CN109143083A - 一种数据驱动的电动车辆锂离子电池析锂诊断方法 - Google Patents

Abstract

本发明涉及一种数据驱动的电动车辆锂离子电池析锂诊断方法，属于电池管理技术领域。该方法包括：S1：建立锂离子电池的电化学模型；S2：离线阶段，构建ANN来模拟不同工况下锂离子电池输入输出的响应关系，利用Kriging模型建立ANN权重和固相扩散系数之间的映射关系；S3：在线阶段，通过实验测得电池充电过程的数据，预测电池实际的正负极固相扩散系数；S4：将固相扩散系数代入固相扩散方程，计算得到充电过程中正负极的固相锂离子浓度，建立基于浓度的析锂的判据，利用计算得到的正负极浓度判断充电过程中是否发生析锂现象。本发明在保持锂离子电池完整性的条件下，降低了析锂现象检测过程对于机理模型的依赖程度。

Description

一种数据驱动的电动车辆锂离子电池析锂诊断方法

技术领域

本发明属于电池管理技术领域，涉及一种数据驱动的电动车辆锂离子电池析锂诊断方法。

背景技术

在二十一世纪，人类对能源的需求日趋增加，而传统能源的减少以及使用传统能源带来的一系列环境问题迫使各国调整优化能源结构。这一现象在汽车行业表现得最为明显，传统的燃油车辆具有能量利用率低、排放的尾气有污染环境等特点，而电动车辆完美地克服了传统燃油车的这两大缺陷，因此近年来电动车的市场比例也逐渐提高，与之相关的研究也成为了国内外学术界以及工业界的热点。动力电池作为电动车的核心部件之一，是电动车的主要能量来源，该部件的稳定运行对电动车行驶里程、安全性、可靠性有着极其重要的意义。目前普遍采用锂离子电池作为电动车辆的动力电池，然而，由于其自身的电极材料属性与工作特点，该电池在低温下运行面临一个重要的问题：析锂。锂离子电池的析锂现象极容易发生在低温充电的过程中，即在低温下电池中的锂离子被还原为锂金属在电池的负极表面析出，造成电池容量的剧烈衰退；此外，负极表面析出的锂金属会形成枝晶并且可能刺破电池隔膜，造成电池的内短路，进而引发安全事故。鉴于此，针对电动车辆锂离子电池析锂的诊断具有非常重要的意义。

由于锂离子电池内部是一个封闭、不可见的电化学系统，同时电池中的锂以多种化学状态存在，因此检测锂离子电池内部的析锂反应存在一定的困难。目前常见的析锂检测方法可以大致分为三类：基于显微镜观察、基于理化特性分析以及基于外部特性分析。基于显微镜观察的方法通常需要将商用锂离子电池进行拆解，或者使用特殊设计的透明模型电池，并结合各种显微镜观察是否有锂金属在电池负极表面析出以及析出的锂金属形貌。基于理化特性分析的方法主要通过各种物理化学的方法，如中子衍射(Neutrondiffraction)、核磁共振(Nuclear magnetic resonance，NMR)、X射线衍射(X-raydiffraction，XRD)直接对锂离子电池中是否存在析出的锂金属进行鉴定或者对其含量进行定量地测量。基于外部特性分析的检测方法通常利用电池外部的可测物理量(电池的电流、电压以及温度等)，并结合电池的内部的机理模型对析锂现象进行间接检测，典型的检测方法包括微分电压法(Differential voltage analysis，DVA)、增量容量分析(Incremental Capacity Analysis，ICA)，粒子滤波(Particle Filtering，PF)机理分析等。然而，基于显微镜的检测方法虽然能够细致地观察析出的锂金属形貌，但是通常需要在无氧的手套箱中拆解电池并且制作适用于显微镜观察的样本，该检测过程较为复杂，同时需要用到的仪器设备也较多。基于理化分析的检测方法虽然能够较为准确地测定析出的金属锂含量，但是需要用到专用仪器设备如核磁共振仪、X射线衍射仪等，检测实验的成本较高。基于外部特性的检测方法通常不需要拆解电池，同时检测实验的成本较低，结合电池内部电化学机理便可以对充电过程中的析锂现象进行诊断，因此，利用该方法进行析锂诊断较为方便快捷，同时也有利于未来开发无析锂的低温充电策略。尽管该方法不能准确地测得析出的金属锂含量，但是对于电池管理系统来说，只需检测析锂现象是否发生来调整电池的充放电策略。

