CN116519872A - 一种面向锂离子电池热失控监测的多气体传感器联用监测方法 - Google Patents
一种面向锂离子电池热失控监测的多气体传感器联用监测方法 Download PDFInfo
- Publication number
- CN116519872A CN116519872A CN202211711726.7A CN202211711726A CN116519872A CN 116519872 A CN116519872 A CN 116519872A CN 202211711726 A CN202211711726 A CN 202211711726A CN 116519872 A CN116519872 A CN 116519872A
- Authority
- CN
- China
- Prior art keywords
- gas
- monitoring
- sensors
- thermal runaway
- lithium battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 32
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 27
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 27
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 55
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 230000004044 response Effects 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 239000004065 semiconductor Substances 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 2
- 238000002329 infrared spectrum Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 6
- 239000007789 gas Substances 0.000 description 120
- 229910052739 hydrogen Inorganic materials 0.000 description 16
- 239000001257 hydrogen Substances 0.000 description 16
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 12
- 150000002431 hydrogen Chemical class 0.000 description 9
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 7
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 6
- 229910002091 carbon monoxide Inorganic materials 0.000 description 6
- 230000037029 cross reaction Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 3
- 239000005977 Ethylene Substances 0.000 description 3
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000001745 non-dispersive infrared spectroscopy Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- -1 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 229910003002 lithium salt Inorganic materials 0.000 description 1
- 159000000002 lithium salts Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000006259 organic additive Substances 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/488—Cells or batteries combined with indicating means for external visualization of the condition, e.g. by change of colour or of light density
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Food Science & Technology (AREA)
- Molecular Biology (AREA)
- Medicinal Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Manufacturing & Machinery (AREA)
- General Chemical & Material Sciences (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种面向锂离子电池热失控监测的多气体传感器联用监测方法，根据所需测量的气体种类和浓度范围，选择多个相同以及多个不同型号的气体传感器进行联用；通过多个相同型号的气体传感器的共同工作获得其对应气体的浓度信息并判定单个传感器失效的方法；通过多个不同型号的气体传感器采集信号的差异性判断监测气体的种类，改善传感器的选择性特征；通过对锂电池多种气体成分的监测，结合人工神经网络算法优化，通过机器学习以及云端数据库的建立和反馈，判断锂电池的各种场景下的运行工况尤其是热失控时的前期征兆，为锂离子电池的安全处置提供必要的依据，有利于新能源汽车的安全运行。
