SSB蓄电池基于可解释性机器学习的安全导向型锂离子电池热失控事前严重程度预测

2026-04-03 11:09:41

锂离子电池因其高能量密度和优异的电化学性能，被广泛应用于电动汽车和大规模储能系统（Yang等，2026；Kulkarni等，2026）。然而，随着电池单体能量密度和系统集成度的持续提升，其安全性问题日益凸显。在各类失效模式中，热失控被认为是最严重且危险的现象，通常表现为剧烈放热、燃料费释放和材料喷射（Mahdy等，2025；Dai与Panahi，2025；Liu等，2025）。这些现象可能从局部电池故障升级为火灾、爆炸或级联系统事故，从而对人员安全、装备完整性和运行持续性构成重大风险。从工艺安全角度来看，理解并管控热失控后果构成电池安全工程的主要挑战(Conzen et al., 2023, Zhang et al., 2024a)。
为表征热失控行为及其相关后果，研究者们已开展了广泛的实验研究(Musso等, 2025; Chai等, 2024)。量热测量(Sharp等, 2022)、燃料费成分分析(Wang等, 2025a)以及喷射物质表征(Willstrand等, 2025)是量化热失控事件中热释放强度与物质喷射的常用方法。这些事后评估方法为理解失效机制与危害特性提供了宝贵洞见，对安全标准制定与缓解策略开发具有重要贡献。然而此类方法本质上存在资源消耗大、需复杂实验配置的局限性，且仅适用于热失控完全发展后的场景（Hu等，2024a；J.等，2024；Chen等，2024）。因此，它们对热失控相关早期风险筛查及主动安全决策的支持作用较为有限（Masalkovaitė等 , 2024, Zhang et al., 2024b, Wang et al., 2024, Yang et al., 2024）。近期研究通过考察更接近实际使用和滥用条件下的热失控行为，并开发特定工况（如高倍率充放电、循环老化、不同荷电状态、包裹/绝缘材料及火源-墙体间距等场景）下的数据驱动预警模型，进一步拓展了该领域的认知（Zhou et al., 2025, Liu et al., 2026, Chen et al., 2025, Huang et al., 2025a, Huang et al., 2025b, Huang et al., 2025c）。这些研究深化了对复杂工况下电池失效演变、传播行为及安全特征的理解。然而其关注重点仍集中于机理分析、传播特性及事后危害评估，而非事前后果严重性预判。
此外，从工程安全管理视角来看，仅预测热失控发生往往不足够(Gu et al., 2025, Örs and Javani, 2025, Kumar and Kim, 2025)。即使预见到热失控，其严重程度在不同电池设计、容量、几何形状和触发条件下可能存在显著差异(Masalkovaitė et al., 2024, Ma et al., 2024, Meng et al., 2024, Liu et al., 2024)。这种差异性直接影响损害程度、火灾蔓延可能性及所需采取的缓解措施。相比之下，热失控严重程度的预先评估将有助于更高效地分配安全测试资源、早期识别高风险电芯，并在电池设计与验证阶段实现基于数据的决策制定（Hu等，2024b）。然而，开发此类事前的严重程度评估方法仍存在显著挑战。