目前，常用的基于外部特性分析的方法主要分为两类，即基于实验和基于算法。基于实验的外部特性分析方法通常需要建立在大量的充放电实验基础上，再结合电池内部的电化学机理进行诊断，如DVA和ICA，整个过程比较耗时。而基于算法的外部特性分析通常需要在锂离子电池的电化学机理层面建立比较复杂的数学模型以及算法流程，将测得的外部物理量代入算法流程来检测析锂现象是否发生；该过程通常需要较大的计算量，同时在外部环境温度发生较大变化时，由于电池内部的电化学参数发生较大变化容易导致建立的数学模型较大误差。近年来，随着人工智能的发展，利用大数据并且结合机器学习算法的诊断方法在各个领域中得到广泛应用。这种数据驱动的方法优势在能够降低对数学机理模型的依赖程度，通过大量的样本数据即可进行准确的诊断，因此可以作为一种值得借鉴的诊断方法。但是，目前有关利用数据对电动车辆锂离子电池进行析锂诊断的文献相对较少，其成果也较为有限。

发明内容

有鉴于此，本发明的目的在于提供一种数据驱动的电动车辆锂离子电池析锂诊断方法，在保持锂离子电池完整性的条件下，通过机器学习的算法对析锂现象进行检测，同时降低该过程对于机理模型的依赖程度。

为达到上述目的，本发明提供如下技术方案：

一种数据驱动的电动车辆锂离子电池析锂诊断方法，通过构建人工神经网络(Artificial Neural Network，ANN)来替代锂离子电池的机理模型并结合克里金(Kriging)模型预测锂离子电池中与析锂相关的电化学参数的实际值(即正负极的固相扩散系数)。在此基础上将预测得到固相扩散系数值代入正负极的固相扩散方程中，通过求解固相扩散方程即可获得正负极固相锂离子浓度值随时间的变化。最后建立基于固相锂离子浓度的析锂判据并求解充电过程中锂离子从正极脱出和嵌入负极的速率，当锂离子从正极脱出的速率大于其嵌入负极的速率时，可认为发生析锂现象。该析锂诊断的方法具体包括以下步骤：

S1：确定电动车辆锂离子电池的类型及型号，获取该型号电池相应的技术参数，在此基础上建立与之对应的锂离子电池的电化学模型；

S2：离线阶段，在电化学模型中设计一系列正负极固相扩散系数值并进行充放电仿真，构建ANN来模拟不同工况下锂离子电池输入输出的响应关系，并且利用Kriging模型建立ANN权重和固相扩散系数之间的映射关系；

S3：在线阶段，通过实验测得该型号锂离子电池充电过程的数据，采用相同结构的ANN模拟充电过程，并利用建立的映射关系预测该型号锂离子电池实际的正负极固相扩散系数；

S4：将预测得到的正负极固相扩散系数代入电化学模型中的固相扩散方程，计算得到充电过程中正负极的固相锂离子浓度，同时建立基于浓度的析锂的判据，利用计算得到的正负极浓度信息判断充电过程中是否发生析锂现象。

进一步，所述步骤S1具体包括以下步骤：

S11：确定电动车辆锂离子电池的类型及型号，获取该型号电池的相应技术参数；

S12：在AutoLion软件中建立该型号锂离子电池的电化学模型；

所述电化学模型为准二维电化学模型(Pseudo-two-dimensions，P2D)；与电池型号对应的电化学模型特征包括：电极与电解液材料、电池的几何结构以及电化学模型的参数；所述电化学模型的参数需要通过电池类型及型号、电池生产厂商提供的技术参数确定。

