025)。直接拼接和固定权重融合也假设每个特征分支在整个充电过程中保持同等信息量(Chen等,2025)。

本研究开发了一种用于快充操作的数据驱动分级预警框架(Feng等,2018)。CNN分支提取局部波动,而BiNLSTM分支表示更长的热依赖关系(Ouyang等,2025)。AGFM动态组合两种表示,自适应滑动窗口分析将温度预测误差转换为三个严重等级(Lin等,2025)。NTGK电热仿真数据支持跨温度评估,四季真实车辆数据支持预测和预警评估(Mallick和Gayen,2023)。

1.1. 文献综述

现有电池热风险监控研究主要集中在三个计算任务:电热状态建模、多变量时间序列预测以及将预测误差转换为在线预警决策(Khakzad等,2013)。这些研究方向建立了电池行为、数据驱动监控和操作控制之间的联系(Khakzad等,2012)。

电热模型提供了分析充电过程中温度演化的物理框架,捕捉产热、传热、冷却边界条件以及环境温度的影响(Meng等,2023)。虽然高保真模型可以复制时空热行为,但其大量参数需求和较高计算开销限制了车载直接部署(Li等,2023)。

数据驱动模型提供了从高频测量到在线状态预测的更直接途径(Xie等,2023)。统计学习、循环网络、卷积网络、注意力机制和状态空间模型都已被应用于电池时间序列(Bu等,2023)。其性能取决于是否在不引入过多计算复杂度的情况下表示局部波动、长依赖关系和操作条件漂移(Hwang等,2026)。

混合架构结合互补表示以提高非线性和非平稳条件下的预测(Y. Jia等,2025)。然而,简单的加法或拼接无法根据信号相关性变化调整分支贡献(Zou和Lu,2023)。固定融合权重也有相同的局限,因为局部扰动和长热趋势在充电事件中并非始终同等贡献(Wang等,2023)。

第二个局限涉及决策层(Z. Wang等,2024)。许多研究评估预测误差或二进制故障识别,但未解释模型输出应如何支持分级干预(Xie和Zhang,2025)。静态阈值在不同季节可能反应不同,因为环境温度同时影响电池行为和模型残差(Liu等,2025)。

残差监控为预测和预警提供了实用联系,因为它量化了偏离预期热行为的情况(Zhan等,2026)。然而,其有效性依赖于稳定的预测、自适应时间聚合和一致的严重等级规则(Wu等,2025)。这些要素应作为整体评估,而非作为独立的预测和分类任务(S. Jia等,2025)。

因此,剩余的研究缺口是计算性和操作性的(Abbas等,2025)。一个有用的框架必须结合多尺度时间表示、条件依赖特征融合、稳定残差分析和分级决策逻辑(Li等,2026)。它还应在受控仿真和具有不同环境条件的真实运行数据下进行评估(Sun等,2022)。

本研究通过在一个数据驱动框架中集成基于CNN的局部特征提取、基于BiNLSTM的长期建模、自适应门控融合和滑动窗口预警分析来填补这一缺口(L. Jiang等,2021)。

1.2. 研究挑战与主要贡献

上述分析凸显了当前锂离子电池热风险监控研究中的四个关键挑战(Gajghate等,2025)。

(1)多尺度时间表示:快充数据包含短期电波动和长期热依赖关系,必须在同一预测模型中表示(Huang等,2025)。

(2)条件依赖特征融合:局部和长期特征的相对重要性在充电过程中变化,这限制了拼接和固定权重融合策略(Y. Wang等,2024)。

(3)预测到决策转换:准确的温度预测必须被翻译为稳定的预警指标、严重等级和干预时机以用于在线运行(Tang等,2025)。

(4)跨条件评估:环境温度、电池化学和季节性运行改变热行为,并可能降低在单一条件下评估的模型可靠性(Talebizadehsardari等,2026)。

为应对这些挑战,本研究开发了一种用于分级电池热风险预警的数据驱动方法。主要贡献如下:

(1)集成分级监控框架:多变量充电测量在统一的计算工作流中被转换为温度预测、在线偏差指标和三个预警等级。

(2)自适应特征融合模型:CNN和BiNLSTM分支分别表示局部波动和长期热依赖关系,AGFM根据输入序列调整它们的贡献。

(3)跨温度计算评估:NTGK有限元电热模型提供受控NCM数据以评估三种环境温度条件下的预测行为。

(4)预警评估:四季LFP快充数据用于评估预测稳定性、分级预警性能以及保护性切断前的干预时间。

2. 动力电池NTGK模型

在正常运行条件下,可靠的锂离子电池电热模型可以生成足够的时间序列数据来支持早期预警模型的训练。在本工作中,该模型在不同温度范围内产生仿真数据,以便于在正常和高倍率充电条件下进行泛化评估。

多尺度多域(MSMD)框架在动力电池仿真中被广泛使用,因为它平衡了鲁棒性、模型复杂度和计算成本(Kumar和Gupta,2025)。伪二维(P2D)模型在微观尺度上描述电化学和离子传输(Sordi等,2025),主要用于性能分析和设计优化。半经验NTGK模型通过拟合的实验关系描述宏观电池行为。它适用于稳定充电仿真,并在物理可解释性和计算效率之间提供了实用平衡(Haridasan等,2026)。

2.1. 有限元模型建立

使用ANSYS SpaceClaim构建电池组几何模型(M.-D. Yang等,2025)。该电池组主要由多个NCM棱柱电芯串联组成,形成1P52S(1并联52串联)模组。模型保留了主要传热组件,包括电芯、热绝缘膜、风冷通道、冷却液进出口以及正负极端子。非关键细节根据实际电池尺寸和结构特征进行了简化(Kumaran和Hemavathi,2024)。

几何简化遵循实际电池尺寸和电池组结构,同时保留主要传热路径。对整体热行为影响有限的细节,包括小倒角、螺栓和次要连接器被移除,以控制网格规模并降低收敛风险。在材料参数校准后,模型仍代表电池组中的主要物理过程,包括电芯产热、绝缘膜热阻、风冷和液冷热交换(Wang等,2025)。所得仿真数据用于跨温度泛化测试(Srivastav等,2026)。仿真模型如图2所示。

