实时动态应变监测用于电池安全隐患识别
《Engineering Applications of Artificial Intelligence》:Real-time dynamic strain monitoring for battery hazard identification
【字体:
大
中
小
】
时间:2026年04月05日
来源:Engineering Applications of Artificial Intelligence 8
编辑推荐:
电池壳变形实时监测与预测策略基于改进的Informer神经网络,通过多变量线性回归正则化提升预测精度,在充放电循环中实现至少10分钟超前预测,平均相对误差低于10%,有效识别热冲击和机械应力导致的变形风险,弥补传统电池管理系统对结构安全监测的不足。
马林瑞|甄云鹏|高立|彭荣贵|周圆|丁宁波|马东旭|陈阳|赵宏远|王贵新
四川大学化学工程学院,成都,610065,中国
摘要
为了提高Informer神经网络在电池危险识别方面的预测准确性,提出了一种多元线性回归正则化方法并将其纳入损失函数中。该模型用于预测电池应变以识别异常状态。在充放电循环过程中,对电池壳体的应变进行非破坏性实时监测和预测。比较了使用不同神经网络的预测误差,并定义了应变率来评估风险。通过在不同条件下收集的应变数据训练的模型能够在短时间内展现出良好的预测准确性。测试电池的后续应变至少可以提前10分钟被预测出来,且在3分钟的运行时间内平均相对预测误差小于10%。该策略在滥用条件下得到了验证,能够及时检测到异常情况。当受到热冲击和机械力作用时,系统分别在78秒和28秒后作出响应,此时应变率会突然增加,而电信号和温度变化则较为缓慢。这为改进当前的电池管理系统和增强危险识别提供了新的视角。
引言
锂离子电池被广泛用作便携式电子设备、电动汽车和能量存储的可充电电源,但其应用受到安全问题的阻碍(Xu等人,2023年,2024年;Sheng等人,2022年;Nasajpour-Esfahani等人,2024年)。包括泄漏、火灾或爆炸在内的危险通常由热失控、电气滥用、机械故障和其他损坏等原因引起(Hussain等人,2024年;Zhang等人,2018年;Jia等人,2020年;Feng等人,2018年)。除了改进结构和材料外,电池管理系统(BMS)对于电池的应用也至关重要。目前的BMS主要关注监测电池状态(如充电状态(SOC)、健康状态(SOH))、控制充放电行为、管理温度、促进通信交互、诊断故障等,通常监测的参数包括电压、电流和温度(Mama等人,2025年;Gabbar等人,2021年;Dai等人,2021年;Nyamathulla和Dhanamjayulu,2024年)。然而,尽管采用了BMS,电池危险仍然会发生。因此,迫切需要一种可靠且先进的BMS来提高电池安全性。
在影响电池安全的众多因素中,热失控受到了广泛关注,通常通过热电偶进行监测(Wang等人,2023年)。然而,在某些滥用条件下(如内部压力过高),监测到的温度变化很小,而这种压力会导致易燃电解液泄漏,当内部压力超过壳体强度时可能引发燃烧或爆炸(Zhou等人,2016年)。另一方面,产生的热量也会导致壳体变形,从而导致电解液泄漏。根据报告(Zhou等人,2016年;Deng等人,2018年;Chen等人,2023a;Xie等人,2023年;Jia等人,2022年),电池壳体在内部压力增加时首先发生变形,随后由于壳体强度无法承受内部压力而引发危险。此外,机械滥用还会影响电池的容量和阻抗特性(Yin等人,2023年)。因此,壳体变形与电池故障和安全性密切相关(Xia和Mi,2016年;Wei等人,2023年;Sun和Kainz,2024年;Cao等人,2024年)。
与危险状况直接相关的变形程度可以用应变来描述(Xia和Tang,2021年)。影响电池变形的关键内部因素包括充电排斥、温度变化、电极反应、锂离子迁移以及结构完整性(Zhou等人,2016年;Zhang等人,2022a;Zhu等人,2016年,2018年;Guan等人,2023年;Chen等人,2023b)。为了实时监测应变,提出了一种非破坏性方法,并建立了应变-应力关系来评估SOC对安全性和性能的影响(Zhou等人,2016年)。Zhu等人(2021年)采用了一种集成方法测量18650电池的周向内部应变,并分析了应变分布对安全性的影响。电极应变是SOC的函数(Yu等人,2022年)。然而,电池应变与危险之间的直接相关性尚不清楚,利用应变进行危险预警的报道也很少。因此,快速检测和预测应变对于诊断和预防电池危险至关重要。
