北理工熊瑞/林程EcoMat: 深度学习用于原位检测和量化商用电池析锂

在低温充电条件下的锂析出严重威胁锂离子电池的寿命，但实际场景中有限的可用信号和不稳定的运行条件严重阻碍了锂析出的车载检测和量化。目前，常用的析锂检测方法存在检测条件苛刻、设备复杂、时间长等问题。

为此，北京理工大学熊瑞教授、林程教授等人提出了一种基于深度学习的仅使用充电过程中的恒流曲线来预测不确定条件下锂析出的发生和量化的检测方法。具体而言，作者开发了一种深度神经网络（DNN），以从充电曲线中提取由锂析出引起的数据驱动特征。该网络仅使用最常见的电压和电流信号作为输入，具有超强的适应性和准确性。结果显示，该方法的检测准确率为98.64%，同时析锂的数量可准确预测且均方根误差<4.1712 mg。

此外，在训练数据集未使用的情况下，该方法的可靠检测精度验证了该方法的泛化能力，对电池全新充电条件和老化状态的检测准确率分别为92.39%和95.53%。同时，该方法还将目前需要数小时（广泛使用的微分曲线分析）的检测时间缩短到毫秒，并消除了对严格测试环境的需求，显示出深度学习在未来电池管理系统中的巨大应用潜力。

图1. DNN架构，每个块中的数字表示该层的所选参数

这项研究是深度学习在锂析出量化中的首次应用，同时还可以进一步改进：首先，仅使用充电曲线段作为输入来检测锂析出是值得尝试的。其次，可以研究该方法指导充电策略的潜力，通过实时检测实现在充电过程中避免产生析锂。最后需要说明的是，作为一种目前被广泛接受和使用的检测方法，差分电压分析（DVA）是一种间接定量的锂析出分析方法，其结果很难通过物理方法直接验证。

因此，所提出的DNN的一个有价值的贡献是它不需要几个小时的检测时间和严格的测试条件，而是提供了与 DVA 相同的检测效果且具有快速和高精度，使其在实际应用中很有前景。此外，DVA的作用是为DNN的训练提供标签数据集。也就是说，任何可以原位检测析锂量的方法都可与所提出的DNN相结合。

图2. 充电条件对预测精度的影响

Deep neural network-driven in-situ detection and quantification of lithium plating on anodes in commercial lithium-ion batteries, EcoMat 2022. DOI: 10.1002/eom2.12280