仿真使用商业NCM811三元锂电池组,采用1P52S配置。模组由电芯、极耳、热绝缘材料、液冷板和正负极端子接口组成。电池组包含52个行业标准240Ah铝壳棱柱电芯串联。每个电芯标称电压为3.6V。额定电池组能量为44.93kWh。总充电截止电压为218.4V,总放电截止电压为143.0V。主要物理参数汇总于表1。

图2. NCM电池模组三维模型

表1. 动力电池核心物理参数

| 电池属性 | 数值 | 单位 |
|---|---|---|
| 正极材料 | NMC811 | — |
| 负极材料 | 石墨 | — |
| 热绝缘膜材料 | 气凝胶 | — |
| 液冷板材料 | 铝 | — |
| 汇流排材料 | 铜 | — |
| 单电芯额定容量 | 240 | Ah |
| 单电芯标称电压 | 3.6 | V |
| 单电芯充电截止电压 | 4.2 | V |
| 单电芯放电截止电压 | 2.75 | V |
| 单电芯工作电压范围 | 3.0–4.0 | V |
| 电池组配置 | 1P52S | — |
| 电池组额定能量 | 44.93 | kWh |

2.2. NTGK模型仿真实验

为模拟的NCM电池建立了三维热模型(Napa等,2023)。通过数值仿真获取不同环境温度下的充电过程数据,包括荷电状态(SOC)、总电压、总电流和内阻(Liu等,2026)。仿真中使用热物性参数汇总于表2(Zhang等,2023)。

在FLUENT中启用能量方程和NTGK模型,使用上述参数。时间步数设为4000。在环境温度为-5°C、15°C和30°C的条件下对NCM电池进行高倍率充电仿真。采用液冷和风冷相结合的混合冷却策略。热边界条件的传热系数设为550 W/(m2K)。液冷出口速度为2 m/s,压力为15 kPa。在风冷通道入口施加速度入口边界条件,入口风速为3 m/s。在风冷出口施加压力出口边界条件。仿真充电温度结果如图3所示。

表2. 动力电池材料热物性参数

| 参数名称 | 密度(kg/m3) | 比热容(J/(kg·K)) | 导热系数(W/(m·K)) |
|---|---|---|---|
| NCM811正极 | 2345 | 1329 | 2.15 |
| 石墨负极 | 2095 | 710 | 2.52 |
| 电池电芯 | 1868 | 1296 | 各向异性:x/y: 1.5–2.5, z: 0.4–0.8 |
| 气凝胶绝缘膜 | 190 | 900 | 0.025 |
| 铝液冷板 | 2700 | 900 | 202 |
| 铜汇流排 | 8960 | 385 | 385 |
| 空气 | 1.225 | 1006 | 0.026 |
| 冷却液 | 1050 | 3500 | 0.40 |

仿真结果表明,环境温度影响充电过程中的最高温度和温升速率。较高的环境温度产生更快的温升。

图3. 动力电池充电过程中的温度仿真结果

NCM仿真数据和LFP车辆数据形成两个互补域。NCM仿真在不同环境温度下提供受控热响应,支持跨温度评估。LFP车辆数据代表实际充电运行,用于评估温度预测、分级预警性能和异常案例检测。

3. 数据准备

3.1. 数据来源

数据采集自商用电动汽车动力电池直流(DC)快充场景。数据采集在符合国家标准的高功率直流快充测试站进行,配备高精度电压、电流和温度传感模块。采集精度满足GB/T 38661-2020《电动汽车用电池管理系统技术要求》。数据采集系统示意图如图4所示。

测试车辆配备LFP动力电池组。每个电芯额定容量为50Ah,标称电压为3.2V。电池组采用102S3P拓扑,共由306个电芯组成。其额定容量为150Ah,标称总电压为326.4V,额定能量约为48.9kWh。采样频率统一设为20Hz,对应采样间隔0.05s。

数据集涵盖了华北地区四季典型的常温工况。数据集包含实际直流快充条件下的完整车辆运行数据。充电过程中采用动态电流曲线,峰值电流为250 A。对于额定容量为150 Ah的电池组,峰值标称C倍率约为1.67C。随着SOC增加和端电压接近上限,BMS会减小电流,后期阶段在恒压控制下进行,因此有效C倍率降低。

下载:下载高分辨率图片(232KB)
下载:下载全尺寸图片
图4. 电动汽车直流快充系统的能量与信息流。

### 3.2 数据预处理

采用四阶段预处理流水线构建可靠的模型输入:数据清洗、相关性分析、归一化以及数据滤波。这些步骤提高了数据质量、减少了特征冗余、消除了尺度差异并抑制了高频噪声。

**(1) 数据清洗:** 数据清洗首先去除原始数据集中的异常值并处理缺失值。

- **异常值剔除:** 采用3σ准则过滤超出电池物理运行范围的异常样本。该方法计算效率高,适用于实时车载BMS应用。计算公式如式(1)所示:

$$
\begin{cases}
\bar{X}(j) = \frac{1}{N} \sum_{i=1}^{N} X_{\text{orig}}(i,j) \\
\sigma^2(j) = \frac{1}{N-1} \sum_{i=1}^{N} [X_{\text{orig}}(i,j) - \bar{X}(j)]^2
\end{cases}
$$

其中,$X_{\text{orig}}(i,j)$ 表示第$i$个时间点第$j$个特征的原始值,$\bar{X}(j)$ 表示样本均值,$\sigma^2(j)$ 表示第$j$个特征的样本方差。满足 $|X_{\text{orig}}(i,j) - \bar{X}(j)| > 3\sigma(j)$ 的数据被视为异常值并被剔除。剔除异常值后的处理数据集表示为 $X_{\text{proc}}(i,j)$,用于后续缺失值插补。