进一步，所述步骤S2具体包括以下步骤：

S21：在锂离子电池的电化学模型中设计一系列的正极和负极的固相扩散系数值，并将正负极固相扩散系数进行组合；

S22：将步骤S21中的正负极固相扩散系数组合依次代入电化学模型中，并在不同温度、不同电流的工况下进行充放电过程仿真，同时记录仿真过程的电流、电压数据；

S23：构建一个三层的ANN，其中包括输入层、隐藏层、输出层，对于每一个正负极固相扩散系数组合，利用该组合对应的充放电数据对ANN进行训练直到达到预定的精度；

S24：建立ANN权重与电化学模型中的正负极固相扩散系数的映射关系，通过构建Kriging模型并用步骤S23中训练好的ANN权重以及与之对应的正负极固相扩散系数作为插值模型中的参考点。

进一步，步骤S22中，ANN训练算法包括梯度下降法(Gradient Descend)、牛顿算法(Newton’s method)、共轭梯度法(Conjugate gradient)、柯西-牛顿法(Quasi-Newtonmethod)和列文伯格-马夸尔特算法(Levenberg-Marquardt)，训练算法需要根据数据的量以及数据特征确定。

进一步，所述步骤S3具体包括以下步骤：

S31：对于特定型号的锂离子电池，先设定实验的环境温度，将电池放电至截止电压，再静置一小时后对电池进行恒流-恒压充电(Constant Current-Constant Voltage，CCCV)，同时记录充电过程中的电流、电压数据；

S32：将实验记录的充电过程数据带入步骤S23的ANN中，并采用相同的训练算法对ANN进行训练直到满足预定的精度；

S33：将步骤S32中训练得到的ANN权重代入步骤S24中建立的Kriging模型中，该权重作为模型中的未知点，通过插值预测实验中该型号锂离子电池的正负极固相扩散系数。

进一步，所述步骤S4具体包括以下步骤：

S41：将预测得到的锂离子电池正负极固相扩散系数作为该型号锂离子电池内部正负极的固相扩散系数，并将预测值代入电化学模型的固相扩散方程中，计算得到充电过程中正负极固相锂离子浓度随时间的变化；

S42：建立基于固相锂离子浓度的析锂判据，即当锂离子从正极脱出的速率大于嵌入负极的速率时，电池发生析锂，利用步骤S41中计算得到的正负固相锂离子极浓度信息计算脱出速率以及嵌入速率并判断充电过程中是否发生析锂现象。

本发明的有益效果在于：

1)针对电动车辆锂离子电池建立ANN模型，能够显著降低对锂离子电池机理模型的依赖程度，从而实现了通过数据进行析锂诊断的过程；

2)本发明采用的Kriging模型能够实现在不同温度条件、不同充电电流倍率下对锂离子电池正负极的固相扩散系数进行预测；

3)通过固相扩散方程求解固相锂离子浓度并结合析锂判据诊断析锂，可以在不拆解锂离子电池、不适用特殊仪器的条件下进行；

4)基于锂离子浓度的析锂判据，可以诊断出锂离子电池在充电过程中发生析锂的时刻。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述方法的整体步骤流程图；

图2为P2D模型示意图；

图3为本发明构建的ANN结构图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

参照图1，本发明提供的一种数据驱动的电动车辆锂离子电池析锂诊断方法，具体包括以下步骤：

步骤S1：确定电动车辆锂离子电池的类型及型号，获取该型号电池相应的技术参数，在此基础上建立与之对应的电化学模型；

步骤S2：离线阶段，在锂离子电池电化学模型中设计一系列正负极固相扩散系数值并进行充放电仿真，构建ANN来模拟不同工况下锂离子电池输入输出的响应关系，并且利用Kriging模型建立ANN权重和固相扩散系数之间的映射关系；

