在随机条件下的离子电池在线故障诊断的模型约束深度学习
Rui Cao1, Zhengjie Zhang1, Runwu Shi1
1School of Transportation Science and Engineering, Beihang University, 10191, Beijing, China.
Nature communications
|February 14, 2025
概括
这项研究引入了一个深度学习网络,用于在不可预测条件下实时安全故障诊断离子电池. 先进的算法显著提高了故障检测的准确性,提高了电池的安全性,降低了实施成本.
科学领域:
- 电气工程 电气工程
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
背景情况:
- 电池的安全性至关重要,特别是离子电池,由于复杂和不频繁的故障.
- 在线安全故障诊断对于在随机和不可预测的工作条件下运行的电池至关重要.
研究的目的:
- 开发基于深度学习的离子电池在线故障诊断网络.
- 为了在不可预测的操作条件下实时确定电池故障.
主要方法:
- 采用深度学习方法创建在线故障诊断网络.
- 集成电池模型约束和管理随机系统演变的框架.
- 评估了来自515辆车的1820万条条目的大数据集的性能.
主要成果:
- 与现有方法相比,拟议的算法表现出优越的性能.
- 在0-0.2虚假阳性率范围内,真正阳性率提高了46.5%以上.
- 确定了关键安全故障的触发概率:电解质泄漏,热失控,内部短路和过度老化.
结论:
- 深度学习网络为各种电池组结构提供了可适应和具有成本效益的实现.
- 该研究强调了深度学习在现实状态预测和诊断方面的潜力,提高了电池安全性和经济效益.
更多相关视频
11:25Identification and Quantification of Decomposition Mechanisms in Lithium-Ion Batteries; Input to Heat Flow Simulation for Modeling Thermal Runaway
Published on: March 7, 2022
4.4K
10:41The Effect of Charging and Discharging Lithium Iron Phosphate-graphite Cells at Different Temperatures on Degradation
Published on: July 18, 2018
15.4K