- **缺失值插补:** 对于因异常值剔除或通信中断导致的短期缺失数据,采用线性插值以保持时间连续性。插补公式如式(2)所示:

$$
X_{\text{imp}}(i,j) = X_{\text{proc}}(i-1,j) + \frac{X_{\text{proc}}(i+1,j) - X_{\text{proc}}(i-1,j)}{(i+1)-(i-1)}
$$

其中,$X_{\text{imp}}(i,j)$ 表示第$i$个缺失时间点第$j$个特征的插补值。$X_{\text{proc}}(i-1,j)$ 和 $X_{\text{proc}}(i+1,j)$ 分别表示缺失点前后的相邻有效数据。插补后,获得一个不含缺失值和异常值的完整时间序列数据集 $X_{\text{imp}}(i,j)$,用于后续归一化。

**(2) 相关性分析:** 数据清洗后,采用皮尔逊相关系数(PCC)评估多维特征与温度演变之间的关系。基于PCC的筛选可提取信息量丰富的变量,降低输入维度,并限制冗余特征的影响(Gong等,2024)。分析在清洗但未归一化的数据上进行,选择高相关性变量作为模型输入(Zeng等,2025)。

$$
R_{\text{PCC}} = \frac{\sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n} (x_i - \bar{x})^2} \cdot \sqrt{\sum_{i=1}^{n} (y_i - \bar{y})^2}}
$$

其中,$R_{\text{PCC}}$ 表示PCC,$x_i$ 和 $y_i$ 分别表示变量 $X$ 和 $Y$ 的第$i$个观测值,$\bar{x}$ 和 $\bar{y}$ 是其对应的样本均值。

PCC的取值范围为-1到1,绝对值越大表示线性相关性越强。PCC分析用于识别与预测目标强相关的特征。多维参数的相关性结果如图5所示。

如图5所示,温度、总电压、总电流和SOC与预测目标表现出较高的相关性。基于PCC的特征选择有助于减少冗余并提高训练效率。

下载:下载高分辨率图片(255KB)
下载:下载全尺寸图片
图5. 多参数相关性分析结果。

**(3) 归一化处理:** 特征选择后,采用Min-Max归一化消除特征尺度差异并提高训练稳定性。所有特征均线性映射至[0,1]区间。归一化公式如式(4)所示:

$$
X_{\text{scaled}}(i,j) = \frac{X_{\text{imp}}(i,j) - X_{j,\text{min}}}{X_{j,\text{max}} - X_{j,\text{min}}}
$$

其中,$X_{\text{imp}}(i,j)$ 是第$i$个时间点第$j$个特征的插补后原始数据。$X_{j,\text{max}}$ 和 $X_{j,\text{min}}$ 分别表示训练集中第$j$个特征的最大值和最小值。$X_{\text{scaled}}(i,j)$ 表示归一化值,用于后续数据滤波。

**(4) 数据滤波:** 归一化后,采用中心移动平均滤波平滑时间序列特征。该滤波器可抑制高频随机噪声,同时保留可能预示早期异常的弱瞬态信号。处理公式如式(5)所示:

$$
X_{\text{final}}(i,j) = \frac{1}{N} \sum_{t=i-\kappa}^{i+\kappa} X_{\text{scaled}}(t,j)
$$

其中,$X_{\text{scaled}}(t,j)$ 是第$t$个时间点第$j$个特征的归一化值。$X_{\text{final}}(i,j)$ 是第$i$个时间点第$j$个特征的最终滤波输入。$N$ 是滑动窗口总长度,$\kappa$ 是半窗长度。

## 4. 电动汽车充电安全预警模型开发

针对电池热失控演化过程中存在的微弱局部瞬态、长程时间依赖关系以及多变量运行特征的强耦合问题,本研究提出了一种具有自适应特征融合的预警模型。该模型将高频电池运行数据转化为预测残差,以实现安全监控。所开发模型的整体结构如图6所示。

该模型以预处理后的多维电池运行时间序列作为统一输入,沿时间维度构建特征层次结构。1D-CNN分支提取局部高频变化,如电压突降和温度骤升,而BiNLSTM分支通过其嵌套的父子单元捕获更长时间尺度上的依赖关系。AGFM自适应融合这两种时间表示,随后温度预测头估算未来电芯温度。生成的预测残差随后为分级预警决策提供依据。

下载:下载高分辨率图片(763KB)
下载:下载全尺寸图片
图6. 所提出的用于电池充电安全预警的CNN-BiNLSTM-AGFM模型架构。

### 4.1 双分支时间特征提取模块

#### 4.1.1 1D-CNN时间提取分支

1D-CNN使用滑动卷积核来建模时间序列中的局部感受野。这种结构适用于捕获热失控早期阶段的微弱高频变化。

模型输入是时间戳严格对齐的多维电池运行时间序列。其矩阵形式定义为:

$$
X \in \mathbb{R}^{B \times T \times M}
$$

其中,$X$ 是模型的公共输入矩阵。每一行对应一个样本,每一列对应一个时间步,每一个通道对应动力电池的一个运行变量。

为满足1D-CNN运算的输入格式要求,输入矩阵的维度进行如下置换:

$$
X_{\text{CNN-in}} = \text{permute}(X, (0,2,1)) \in \mathbb{R}^{B \times M \times T}
$$

其中,$\text{permute}(\cdot)$ 是维度置换函数,$M$ 是卷积运算的输入通道数,对应电池运行参数的模态维度。

采用两层堆叠的1D卷积结构提取高阶局部特征。第一次卷积操作使用ReLU激活,表示为:

$$
H_{\text{conv1}} = \text{ReLU}(\text{Conv1d}_1(X_{\text{CNN-in}}, W_{\text{conv1}}, b_{\text{conv1}})) \in \mathbb{R}^{B \times D \times T}
$$

其中,$\text{Conv1d}_1(\cdot)$ 是第一层1D卷积操作。卷积核大小设置为3,并使用Same Padding使输出时间序列长度与输入保持一致。$W_{\text{conv1}}$ 和 $b_{\text{conv1}}$ 分别是第一卷积层可学习的权重矩阵和偏置向量。