步骤S3：在线阶段，通过实验测得该型号锂离子电池充电过程的数据，采用相同结构的ANN模拟充电过程，并利用建立的映射关系预测该型号电池实际的正负极固相扩散系数；

步骤S4：将预测得到的正负极固相扩散系数代入电化学模型中的固相扩散方程，计算得到充电过程中正负极的固相锂离子浓度，同时建立基于浓度的析锂的判据，利用计算得到的正负极浓度信息判断充电过程中是否发生析锂现象。

步骤S1具体包括：

步骤S11：确定电动车辆锂离子电池的类型及型号，获取该型号电池的相应技术参数；

步骤S12：在AutoLion软件中建立该型号锂离子电池的电化学模型；

具体地，电化学模型采用P2D模型，最终与该型号电池相对应的电化学模型的特征如电极与电解液材料、电池的几何结构以及电化学模型的参数需要通过电池类型及型号、电池生产厂商提供的技术参数确定。以P2D模型为例，如图2所示，该模型主要由固相浓度方程、固相电势方程、液相浓度方程、液相电势方程和Butler-Volmer动力学方程组成。

其中，固相浓度方程由如下数学公式表示：

式中，为正负极活性物质颗粒内部的固相锂离子浓度，r为球形颗粒沿半径方向的坐标，r_p为活性物质颗粒半径，为正负极固相扩散系数，F为法拉第常数，j为颗粒表面反应电流密度，x为P2D模型中电极厚度方向的位置坐标，t表示时间；

固相电势方程由如下数学公式表示：

在固相电势有关的几个公式中，φ_s表示固相电势；i_s表示固相电流；i表示电池充放电过程中的电流大小；σ_eff表示固相等效的电导率，L_N、L_s、L_P分别表示P2D模型中负极、隔膜和正极的厚度，L为三者厚度之和；

液相浓度方程由如下数学公式表示：

c_l(x,0)＝c_l,0

式中，D_eff,s为隔膜区域液相等效扩散系数，D_eff,N为负极液相等效扩散系数，D_eff,P为正极液相等效扩散系数，c_l为液相锂离子的浓度，t₊表示锂离子的迁移数，i_l表示液相电流，ε_l为液相体积分数，L_N ^-表示负极与隔膜界面靠近负极处，L_N ⁺表示负极与隔膜界面靠近隔膜处，(L_N+L_s)^-表示隔膜与正极界面靠近隔膜处，(L_N+L_s)⁺表示隔膜与正极界面靠近正极处；

液相电势方程由如下数学公式表示：

i_l(0,t)＝i_l(L,t)＝0

i_l(L_N,t)＝i_l(L_N+L_s,t)＝i

其中，φ_l表示液相电势，i_l表示液相电流，R是理想气体常数，取值为8.314J·mol^-1·K^-1，T是电池的温度，κ_eff表示液相等效离子电导率；

Butler-Volmer动力学方程由如下数学公式表示：

η₁＝φ_s-φ_l-U_e,1-j₁R_film

式中，j_0,1表示脱嵌锂反应的交换电流密度，α_a,1和α_c,1表示脱嵌锂反应的电化学转换系数，η₁为脱嵌锂反应的过电势，k₁为脱嵌锂反应的反应速率常数，c_l,ref为参考浓度，c_s,surf为颗粒表面的固相锂离子浓度，c_s,max为颗粒中最大的固相锂离子浓度，U_e,1为脱嵌锂反应的平衡电势，R_film为固体电解质膜(Solid Electrolyte Interface，SEI)电阻；

电池的输出电压可以通过如下表示，

V(t)＝φ_s(L,t)-φ_s(0,t)

在步骤S2中，包括：

步骤S21：在锂离子电池的电化学模型中设计一系列的正极和负极的固相扩散系数值，并将正负极固相扩散系数进行组合，锂离子电池正负极的固相扩散系数一般在1e-12到1e-15m²/s之间变化，对于每一个固相扩散系数，在该范围内均匀地取20个值，共有20×20＝400个正负极固相扩散系数的组合；