作为一种流行且精确的预测模型,神经网络因其强大的能力而被广泛采用(Feng等人,2021年;Cui等人,2022年;Zhang等人,2022b;Li等人,2022年;Almaita等人,2022年)。Fallah等人(El Fallah等人,2023年)利用不同的神经网络估计了18650电池的SOC,并将其评估准确性与使用Matlab/Simulink软件的仿真结果进行了比较。Mohanty等人(2024年)提出了一种改进的故障检测和分类技术,以辅助距离继电器确保快速可靠的保护,用于与双馈感应发电机连接的晶闸管控制串联电容器补偿输电线路。Severson等人(2019年)基于电池循环寿命生成的数据集开发了一个机器学习模型。Faizanbasha等人(A等人,2026年)引入了一个集成的深度集成框架和动态的、风险意识型烧录策略,以解决传统烧录方法缺乏实时适应性的问题,并开发了一个先进的半马尔可夫决策过程(SMDP)模型,协同优化烧录和PdM策略以提高制造系统的可靠性(F. A.和Rizwan,2025年)。Chen等人(2023c)采用了一种物理信息神经网络(PINN)方法来预测全钒氧化还原液流电池的性能,并利用电池系统的先验知识改进了通用神经网络,从而提高了电压预测的准确性。Mohanty等人(2023年)提出了一种新方法,在晶闸管控制串联电容器(TCSC)补偿输电线路的功率摆动期间检测故障,仅使用局部端电流测量作为输入到基于决策树(DT)的分类器中。然而,目前大多数关于电池管理的研究都集中在电压和电流等电气参数上,忽略了与安全性直接相关的变形。此外,目前还没有关于变形预测的报道。
本文提出了一种基于实时动态应变预测的电池危险识别策略,使用改进的Informer神经网络。通过在Informer模型中添加线性回归正则化器来优化神经网络,并利用通过非破坏性应变计获得的大量测试应变数据来训练模型,以提前预测未来的应变。通过将预测应变与相应时期的实际应变进行对比,可以快速有效地识别被监测电池的危险。这项工作为使用应变进行电池管理提供了一种重要策略,与当前基于电压、电流或温度等监测信号的方法相比,能够更准确地识别危险。
部分摘录
应变预测建模
为了解决预测未来时期变形的需求,采用了Informer算法(Zhou等人,2021年)。应变预测的架构基于Informer模型,如图S1所示。在超参数优化后,确定了神经网络中的以下参数:输入长度、令牌长度和输出长度分别设置为450、180和90。此外,将迭代次数调整为6次,迭代次数设置为2次,以平衡
应变数据收集和预处理
为了使神经网络具有高精度预测能力,需要充足且高质量的训练数据。首先建立了一个实验平台来收集电池应变数据,这些数据被用作改进型Informer神经网络的训练集。采用电池测试系统在各种工作条件下循环地对测试电池进行充放电。同时,在测试电池的壳体表面安装了应变计并进行了连接
使用改进型Informer神经网络的预测
为了展示该模型在预测各种条件下的电池应变方面的高预测准确性和实际应用性,使用上一节中的数据集对模型进行了训练和测试。
结论
提出了一种基于实时动态应变监测和改进型Informer神经网络的新型电池危险识别策略,以弥补当前BMS的不足,提高危险识别的准确性和速度。与关注电压、电流和温度等参数的传统BMS不同,所提出的策略侧重于壳体变形,因为变形足够大,足以引发危险
CRediT作者贡献声明
马林瑞:撰写——原始草案、可视化、验证、软件、方法论、概念化。甄云鹏:形式分析。高立:形式分析。彭荣贵:验证。周圆:验证。丁宁波:可视化。马东旭:可视化。陈阳:可视化。赵宏远:撰写——审阅与编辑。王贵新:撰写——审阅与编辑、资金获取、概念化。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了德阳特种设备检验研究所项目(23H0854)和(24H1674)以及四川大学与遂宁的战略合作专项基金(授权号:2023CDSN-08)的支持。我们感谢四川大学化学工程学院工程实验中心的魏杰博士和林翔博士,以及四川大学新能源与低碳技术研究所的朱英明博士提供的有益讨论。
生物通微信公众号
生物通新浪微博
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