第二卷积层进一步提取深度局部故障特征:

$$
H_{\text{conv2}} = \text{ReLU}(\text{Conv1d}_2(H_{\text{conv1}}, W_{\text{conv2}}, b_{\text{conv2}})) \in \mathbb{R}^{B \times D \times T}
$$

然后恢复卷积输出的维度,使最终CNN分支特征与原始输入的时间序列维度对齐:

$$
F_{\text{CNN}} = \text{permute}(H_{\text{conv2}}, (0,2,1)) \in \mathbb{R}^{B \times T \times D}
$$

其中,$F_{\text{CNN}}$ 是CNN分支提取的局部瞬态特征矩阵。每个时间步的特征向量包含对应时间窗内的热失控前兆信息。

#### 4.1.2 BiNLSTM时间提取分支

BiNLSTM通过在父单元状态更新中嵌入子LSTM网络扩展了标准双向LSTM(BiLSTM)网络。这将传统LSTM的线性单元状态更新替换为非线性嵌套更新,更适合异常温度趋势。

该分支与CNN分支共享公共输入,可直接输入BiNLSTM网络进行时间编码而无需维度预处理。

标准LSTM通过输入门、遗忘门、输出门和单元状态控制时间信息。第$t$个时间步的更新公式为:

$$
\begin{cases}
i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i) \\
f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f) \\
o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o) \\
\tilde{c}_t = \tanh(W_c \cdot [h_{t-1}, x_t] + b_c) \\
c_t = f_t \odot c_{t-1} + i_t \odot \tilde{c}_t \\
h_t = o_t \odot \tanh(c_t)
\end{cases}
$$

其中,$i_t$、$f_t$ 和 $o_t$ 分别是第$t$个时间步的输入门、遗忘门和输出门向量;$\tilde{c}_t$ 是候选单元状态向量;$c_t$ 和 $h_t$ 分别是单元状态向量和隐藏状态向量;$x_t$ 是原始输入 $X$ 对应第$t$个时间步的输入向量;$W_i$、$W_f$、$W_o$ 和 $W_c$ 是可学习的权重矩阵;$b_i$、$b_f$、$b_o$ 和 $b_c$ 是可学习的偏置向量。

嵌套长短期记忆(NLSTM)使用由父LSTM和子LSTM组成的非线性嵌套结构替换标准LSTM的单元状态更新步骤。

父LSTM首先按照标准LSTM的逻辑计算基本门控信号,并为子LSTM提供输入:

$$
\begin{cases}
i_t^p = \sigma(W_i^p \cdot [h_{t-1}^p, x_t] + b_i^p) \\
f_t^p = \sigma(W_f^p \cdot [h_{t-1}^p, x_t] + b_f^p) \\
o_t^p = \sigma(W_o^p \cdot [h_{t-1}^p, x_t] + b_o^p) \\
\tilde{c}_t^p = \tanh(W_c^p \cdot [h_{t-1}^p, x_t] + b_c^p)
\end{cases}
$$

其中,$i_t^p$、$f_t^p$、$o_t^p \in \mathbb{R}^D$ 分别是第$t$个时间步父LSTM的输入门、遗忘门和输出门向量;$h_{t-1}^p$ 是第$(t-1)$个时间步父LSTM的隐藏状态向量;$\tilde{c}_t^p$ 是第$t$个时间步父LSTM的候选单元状态向量。

门控信号、候选父单元状态和前一个父单元状态被拼接为子LSTM的输入,允许父子结构之间的信息交换:

$$
x_t^s = [f_t^p, i_t^p, \tilde{c}_t^p, c_{t-1}^p] \in \mathbb{R}^{4D}
$$

子LSTM通过自身的门控机制执行非线性更新,输出新的父单元状态,并替换标准LSTM的线性更新规则:

$$
\begin{cases}
i_t^s = \sigma(W_i^s \cdot [h_{t-1}^s, x_t^s] + b_i^s) \\
f_t^s = \sigma(W_f^s \cdot [h_{t-1}^s, x_t^s] + b_f^s) \\
o_t^s = \sigma(W_o^s \cdot [h_{t-1}^s, x_t^s] + b_o^s) \\
\tilde{c}_t^s = \tanh(W_c^s \cdot [h_{t-1}^s, x_t^s] + b_c^s) \\
c_t^s = f_t^s \odot c_{t-1}^s + i_t^s \odot \tilde{c}_t^s \\
h_t^s = o_t^s \odot \tanh(c_t^s) \\
c_t^p = \text{Linear}_{pc}(h_t^s, W_{s}^{c\text{-out}}, b_{s}^{c\text{-out}})
\end{cases}
$$

其中,$D_s$ 是子LSTM的隐藏层维度,与父LSTM维度一致。$\text{Linear}_{pc}(\cdot)$ 是一个线性投影层,将子LSTM的隐藏状态映射到父LSTM的单元状态。

使用子LSTM更新的父单元状态,通过父输出门计算最终隐藏状态,以完成单个时间步的NLSTM更新:

$$
h_t^p = o_t^p \odot \tanh(c_t^p) \in \mathbb{R}^D
$$

其中,$h_t^p$ 是单向NLSTM在第$t$个时间步的最终输出隐藏状态向量。

为捕获时间序列数据中的正向和反向依赖关系,构建了双向BiNLSTM结构:

$$
H_{\text{BiNLSTM}} = \text{Concat}(\overrightarrow{H}_{\text{BiNLSTM}}, \overleftarrow{H}_{\text{BiNLSTM}}) \in \mathbb{R}^{B \times T \times 2D}
$$

其中,$\overrightarrow{H}_{\text{BiNLSTM}}$ 和 $\overleftarrow{H}_{\text{BiNLSTM}}$ 分别表示正向和反向隐藏状态序列。$H_{\text{BiNLSTM}}$ 是BiNLSTM的完整时间序列双向编码特征矩阵,拼接后总维度为 $2D$。