步骤S22：将400个正负极固相扩散系数组合依次代入P2D模型中，对于每一组扩散系数，分别在不同温度、不同电流的工况下进行充放电过程仿真，本发明中采用在-25℃，-20℃，-15℃，-10℃，-5℃，0℃，5℃，10℃，15℃，20℃，25℃，30℃，35℃，40℃的温度下仿真，同时在每个温度工况下，设置0.5C，1C，1.5C，2C，2.5C，3C的充放电电流工况，放电过程采用恒流放电，充电过程采用CCCV充电，与此同时记录仿真过程的电流、电压数据；

步骤S23：构建一个三层的ANN，其中包括输入层、隐藏层、输出层，如图3所示，具体的隐藏层节点数需要根据数据量确定，对于每一个正负极固相扩散系数组合，利用该组合对应的充放电数据对ANN进行训练直到达到预定的精度；

由锂离子电池的P2D模型可知，锂离子电池在充放电过程中的端电压等于正极与负极边界x＝0和x＝L两处的固相电势差，与坐标x无关，因此可以将P2D模型中的偏微分方程简化成为常微分方程：

式中，θ表示P2D模型中的电化学参数，由于在构建P2D模型时，固相扩散系数作为唯一变化的电化学参数，因此，可近似认为θ代表固相扩散系数，而简化后边界处的固相电势仅和时间、电流以及固相扩散系数有关；

将该常微分方程离散化处理可以得到：

φ_x＝L,k-φ_x＝L,k-1＝Δt×f(I_k,θ)

φ_x＝L,k＝Δt×f(I_k,θ)+φ_x＝L,k-1

式中，Δt表示离散化的时间间隔，φ_x＝L,k表示P2D模型中k时刻位置x＝L处的固相电势，f(I_k,θ)表示电势与k时刻充电电流I_k，固相扩散系数θ之间的函数关系；

通常将x＝0处的固相电势作为参考电势，即0V，因此，从上式中可以得到，在k时刻锂离子电池的电压值可以通过如下数学表达式表示：

V_k＝G(I_k,V_k-1,θ)

该式表示电化学模型中k时刻的电压V_k只与k时刻的输入电流I_k，k-1时刻的电压V_k-1以及固相扩散系数θ有关；因此可以基于简化后的锂离子电池输入输出关系构建ANN来模拟充放电过程，同时ANN的输入输出关系可以通过数学表达式表示为：

V_k＝H_NN(I_k,V_k-1,w)

该式表示ANN模拟的k时刻电压V_k只与k时刻的输入电流I_k，k-1时刻的电压V_k-1以及ANN的权重w有关，其中ANN权重w的数学表达式为：

w＝[a¹¹,...,a^ij,...,a^IJ,a⁰¹,...,a^0j,...,a^0J,b¹¹,...,b^js,...,b^JS,b⁰¹,...,b^0s,...,b^0S]^T

其中a^ij表示连接输入层和隐藏层节点之间的权重，a^0j表示隐藏层节点的偏置权重，b^js表示连接隐藏层节点和输出层节点的权重，b^0s表示输出层节点的偏置权重；

在训练ANN时，这里所述的训练算法包括梯度下降法(Gradient Descend)、牛顿算法(Newton’s method)、共轭梯度法(Conjugate gradient)、柯西-牛顿法(Quasi-Newtonmethod)和列文伯格-马夸尔特算法(Levenberg-Marquardt，LM)，具体的训练算法需要根据数据的量以及数据特征确定，在本发明中采用LM算法。由于共有400个正负极固相扩散系数组合，因此通过训练ANN可得到400个与正负极固相扩散系数对应的ANN权重。

步骤S24：建立ANN权重与电化学模型中的正负极固相扩散系数的映射关系，即通过构建Kriging模型并用步骤S23中训练好的400个ANN权重以及与之对应的正负极固相扩散系数作为插值模型中的样本点；

普通Kriging模型的基本形式为：

y(w)＝f(w)^Tβ+z(w)

式中，w是对应不同正负极固相扩散系数组合的ANN权重；y(w)是Kriging模型要预测的正负极固相扩散系数，由两个部分组成：f(w)^Tβ是线性回归部分，z(w)是随机部分；f(w)为已知回归模型的基函数；β为基函数对应的系数；随机部分z(x)具有以下性质：