Description
技术领域
本发明涉及一种锂电池安全监测，尤其涉及一种面向锂离子电池热失控监测的多气体传感器联用监测。
背景技术
为了实现节能减排，减少对煤炭、石油等传统化石能源的依赖，各国都在大力发展新能源技术，而以锂电池为动力的新能源汽车的大量普及，将是实现这一目标的有效途径之一。这将涉及到更高能量密度/理论容量的正负极材料开发，电解液优化，能效控制和补能方案优化等等，尤其是锂电池的安全问题，已经成为人们关注的重点。
目前，使用的锂电池大都是基于磷酸铁锂或者三元锂电工艺，使用锂盐、有机溶剂和添加剂组成的液体成分作为电解液。
在针刺、过充、电池内短路、环境温度过高等场景下，会导致锂电池的热失控，放出乙烯、氢气、甲烷、一氧化碳、二氧化碳、乙烷等气体成分。对这些各种气体组分的实时在线监测，将有利于了解锂电池的运行工况，尤其是有助于锂电池热失控前期的征兆判定，从而为锂电池的安全处置提供依据。
如何获得精准的锂电池气体浓度信息，是实现锂电池安全监测的关键所在。各种不同类型的气体传感器可以对不同场景下的气体成分和浓度进行监测，广泛的应用于安防、环保、石油化工、医疗健康等领域。
现有技术中，市场上的气体监测设备大都采用单一的气体传感器元件，测量单一的气体成分，而且易受到外界气温、湿度、气流等因素的干扰，往往具有较大的误差，限制了其在锂电池的安全监测领域的应用。此外，多气体组分下的交叉反应带来的系统误差，也影响了测量的准确度。为了提高测量的准确度，不仅需要使用到不同类型的气体传感器元件，将这些气体传感器进行联用，还需要进一步对气体传感器采集到的信号进行对比分析，通过人工神经网络的智能算法处理和机器学习，建立锂电池不同运行工况下尤其是热失控前期征兆的云端数据库，提高系统监测的准确度，再通过云端反馈至锂电池安全监测系统，为其热失控的安全处置提供判断依据。
有鉴于此，特提出本发明。
发明内容
本发明的目的是提供了一种面向锂离子电池热失控监测的多气体传感器联用监测方法，以解决现有技术中存在的上述技术问题。
本发明的目的是通过以下技术方案实现的：
本发明的面向锂离子电池热失控监测的多气体传感器联用监测方法，包括步骤：
A、根据所需测量的气体种类和浓度范围，选择多个相同以及多个不同型号的气体传感器进行联用；
B、通过多个相同型号的气体传感器的共同工作获得其对应气体的浓度信息并判定单个传感器失效的方法；
C、通过多个不同型号的气体传感器采集信号的差异性判断监测气体的种类，改善传感器的选择性特征；
D、温度、湿度以及各个传感器的采集信号尤其是其信号的变化特征，作为人工神经网络的智能算法的分类标准；
E、进一步开展机器学习，对各项数据进行分类并建立云端数据库，通过对多组分气体氛围下的所有气体传感器的信号以及环境参数采集，判断锂电池不同场景下的工况状态尤其是热失控的前期征兆；
F、实时在线监测锂电池的运行状态，并与云端数据库进行对比分析，通过云端系统的反馈，为锂电池热失控的安全处置提供判断依据。
与现有技术相比，本发明所提供的面向锂离子电池热失控监测的多气体传感器联用监测方法，通过对锂电池多种气体成分的监测，结合人工神经网络算法优化，通过机器学习以及云端数据库的建立和反馈，判断锂电池的各种场景下的运行工况尤其是热失控时的前期征兆，为锂离子电池的安全处置提供必要的依据，有利于新能源汽车的安全运行。
附图说明
图1为本发明实施例提供的面向锂离子电池热失控监测的多气体传感器联用监测方法流程示意图；
图2为本发明实施例60％湿度20℃温度时4个相同型号的氢气传感器对10ppm氢气的响应值；
图3为本发明实施例60％湿度20℃温度时氢气传感器对氢气不同浓度梯度下响应值变化情况；
图4为本发明实施例相同条件下S1-S4气体传感器分别对200ppm氢气、一氧化碳、乙炔和甲烷4种气体的响应值差异性；
图5为本发明实施例人工神经网络算法模型示意图。
图中：
S1，S2，S3和S4表示不同型号的气体传感器联用，后面的数值表示各自使用的数目，比如S1-1，S1-2，S1-3和S1-4表示使用4个相同型号的气体传感器。附图中传感器的数目只是实施例中的一种情况，可以根据监测气体的种类需求，进行增加或者删减。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，这并不构成对本发明的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
首先对本文中可能使用的术语进行如下说明：
术语“和/或”是表示两者任一或两者同时均可实现，例如，X和/或Y表示既包括“X”或“Y”的情况也包括“X和Y”的三种情况。
术语“包括”、“包含”、“含有”、“具有”或其它类似语义的描述，应被解释为非排它性的包括。例如：包括某技术特征要素(如原料、组分、成分、载体、剂型、材料、尺寸、零件、部件、机构、装置、步骤、工序、方法、反应条件、加工条件、参数、算法、信号、数据、产品或制品等)，应被解释为不仅包括明确列出的某技术特征要素，还可以包括未明确列出的本领域公知的其它技术特征要素。
术语“由……组成”表示排除任何未明确列出的技术特征要素。若将该术语用于权利要求中，则该术语将使权利要求成为封闭式，使其不包含除明确列出的技术特征要素以外的技术特征要素，但与其相关的常规杂质除外。如果该术语只是出现在权利要求的某子句中，那么其仅限定在该子句中明确列出的要素，其他子句中所记载的要素并不被排除在整体权利要求之外。
除另有明确的规定或限定外，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如：可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本文中的具体含义。
术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述和简化描述，而不是明示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本文的限制。