一个线性投影层将双向BiNLSTM特征维度映射到统一维度 $D$,与CNN分支匹配以供后续特征融合:

$$
F_{\text{BiNLSTM}} = \text{Linear}_{\text{BiNLSTM}}(H_{\text{BiNLSTM}}, W_{\text{lin-BiNLSTM}}, b_{\text{lin-BiNLSTM}}) \in \mathbb{R}^{B \times T \times D}
$$

其中,$\text{Linear}(\cdot)$ 是维度对齐的线性投影层,$F_{\text{BiNLSTM}}$ 是BiNLSTM分支提取的时间序列趋势特征矩阵。它与 $F_{\text{CNN}}$ 维度相同,作为后续特征融合模块的输入。$W_{\text{lin-BiNLSTM}}$ 和 $b_{\text{lin-BiNLSTM}}$ 分别是该线性层可学习的权重矩阵和偏置向量。

### 4.2 自适应门控融合机制

固定权重融合无法适应不同工况下不断变化的特征相关性。因此采用AGFM来学习CNN和BiNLSTM提取的双分支特征的动态权重,使互补信息能够根据当前运行状态进行融合。

为使门控权重访问两个分支的信息,将 $F_{\text{CNN}}$ 和 $F_{\text{BiNLSTM}}$ 的通道维度拼接成门控机制的输入特征矩阵:

$$
G_{\text{in}} = \text{Concat}(F_{\text{CNN}}, F_{\text{BiNLSTM}}) \in \mathbb{R}^{B \times T \times 2D}
$$

其中,$G_{\text{in}}$ 是门控机制的输入特征矩阵。两个独立的线性映射层后接Sigmoid激活生成CNN和BiNLSTM分支的动态门控权重:

$$
G_{\text{CNN}} = \sigma(\text{Linear}(G_{\text{in}}, W_{G\text{-CNN}}, b_{G\text{-CNN}})) \in \mathbb{R}^{B \times T \times D}
$$

$$
G_{\text{BiNLSTM}} = \sigma(\text{Linear}(G_{\text{in}}, W_{G\text{-BiNLSTM}}, b_{G\text{-BiNLSTM}})) \in \mathbb{R}^{B \times T \times D}
$$

其中,$G_{\text{CNN}}$ 和 $G_{\text{BiNLSTM}}$ 分别是CNN和BiNLSTM分支的动态门控权重矩阵。更高的权重表示对应特征对预警任务的贡献更大。

$\epsilon$ 用于保持双分支门控权重的归一化属性,并避免异常放大或抑制特征能量造成的数值不稳定。生成的门控权重按元素进行归一化,使同一时间步和特征通道下两个分支权重的和为1:

$$
\begin{cases}
\tilde{G}_{\text{CNN}} = \frac{G_{\text{CNN}}}{G_{\text{CNN}} + G_{\text{BiNLSTM}} + \epsilon} \\
\tilde{G}_{\text{BiNLSTM}} = \frac{G_{\text{BiNLSTM}}}{G_{\text{CNN}} + G_{\text{BiNLSTM}} + \epsilon}
\end{cases}
$$

该归一化策略实现了局部瞬态特征与长程时间依赖关系之间的自适应分配。

哈达玛积对每个门控矩阵与其对应分支特征执行逐元素加权。加权求和给出融合后的共享特征矩阵:

$$
F_{\text{shared}} = \tilde{G}_{\text{CNN}} \odot F_{\text{CNN}} + \tilde{G}_{\text{BiNLSTM}} \odot F_{\text{BiNLSTM}} \in \mathbb{R}^{B \times T \times D}
$$

