基于多信号模式识别结合力学特性的实时预警邱健蓄电池安全预警方法
来源：
邱健蓄电池 发布时间：2026-08-05 20:16:09 点击： 次
在车载锂离子电池（LIB）复杂的操作环境中，实施即时电池安全预警方法至关重要。然而，大多数现有的安全预警型号往往忽视了电池固有的机械特性差异。本研究提出了一种基于复杂三维耦合有限元模型的综合实时电池安全预警方法。耦合模型封装了电池内部短路（ISC）机制，以及电气和热相互作用，以精细捕捉ISC过程中多维信号的变化。通过提取安全预警阶段的关键特征，这种方法有效地将预警模式分割开来。对各种运行条件进行了模拟，包括电动车运行过程中的碰撞和撞击。采用数据驱动方法，利用卷积神经网络与空间注意力机制和门控循环单元网络（CNN-GRU-SAM）建立实时预警模型。经过广泛的测试和交叉分析，验证了其准确性和鲁棒性。该方法为锂离子电池安全性预测提供了新方法，有助于提升电池安全性。
简介
锂离子电池（LIB）因其高能量密度、长周期寿命和低自放电率等优势，广泛应用于电力电池和储能系统，尤其是在电动汽车领域。确保LIBS的安全仍是其服务的核心议题[1]、[2]、[3]，并引起了业界和学术研究的特别关注。在车载电池复杂的操作环境中，电池故障和热失控可能由机械、电气和热滥用引起。其中，外部机械虐待引起的机械应力是电池故障和安全的重要因素之一。这种情况不仅对乘客安全构成重大风险，还带来了巨大的经济成本，凸显了在机械装载中对有效预警管理策略的紧迫需求。此外，它强调建立全面的实时预警模型以保障电池安全至关重要，该模型能够主动识别潜在风险并实现及时干预 [4]， [5]， [6]， [7]， [8]， [9]， [10]， [11]， [12]， [13]， [14]， [15]。
目前，关于电力电池安全预警的研究主要集中在早期阶段的电压和温度信号诊断，这可分为基于规则的方法和基于模型的方法[16]。基于规则的方法主要涉及为关键参数设定阈值，或评估电池组内部信号偏差以进行诊断。赵等人基于电压预测和多阈值开发了一种高效的LIBs电压故障诊断和预测方法[17]、[18]。Wang等人利用电化学阻抗光谱和短时动态电压分析了退役电池组电池的一致性[19]，[20]。基于模型的方法主要利用具有固定机制或相对完整的数学理论的模型来监测电池信号。Liu等通过计算在移动时间窗口内的电压序列，识别了电池系统中的异常电压波动[21]、[22]。Gao等人基于差分电池模型定量分析初始阶段的微短路，以准确检测短路电阻[23]、[24]。Dey等人提出了一个热模型，利用卢恩伯格观察者、非线性观察者和偏微分方程来诊断LIB中的热故障[25]、[26]。但从实际角度看，电池故障只有在发生后才会通过上述方法进行监测。因此，热失控前的警告时间窗口有限，导致警告效率相对较低。此外，这些方法常常忽视电池在外部负载条件下机械特性的变化，未能最大化预警功能。此外，一些新颖研究聚焦于电池机械失效时产生的气体内部反应，这些反应可以通过外部外壳上的应变信号来表征[27]，[28]。虽然这些方法通过引入机械信号提升了警报系统的完整性，但它们仍然只能在电池短路后进行检测，反映一定程度的延迟。
然而，通过分析电池在机械加载阶段的多维信号变化，可以从机械信号中识别机械特性，从而在电池内部短路（ISC）发生前进行预警。这使得电池管理系统（BMS）能够在ISC之前接收安全警告信号，从而大幅延长后续安全控制动作的警告时间窗口，实现真正的安全预警[29]。由于电池材料的力学特性，冲击型机械虐待期间加载力的增加速率通常在ISC发生前减慢（分离器破裂），具体表现为加载过程中负载力的二阶导数下降[30]，[31]。这一现象为机械阶段的早期预警提供了研究基础和可行性。随后，通过分析与ISC相关的机械信号以及电气和温度信号，可以实现电池安全的全面预警。鉴于电池复杂材料和电化学特性的随机性，以及潜在的组装缺陷，整个电池ISC过程中需要大量多维信号数据来验证研究的可行性。一般来说，使用物理物体进行实验通常需要大量资源和时间。这一挑战通过为动态仿真建立的有限元模型（FEM）得到解决，确保计算结果的准确性 [32]， [33]， [34]。基于对多维信号特征的分析，确定了电池安全预警的各个阶段。结合利用机器学习方法的数据驱动模型，能够准确确定电池机械负载安全阶段，使警告方法不仅限于所提供数据，还能确保准确性，从而提升研究的整体推广性[35]、[36]。
在这项工作中，开发了一种结合力学、电气和热学方面的电池ISC三维耦合有限元显微镜，以捕捉电池SC过程中的多维信号变化。电池ISC期间安全警示阶段的分类通过信号特性分析和阈值的建立实现。选择三种典型的机械虐待测试条件（球形凹陷、柱状凹陷和钉子穿透），以模拟电动汽车运行环境中常见的撞击和碰撞。通过在仿真中调整输入参数，包括载荷刚度大小和载荷速度，收集了大量ISC数据。一种数据驱动模型由卷积神经网络（CNN）与门控循环单元（GRU）或包含空间注意力机制（SAM）的双向长短期记忆网络（BiLSTM）集成组成，用于预测警告阶段。从模拟中获得的ISC数据为准确分类电池ISC阶段提供了必要的支持，从而实现全面的早期安全预警。最后，通过单一条件和所有场景之间的交叉验证，采用不同的评估指标来分析和验证预警方法的可行性。本文重点如下：
- –
已建立起多维信号三维耦合有限元电池内部短路模型。
- –
通过机械信号特征分析结合电信号和热信号阈值判断，实现了电池安全警告阶段的完整分类。
- –
一个数据驱动模型被创建，整合了多种机器学习神经网络的理论，用于预警。
- –
早期预警模型的准确性通过全面的数据测试和交叉分析得到了评估。