基于物理学和半经验模型的方法已被用于描述热失控行为。例如，E等人（J. et al., 2024）对锂离子电池热失控建模进行了全面综述，涵盖滥用扳机、产热、传播及燃料费排放/燃烧过程。他们强调验证模型在提升电池安全评估与设计中的作用，同时减少对破坏性实验的依赖。张等人（Zhang et al., 2024b）。开发了一个聚焦内部温度演变与结构效应的热失控传播模型。该研究将触发能量作为表征热滥用条件下热失控的关键指标，证明绝热失控期间大部分能量源自内部放热反应，且电池结构对传播行为具有显著影响。此外，夏等人（Xia et al., 2025）。提出了一种名为"热失控传播数"的无量纲指标，用于定量评估锂离子电池模块中有利于热失控传播的条件。该参数通过实验和模拟验证，为抑制热失控传播提供了明确标准，并指导高安全性电池系统的设计。然而，由于涉及高度耦合的热-化学-机械过程，其在事故前严重程度预测方面的应用存在局限。精确建模通常需要详细的内部参数、材料特性和反应动力学数据，这些数据在早期设计阶段或安全测试前难以获取。此外，这些模型主要旨在复现特定失效场景，而非提供一个可普遍部署的通用框架，用于对不同电池群体进行严重程度筛查。
在上述约束条件下，数据驱动方法为从热失控前可获取的异构性不完整信息中提取潜在安全相关模式提供了实用替代方案（Ouyang等，2023；Ye等，2025）。近年来，机器学习技术（Thelen等，2024；Wang等，2025b）在电池安全领域应用日益广泛，例如基于温度、电压或电化学信号的热失控检测与早期预警系统。典型案例如Masalkovaitė等（Masalkovaitė等，2024）的研究所示。本研究开发了一种迁移学习方法，用于预测锂离子电池热失控热释放量的变化规律，该方法通过有效利用有限的实验数据，显著降低了对昂贵量热测试的依赖，同时保持了较高的预测精度。Li等人(Li et al., 2025)提出了一种融合实验数据、物理建模与深度学习技术的混合框架，用于预测遭受极端高温冲击的锂离子电池热失控温度演变行为。该方法通过将实验数据与模拟生成的虚拟数据集相结合，实现了准确快速的预测。此外，Gajghate等人(Gajghate et al., 2025)开发了一种基于Transformer的多模态机器学习框架，用于高能电池热失控的预测性与因果性评估。该框架通过将热学、声学及结构数据与深度学习、因果建模及强化学习相融合，在电池安全监测中实现了精确的早期预警、故障定位以及优化的传感器管理。Zhang等人（Zhang et al., 2023）提出了一种实用的深度学习框架，用于锂离子电池故障与异常检测。该研究采用针对复杂电池系统优化的动态自编码器，在大量电动汽车真实数据集上验证后，显著提升了检测性能并降低了电池故障检测成本。此外，Örs等人（Örs and Javani, 2025）应用机器学习与深度学习算法，成功预测了锂离子电池在外部热源和机械力作用下的热失控起始点。通过将多种模型与实验数据进行对比评估，他们证明了基于决策树的模型具有最高的预测准确度，这凸显了数据驱动方法在热失控预测中的应用潜力。尽管这些研究展示了数据驱动方法在安全监测中的潜力，但其主要关注点仍停留在预测热失控是否发生或触发阶段。从工艺安全角度来看，对热失控事件发生前严重程度的评估研究仍存在显著空白。
因此，尽管在热失控机理分析、事故后后果表征及特定滥用条件下的电池安全研究方面已取得显著进展，但现有文献仍存在一个重要空白。当前研究鲜少提供可解释性框架，用于在设计或预测试阶段仅基于现有信息来评估热失控事件可能达到的严重程度。特别值得注意的是，现有方法大多依赖于事故后的实验测量数据，或聚焦于二元失效判别，而非以适用于风险导向决策的形式对潜在热失控后果的严重程度进行分级。这一局限性制约了早期筛查、保守性危害识别以及安全测试资源的高效配置。
为填补这一空白，本研究提出一种面向安全性且可解释的机器学习框架，仅基于结构和工程元数据对锂离子电池热失控严重程度进行事前预测。首先构建了以危害为导向的严重性指数（Severity Index），用以表征与热释放和材料喷射相关的综合后果严重程度，随后将热失控事件分为低、中、高三个严重性等级。在此基础上，开发了基于CatBoost的分类模型，通过事前电池元数据预测严重性类别，并进一步应用SHAP分析揭示驱动预测结果的主要特征。该框架旨在支持主动式电池安全评估、测试优先级排序以及基于风险的工程决策制定。