其中,$F_{\text{shared}}$ 是双分支融合后的共享特征矩阵。它保留了热失控早期的局部前兆信息和多级长期演化趋势,作为后续输出模块的统一输入。

### 4.3 温度预测输出头

温度预测回归头预测未来$S$个时间步的电芯温度。预测值与测量值之差定义为温度残差,这是分级预警的核心准则。

沿共享特征的时间维度应用全局平均池化,以避免展平引起的参数增长和时间泛化能力丧失。

该操作在完整时间序列窗口内提取温度趋势特征,同时将参数量与输入长度解耦:(23)??temp-in=1??∑??=1????shared?(:,??,:)∈???×??其中??shared?(:,??,:)是共享特征矩阵在第??个时间步的特征向量。??temp-in是温度预测头的输入特征向量,整合了整个时间序列窗口内的温度演化信息。两个全连接层执行非线性映射并为温度预测提取特征:(24)??temp1=ReLU?(Lineartemp1?(??temp-in,??temp1,??temp1)) (25)??temp2=ReLU?(Lineartemp2?(??temp1,??temp2,??temp2))其中??temp1和??temp2分别是第一层和第二层的输出特征向量。一个不带激活函数的线性输出层随后输出未来??个时间步的温度预测值。无激活函数层避免了回归输出的人为范围约束。(26)???temp=Lineartemp-out?(??temp2,??temp-out,??temp-out)∈???×??其中Lineartemp-out?(?)是温度预测输出层,???temp是用于计算残差的预测未来温度矩阵。4.4. 分级预警的建立4.4.1. 残差预警阈值的设定预测残差使用自适应滑动窗口进行分析,作为预测正常热响应与实测电池温度之间偏差的在线指标。在时间??,窗口包含最近???(??)个残差,其大小根据残差标准差?????(??)进行调整,以平衡对快速异常的敏感性和正常条件下的稳定性。设??min和??max为窗口大小的上下限,????和????为残差波动阈值,????为调整步长。???(??+1)的更新规则定义如下:(27)???(??+1)=?{ { { {?{ { { {?max?(???(??)?????,??min),?????(??)>????且???(??)>??minmin?(???(??)+????,??max),?????(??)??1?|????,max|或?????(??)>??1?????,max|??1=??1=2|热响应的早期弱偏离;需要增强监控二级|?????(??)>??2?|????,max|或?????(??)>??2?????,max|??2=??2=2.8|热响应偏离增大;安全裕度降低三级|?????(??)>??3?|????,max|或?????(??)>??3?????,max|??3=??3=3.6|严重异常和不稳定的热响应;热失控风险高4.4.2. 分级预警的判定规则温度预测头使用基于预测与实测未来温度差异的回归损失进行训练。训练后,使用自适应滑动窗口方法评估预测残差。将残差均值?????(??)和残差标准差?????(??)与表3中的有序阈值进行比较以确定预警等级。所有三个预警等级都源自这个共同的温度预测目标,其排序在决策阶段由单调递增的残差阈值确定。分级预警过程的流程图如图8所示。图8. 分级预警决策过程。5. 实验实验围绕所提出的温度预测和基于残差的分级预警工作流展开。首先评估温度预测精度和跨温度泛化能力,因为可靠的预测对于获得稳定的残差是必需的。然后分析残差以确定分级预警阈值和预警等级。消融实验评估AGFM是否通过减少漏检和误报来提高预警性能。最后,检查四个季节的异常充电事件以识别预警触发点并量化保护截止前的干预时间。5.1. 温度预测精度与泛化验证基于残差的预警可靠性取决于准确且稳定的温度预测。可靠的预测也是计算有意义的残差和识别异常热响应所必需的。因此,本节使用多季节LFP充电数据和不同环境温度条件下的NCM仿真数据评估模型的预测精度和泛化能力。5.1.1. 评价指标及其参数调优设置(1)评价指标:使用标准时间序列指标评估预测性能:平均绝对误差(MAE)、均方根误差(RMSE)、对称平均绝对百分比误差(SMAPE)和决定系数(R2)。(28)??????=1??∑??=1??∣??temp????temp∣??????????=√1??∑??=1??(??temp????temp)2??????????=1??∑??=1??2?∣??temp????temp∣|??temp|+∣???temp∣×100%??2=1?∑??=1??(??temp????temp)2∑??=1??(??temp???temp?)2(2)超参数调优过程:使用贝叶斯优化进行超参数调优,因为它在高维搜索空间中效率更高。参数调优仅在验证集上执行,调优过程中不使用测试集,从而减少数据泄露的风险。为了评估自适应门控机制,使用具有固定门控融合机制(FGFM)的CNN-BiNLSTM模型,记为CNN-BiNLSTM-FGFM,作为对比基线。在该模型中,分支融合权重在训练期间固定为0.5:0.5。主要超参数的搜索范围和最终值如表4所示。表4. 主要模型超参数的搜索范围和最终最优值。模块|超参数|搜索范围|最终最优值CNN|第一层卷积核数量??1|{32, 64, 128, 256}|64第二层卷积核数量??2|{64, 128, 256}|64卷积核尺寸??|{3, 5, 7}|3激活函数|{ReLU, LeakyReLU, ELU}|ReLUDropout率|{0.0, 0.2, 0.4, 0.5}|0.2池化窗口大小|{2, 3}|2BiNLSTM|父LSTM隐藏层维度??|{32, 64, 128, 256}|64子LSTM隐藏层维度????|{32, 64, 128}|64嵌套层数|{1, 2, 3}|1Dropout率|{0.0, 0.1, 0.2, 0.3}|0.2AGFM|线性层隐藏维度|{64, 128, 256}|128激活函数|{ReLU, LeakyReLU, Sigmoid}|SigmoidDropout率|{0.0, 0.1, 0.15, 0.2}|0.15其他配置参数|批大小|{16, 32, 64, 128}|32学习率|{1e?3, 5e?4, 1e?4, 5e?5}|1e?45.1.2. 基于实际运行数据的精度验证设计了多维对比实验来评估CNN-BiNLSTM-AGFM模型用于电池充电时间序列预测。实验在Python 3.8和TensorFlow 2.4.1环境中使用tf.keras API实现。硬件平台由运行频率为2.60 GHz的Intel(R) Core(TM) i7-13650HX CPU和24 GB RAM组成。为确保公平比较,所有模型均使用相同的数据划分、预处理流程和评价指标进行训练和评估,同时每个模型在其各自的搜索空间内独立调优。选择了代表性的统计、机器学习和深度学习方法作为时间序列预测的对比基线。所有基线模型均使用相同的指标进行评估,以确保对预测误差和拟合性能的一致评估。使用CNN-BiNLSTM-FGFM模型作为消融基线来检验AGFM的贡献。该模型采用了与所提出的CNN-BiNLSTM-AGFM模型相同的网络架构和训练参数,唯一区别是其融合权重在训练期间固定为0.5:0.5,而不是根据输入特征动态调整。为评估多季节实车充电条件下的预测稳定性,采用了季节独立验证策略。春、夏、秋、冬数据集按7:2:1的比例独立划分为训练集、验证集和测试集。温度预测曲线如图9所示,相应的误差统计如图10所示。图9和图10的结果呈现了以下发现:图9. 基于实际LFP电池数据的预测比较。图10. 不同模型在跨季节数据集上的预测误差。(1)CNN-BiNLSTM-AGFM模型在四个季节中取得了最佳的总体预测性能。在春季条件下,决定系数R2达到最高值0.9989,MAE为0.0417°C。在冬季条件下MAE最低,为0.0311°C。在高温夏季条件下,模型仍给出最低的预测误差,MAE为0.0484°C。(2)双分支模型优于单分支模型,表明基于CNN的局部特征提取和基于BiNLSTM的长期时间建模是互补的。引入AGFM通过优化特征融合进一步提高了预测精度。与固定权重的CNN-BiNLSTM-FGFM模型相比,春季、夏季和冬季的RMSE分别降低了约14.01%、12.59%和12.02%,秋季降低了16.26%。(3)在夏季条件下预测误差通常更高。这可能反映了较高环境温度下更强的电化学反应和更非线性的温度变化。所提出的模型仍给出最低的夏季预测误差,SMAPE为1.3096%,R2为0.9924。这些结果表明残差基线在季节性充电条件下保持稳定。这种稳定性为区分正常温度变化与异常热偏离提供了一致的参考,并支持可靠的预警等级判定。5.1.3. 基于仿真数据的泛化验证模型训练后,使用仿真数据集评估泛化能力。由于5.1.2节已将组合模型与经典单模型基线进行比较,本节重点关注特征融合模块之间的差异。使用不带特征融合模块的CNN-BiNLSTM作为消融基线,使用架构相同的CNN-BiNLSTM-FGFM作为竞争模型。在三种环境条件下进行泛化测试:低温(-5°C)、常温(15°C)和高温(30°C)。预测曲线如图11所示,误差统计如图12所示。图11和图12的结果显示:图11. 不同模型在模拟工况下的预测比较。图12. 不同模型在仿真数据集上的预测误差。(1)CNN-BiNLSTM-AGFM模型在三种环境条件下均给出最低的预测误差。在低温条件下,MAE为0.091°C,R2达到0.9944。在高温条件下,MAE为0.158°C,仍低于对比模型。(2)引入AGFM改进了特征融合策略。与固定权重的CNN-BiNLSTM-FGFM模型相比,AGFM在所有环境温度条件下降低了RMSE,表明自适应加权的优势。(3)若干对比模型在高温条件下显示出更高的误差,此时电池电化学反应和温度变化变得更非线性。所提出的模型保持SMAPE为2.78%,表明对非线性热行为具有更好的适应性。这些结果表明该模型在仿真数据集中捕捉了不同环境温度条件下的电池热变化。这支持将仿真作为跨温度行为的辅助压力测试,而预警性能本身仍主要通过实车异常充电案例来判断。5.2. 核心模块性能的消融实验在5.1节的温度预测结果基础上,本节将预测残差纳入分级预警决策过程,并评估不同特征融合机制对热失控前兆识别的影响。设计了受控消融实验以量化AGFM相对于直接拼接和固定权重融合所提供的改进。5.2.1. 评价指标使用准确率、精确率、召回率和F1分数评估预警性能。使用真阳性(TP)、真阴性(TN)、假阳性(FP)和假阴性(FN)构建混淆矩阵。指标公式如下:(29)??????????????????=????/(????+????)????????????=????/(????+????)??1???????????=2×??????????????????×????????????/(??????????????????+????????????)????????????????=(????+????)/(????+????+????+????)5.2.2. 实验设置与数据集划分(1)数据预处理与样本构建:由于异常样本稀少,使用滑动窗口切片策略将长时间序列记录转换为标准化的短序列,用于温度预测和基于残差的预警评估。