E(z(w))＝0

D(z(w))＝σ²

cov[z(w_i),z(w_j)]＝σ²R(w_i,w_j)

式中，R(w_i,w_j)为任意两个参考点w_i和w_j之间的空间关联函数，关联函数的形式有多种，在本发明中采用EXP模型：

式中，θ_k为待定参数；为第i个样本的k维坐标。

根据Kriging模型，在未知点w处的预测估计值为：

式中，r(w)表示点w与n个样本点(w₁,w₂,…,w_n)之间的相关向量，r(w)＝[R(w,w₁),R(w,w₂),…,R(w,w_n)]；y是n个样本点对应的固相扩散系数，为n×1的向量；β为线性回归部分的待定参数，可以通过最优线性无偏估计求出：

β＝(f^TR^-1f)^Tf^TR^-1y

式中，R为n个样本点相关系数组成的n×n相关矩阵：

而待定参数θ_k可以通过无约束优化求得：

在步骤S3中，包括：

步骤S31：对于特定型号的锂离子电池，先设定实验的环境温度，将电池放电至截止电压，静置一小时后再用一定的电流倍率对电池进行CCCV充电，同时记录充电过程中的电流、电压数据；

步骤S32：将实验记录的充电过程数据带入步骤S23的ANN中，并采用相同的训练算法对ANN进行训练直到满足预定的精度；

步骤S33：将步骤S32中训练得到的ANN权重代入Kriging模型中，该权重作为模型中的未知点，通过插值预测实验中该型号锂离子电池的正负极固相扩散系数；

在步骤S24中所述的Kriging模型，通过无约束优化求出待定参数θ_k后，Kriging模型即可进行插值预测正负极的固相扩散系数。

在步骤S4中，包括：

步骤S41：将预测得到的锂离子电池正负极固相扩散系数作为该型号锂离子电池内部正负极的固相扩散系数，并将预测值代入电化学模型的固相扩散方程中，计算得到充电过程中正负极固相锂离子浓度随时间的变化；

预测得到的正负极固相扩散系数可代入步骤S11中建立的电化学模型里，将模型的温度和充电电流设置为和实验过程中相同的值，利用AutoLion软件求解固相扩散方程，得到固相锂离子浓度随时间的变化。

步骤S42：建立基于固相锂离子浓度的析锂判据，即当锂离子从正极脱出的速率大于嵌入负极的速率时，电池发生析锂，利用步骤S41中计算得到的正负固相锂离子极浓度信息计算脱出速率以及嵌入速率可判断充电过程中是否发生析锂现象；

基于固相锂离子浓度的析锂判据为：充电过程中，当锂离子从正极脱出的速率大于锂离子嵌入负极的速率时，电池发生析锂现象。在本发明中，定义锂离子脱出和嵌入的速率分别为：

式中，E_p和I_N分别为锂离子从正极脱出的速率和嵌入负极的速率；和分别为锂离子在正极和负极区域平均固相浓度，用数学表达式可以表示为：

其中，R^-和R⁺分别表示P2D模型中负极和正极活性物质颗粒的半径，L_N和L_P分别表示P2D模型中负极和正极的厚度；

因此，析锂现象发生的条件可用数学表达式表示为：E_p＞I_N。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (6)

1.一种数据驱动的电动车辆锂离子电池析锂诊断方法，其特征在于，该方法具体包括以下步骤：

S1：确定电动车辆锂离子电池的类型及型号，获取该型号电池相应的技术参数，在此基础上建立与之对应的锂离子电池的电化学模型；

S2：离线阶段，在电化学模型中设计一系列正负极固相扩散系数值并进行充放电仿真，构建人工神经网络(Artificial Neural Network，ANN)来模拟不同工况下锂离子电池输入输出的响应关系，并且利用Kriging模型建立ANN权重和固相扩散系数之间的映射关系；