每组时序数据包含20 Hz采样频率下的50,000至65,000个高频采样点。为减少样本重叠导致的信息泄漏,采用非重叠窗口进行分割。窗口长度设为600,对应30 s的历史观测数据,滑动步长同样设为600。每个窗口保留一个充电事件标识,使得同一完整充电事件的所有窗口保持在同一数据集子集中。切片后获得292个独立时序样本,其季节分布见表5。

(2)异常定义与标注:
异常充电事件从BMS故障记录和记录的保护切断动作中识别,这些信息独立于提供给预测网络的温度和电压值。记录的保护切断之前的窗口被标记为1(异常),而正常完成且无故障记录或保护切断的充电事件的窗口被标记为0(正常)。温升和电芯电压下降行为仅作为所选异常事件的物理一致性检查,不用于生成用于预警性能评估的二元标签。这种分离防止分类器与其自身温度和电压输入直接构建的标签规则进行评估。

(3)数据集划分与实验控制:
为保证公平性和可复现性,在完整充电事件层面采用分层组抽样将292个跨季节窗口进行划分。事件组在模型训练前分配,且没有事件将其窗口贡献给多个子集。所有对比模型使用相同的划分方式。训练集包含155个样本(30个异常和125个正常)用于参数学习。验证集包含27个样本(6个异常和21个正常)用于超参数优化、早停和过拟合监控。测试集包含110个样本(28个异常和82个正常),作为最终评估的统一独立基准。

所有模型使用相同的特征提取网络结构、训练超参数、优化器策略和损失函数。对比模型仅在特征融合模块上有所不同。最终性能在独立测试集上评估。

表5. 切片数据集的统计信息。

季节 正常样本 异常样本 合计
春季 58 19 77
夏季 53 16 69
秋季 56 15 71
冬季 61 14 75
合计 228 64 292

5.2.3 残差统计与性能对比

(1)残差统计分析:
预警系统必须在季节性环境温度变化下运行。这些变化影响电池电化学行为和模型预测精度。为评估多季节适应性,首先分析正常电动车充电条件下的残差分布。

使用自适应滑动窗口,计算春、夏、秋、冬四季的残差均值和残差标准差。结果如图13、图14、图15、图16所示。

图13、图14、图15、图16中的残差分布以及表3中的阈值方法,确定了季节性分级预警阈值。μF、μS和μT分别为一级、二级和三级残差均值阈值;σF、σS和σT为对应的残差标准差阈值。最终残差统计和阈值设置见表6。

(2)预警性能对比:
基于残差分析,在二级预警决策策略下对比三种模型,以量化特征融合设计如何影响热失控前兆预警。对比在控制变量条件下进行,结果如图17所示。

图17的结果显示:
- 与CNN-BiNLSTM基线相比,引入AGFM后精度提高13.6%,召回率提高17.9%。FN样本从8个减少到3个,热失控前兆预警的漏检率降低了62.5%。
- 与FGFM固定门控模型相比,AGFM模型召回率提高7.2%,FP样本从11个减少到5个。误报率降低54.5%,而精度和精确率分别提高7.3%和15.7%。

这些实验表明,自适应权重可根据特征相关性调整分支贡献。从安全角度来看,漏检的减少非常重要,因为FN样本对应未识别的前兆窗口。FP样本的减少同样相关,因为过多的误报可能会削弱操作员信任并导致不必要的充电中断。

图13. 春季残差分析结果。
图14. 夏季残差分析结果。
图15. 秋季残差分析结果。
图16. 冬季残差分析结果。

表6. 不同季节下的分级残差预警阈值。

季节 μe(°C) μe,max(°C) μF(°C) μS(°C) μT(°C) σe,max(°C) σF(°C) σS(°C) σT(°C)
春季 [0.010, 0.085] 0.085 0.170 0.238 0.306 0.008 0.016 0.023 0.029
夏季 [?0.110, 0.183] 0.183 0.366 0.512 0.659 0.021 0.042 0.059 0.076
秋季 [0.038, 0.149] 0.149 0.298 0.417 0.536 0.015 0.030 0.042 0.054
冬季 [?0.024, 0.064] 0.064 0.128 0.179 0.231 0.009 0.018 0.025 0.033

图17. 基于混淆矩阵的二元预警决策性能指标。

5.3 案例检测

在评估温度预测和基于残差的预警决策之后,从四季中选取具有热失控前兆特征的异常充电样本进行案例检测。此步骤测试预警级别是否足够早出现,以支持在强制保护之前激活安全屏障。使用表6中的分级预警阈值,分析实际异常演化过程中预警触发点和保护切断前的可用干预时间。分级预警结果如图18、图19、图20、图21所示,分别对应春季、夏季、秋季和冬季。详细统计总结于表7。

图18. 春季分级预警结果。
图19. 夏季分级预警结果。
图20. 秋季分级预警结果。
图21. 冬季分级预警结果。

使用表7中的统计数据,分析保护切断前基于残差均值和残差标准差的可用干预时间,分别针对春、夏、秋、冬四季。Tμ1、Tμ2和Tμ3分别为一级、二级和三级残差均值预警点;Tσ1、Tσ2和Tσ3分别为一级、二级和三级残差标准差预警点;Δtμ,cut和Δtσ,cut为从第一级预警到Tcut的对应时间间隔。

表7. 安全预警触发点和保护切断前的可用干预时间。

季节 Tμ1 Tμ2 Tμ3 Tσ1 Tσ2 Tσ3 保护切断Tcut Δtμ,cut(s) Δtσ,cut(s)
春季 7831 8059* 7970 8126* 8364 26.65 19.70
夏季 6413 6644 6782 6483 6725 6806 7098 34.25 30.75
秋季 6572 6896* 6743 6961* 7187 30.75 22.20
冬季 7997 8452* 8243 8391* 8671 33.70 21.40

案例结果显示:

(1)在春季案例中,分级预警系统在第7831个采样点首次检测到异常电动车充电状态并触发一级预警。随后在第8059个采样点触发二级预警。在实际充电过程中,车辆电池组在第8364个采样点切断电源。切断前的可用干预时间为Δtμ,cut=26.65 s和Δtσ,cut=19.70 s。

(2)在夏季案例中,系统在第6413个采样点首次捕获充电异常并触发一级预警。随后分别在第6644个和第6782个采样点触发二级和三级预警。在实际充电过程中,车辆电池组在第7098个采样点执行断电保护。切断前的可用干预时间为Δtμ,cut=34.25 s和Δtσ,cut=30.75 s。

(3)在秋季案例中,系统在第6572个采样点首次捕获充电异常并触发一级预警。随后在第6896个采样点触发二级预警。在实际充电过程中,车辆电池组在第7187个采样点执行断电保护。切断前的可用干预时间为Δtμ,cut=30.75 s和Δtσ,cut=22.20 s。

(4)在冬季案例中,系统在第7997个采样点识别充电异常并触发一级预警。随后在第8452个采样点触发二级预警。在实际充电过程中,车辆电池组在第8671个采样点执行断电保护。切断前的可用干预时间为Δtμ,cut=33.70 s和Δtσ,cut=21.40 s。

6. 结论

本研究开发了一种基于残差的分级预警框架,用于检测电动车快充过程中的异常热行为。它将常规车载测量转化为温度预测、残差指标和三个有序预警级别。CNN-BiNLSTM-AGFM模型使用四季实际LFP充电数据进行评估,同时NCM有限元模拟作为辅助跨温度测试。在实际车辆数据集上,该模型提供了稳定的温度预测和异常充电状态的分级预警。在二级预警阈值下,实现了92.73%的精度、83.33%的精确率和86.21%的F1分数。在异常充电案例中,从首次预警到保护切断的可用响应时间为19.70–34.25 s。

该框架将多变量温度预测与分级预警决策联系起来。与固定温度限值不同,残差指标反映了相对于预期热响应的电压、电流、SOC和温度变化。一级表示早期偏差,支持加强监控和保守电流调整。二级表示更显著的偏差,支持主动冷却或充电功率降低。三级表示严重或不稳定的热行为,支持终止充电、电气隔离和检查。这些级别为异常电池热行为提供了渐进式描述。

尽管保护切断前的响应时间有限,但19.70–34.25 s的间隔可以在快充过程中提供有用的纠正措施时间,此时热偏差可能迅速发展。因此,该框架的实际贡献是更早检测和分级响应异常充电行为,而非保证防止热失控。

模拟与现场数据相结合的设计提供了模型可迁移性的初步评估。NCM模拟在受控条件下评估温度依赖行为,而LFP车辆数据评估跨四季运行。充电倍率是运行变化的另一个来源,因为它影响产热、温升动态和残差统计。现场数据代表动态CC-CV快充,峰值C倍率约为1.67 C;充电电流作为模型显式输入包含在内,阈值通过正常运行残差统计进行缩放,这在一定程度上适应了此类剖面内变化。训练数据中更广泛的C倍率覆盖可能进一步提高鲁棒性,超出训练分布的充电倍率可能需要额外数据或对基于残差的阈值进行重新校准。然而,现有验证不涵盖针刺穿透、严重过充、外部加热或模组级热传播。因此,该框架应被视为与充电相关热异常的在线预警方法,而非所有热失控机制的完整诊断模型。未来工作应结合电化学热建模与标准滥用和传播测试,并在更广泛的电池化学体系、C倍率和运行条件下进一步评估该方法。

CRediT作者贡献声明

Chengyang Liang(梁呈阳):撰写——审阅与编辑,撰写——初稿,验证,软件,方法学,调查,概念化。
Dexin Gao(高德新):监督,资源,资金获取,概念化。
Yuanming Cheng(程远明):验证,软件,调查。
Qing Yang(杨清):监督,资源。

Chengyang Liang | Dexin Gao | Yuanming Cheng | Qing Yang
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号