S3：在线阶段，通过实验测得该型号锂离子电池充电过程的数据，采用相同结构的ANN模拟充电过程，并利用建立的映射关系预测该型号锂离子电池实际的正负极固相扩散系数；

S4：将预测得到的正负极固相扩散系数代入电化学模型中的固相扩散方程，计算得到充电过程中正负极的固相锂离子浓度，同时建立基于浓度的析锂的判据，利用计算得到的正负极浓度信息判断充电过程中是否发生析锂现象。

2.根据权利要求1所述的一种数据驱动的电动车辆锂离子电池析锂诊断方法，其特征在于，所述步骤S1具体包括以下步骤：

S11：确定电动车辆锂离子电池的类型及型号，获取该型号电池的相应技术参数；

S12：在AutoLion软件中建立该型号锂离子电池的电化学模型；

所述电化学模型为准二维电化学模型(Pseudo-two-dimensions，P2D)；与电池型号对应的电化学模型特征包括：电极与电解液材料、电池的几何结构以及电化学模型的参数；所述电化学模型的参数需要通过电池类型及型号、电池生产厂商提供的技术参数确定。

3.根据权利要求1所述的一种数据驱动的电动车辆锂离子电池析锂诊断方法，其特征在于，所述步骤S2具体包括以下步骤：

S21：在锂离子电池的电化学模型中设计一系列的正极和负极的固相扩散系数值，并将正负极固相扩散系数进行组合；

S22：将步骤S21中的正负极固相扩散系数组合依次代入电化学模型中，并在不同温度、不同电流的工况下进行充放电过程仿真，同时记录仿真过程的电流、电压数据；

S23：构建一个三层的ANN，其中包括输入层、隐藏层、输出层，对于每一个正负极固相扩散系数组合，利用该组合对应的充放电数据对ANN进行训练直到达到预定的精度；

S24：建立ANN权重与电化学模型中的正负极固相扩散系数的映射关系，通过构建Kriging模型并用步骤S23中训练好的ANN权重以及与之对应的正负极固相扩散系数作为插值模型中的参考点。

4.根据权利要求3所述的一种数据驱动的电动车辆锂离子电池析锂诊断方法，其特征在于，步骤S22中，ANN训练算法包括梯度下降法(Gradient Descend)、牛顿算法(Newton’smethod)、共轭梯度法(Conjugate gradient)、柯西-牛顿法(Quasi-Newton method)和列文伯格-马夸尔特算法(Levenberg-Marquardt)，训练算法需要根据数据的量以及数据特征确定。

5.根据权利要求4所述的一种数据驱动的电动车辆锂离子电池析锂诊断方法，其特征在于，所述步骤S3具体包括以下步骤：

S31：对于特定型号的锂离子电池，先设定实验的环境温度，将电池放电至截止电压，再静置一小时后对电池进行恒流-恒压充电(Constant Current-Constant Voltage，CCCV)，同时记录充电过程中的电流、电压数据；

S32：将实验记录的充电过程数据带入步骤S23的ANN中，并采用相同的训练算法对ANN进行训练直到满足预定的精度；

S33：将步骤S32中训练得到的ANN权重代入步骤S24中建立的Kriging模型中，该权重作为模型中的未知点，通过插值预测实验中该型号锂离子电池的正负极固相扩散系数。

6.根据权利要求5所述的一种数据驱动的电动车辆锂离子电池析锂诊断方法，其特征在于，所述步骤S4具体包括以下步骤：

S41：将预测得到的锂离子电池正负极固相扩散系数作为该型号锂离子电池内部正负极的固相扩散系数，并将预测值代入电化学模型的固相扩散方程中，计算得到充电过程中正负极固相锂离子浓度随时间的变化；

S42：建立基于固相锂离子浓度的析锂判据，即当锂离子从正极脱出的速率大于嵌入负极的速率时，电池发生析锂，利用步骤S41中计算得到的正负固相锂离子极浓度信息计算脱出速率以及嵌入速率并判断充电过程中是否发生析锂现象。