本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。本发明实施例中未注明具体条件者，按照本领域常规条件或制造商建议的条件进行。本发明实施例中所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。
本发明的面向锂离子电池热失控监测的多气体传感器联用监测方法，面向锂离子电池热失控监测的多气体传感器联用监测方法，包括步骤：
A、根据所需测量的气体种类和浓度范围，选择多个相同以及多个不同型号的气体传感器进行联用；
B、通过多个相同型号的气体传感器的共同工作获得其对应气体的浓度信息并判定单个传感器失效的方法；
C、通过多个不同型号的气体传感器采集信号的差异性判断监测气体的种类，改善传感器的选择性特征；
D、温度、湿度以及各个传感器的采集信号尤其是其信号的变化特征，作为人工神经网络的智能算法的分类标准；
E、进一步开展机器学习，对各项数据进行分类并建立云端数据库，通过对多组分气体氛围下的所有气体传感器的信号以及环境参数采集，判断锂电池不同场景下的工况状态尤其是热失控的前期征兆；
F、实时在线监测锂电池的运行状态，并与云端数据库进行对比分析，通过云端系统的反馈，为锂电池热失控的安全处置提供判断依据。
所述步骤A中，气体传感器包括以下任一种或多种：半导体式气体传感器、电化学式气体传感器、非分光红外光谱吸收式气体传感器、光离子气体传感器。
所述步骤B中，由于传感器本身的一致性，多个相同型号的传感器获得的气体信号基本相当时，则通过计算平均值的方法，提高信号采集的准确度；
多个相同型号的传感器中的一个信号消失或者信号异常时，则通过对比分析，判断该传感器是否失效。
所述步骤C中，针对锂电池放出气体的种类，选择不同型号的气体传感器，根据每种气体产生的信息差异性及其阵列/图形分布特性，判断气体的种类，改善传感器的选择性特征；
对不同组分、比例等场景下多气体成分监测需求，通过分析对比多个不同型号的气体传感器采集信号的差异性和云端数据库建立，提高监测精度，避免交叉反应带来的系统误差。
所述步骤D中，基于温度、湿度等气体传感器常见的干扰因素和不同机理下的气体传感器采集信号响应曲线尤其是信号的变化特征，作为人工神经网络的融合算法的分类标准，收集锂电池不同工况下的相关信号，为云端数据库建立提供素材。
所述步骤F中，对比分析气体传感器端口采集信号和云端数据库，实时在线监测锂电池的运行状态，尤其对异常状态的对比和分析后，通过云端反馈至锂电池安全监测系统，为其热失控的安全处置提供判断依据。
综上可见，本发明实施例的面向锂离子电池热失控监测的多气体传感器联用监测方法，通过对锂电池多种气体成分的监测，结合人工神经网络算法优化，通过机器学习以及云端数据库的建立和反馈，判断锂电池的各种场景下的运行工况尤其是热失控时的前期征兆，为锂离子电池的安全处置提供必要的依据，有利于新能源汽车的安全运行。
为了更加清晰地展现出本发明所提供的技术方案及所产生的技术效果，下面以具体实施例对本发明实施例所提供的进行详细描述。
具体内容如下：
一种面向锂离子电池热失控监测的多气体传感器联用监测方法，主要包括：根据所需测量的气体种类和浓度范围，选择多个相同以及多个不同型号的气体传感器进行联用；通过多个相同型号的气体传感器的共同工作获得其对应气体的浓度信息并判定单个传感器失效的方法；通过多个不同型号的气体传感器采集信号的差异性判断监测气体的种类，改善传感器的选择性特征；温度、湿度以及各个传感器的采集信号尤其是其信号的变化特征，作为人工神经网络的智能算法的分类标准；进一步开展机器学习，对各项数据进行分类并建立云端数据库，通过对多组分气体氛围下的所有气体传感器的采集数据以及环境参数，判断锂电池不同场景下的工况状态尤其是热失控的前期征兆；实时在线监测锂电池的运行状态，并与云端数据库进行对比分析，通过云端系统的反馈，为锂电池热失控的安全处置提供判断依据。
根据所需测量的气体种类和浓度范围，选择多个相同型号以及多个不同型号的半导体式、电化学式、NDIR以及PID光离子气体传感器，发挥不同型号气体传感器的各自优势，通过气体传感器进行联用，提高信号采集准确度。
所述多个相同型号的气体传感器可以通过计算平均值的方法，提高信号采集的准确度；当其中的某个传感器中信号消失或者信号异常时，可通过对比分析，判断该传感器是否失效。
所述多个不同型号的气体传感器，可以利用其对每种气体产生的信息差异性及其阵列/图形分布特性，可判断气体的种类，改善传感器的选择性特征；进一步对于多气体组分监测，通过分析对比多个不同型号的气体传感器采集信号的差异性和云端数据库建立，提高监测精度，避免交叉反应带来的系统误差。
所述基于温度、湿度等环境参数和不同机理下的气体传感器采集信号响应曲线尤其是信号的变化特征，作为人工神经网络的智能算法的分类标准，收集锂电池不同工况下的相关信号，为云端数据库建立提供素材。
所述基于开展机器学习和云端数据库建立，将收集锂电池多组分气体氛围下的环境参数和所有气体传感器的监测信号，判断锂电池不同场景下的工况状态尤其是热失控的前期征兆，再通过云端反馈至锂电池安全监测系统，为其热失控的安全处置提供判断依据。
与现有技术相比，本发明专利的有益效果是：
1、选择多个相同以及多个不同型号的气体传感器进行联用，满足锂电池多种不同气体组分的检测需求。其中，多个相同型号的气体传感器的共同工作将提高气体监测的准确度和精确度，对比信号消失或者信号异常情况，可以判定单个传感器是否失效；对比分析多个不同型号的气体传感器采集信号的差异性判断监测气体的种类，改善传感器的选择性特征，有利于减少甚至避免交叉反应带来的系统误差。
2、基于温度、湿度等环境参数和各个传感器的采集信号尤其是其信号的变化特征作为人工神经网络的融合算法的分类标准，并开展机器学习，对各项数据进行分类并建立云端数据库，通过大数据处理和分析，实时在线了解锂电池不同场景下的运行状态尤其是热失控的前期征兆，进一步对各种异常情况进行对比分析，通过云端反馈给锂电池安全监测系统，为锂电池热失控的安全处置提供判断依据。
实施例1
请参阅图1至图5，本发明专利提供一种技术方案：
参照图1具体实施方式流程示意图，本发明专利为一种面向锂离子电池热失控监测的多气体传感器联用监测方法，主要通过多个气体传感器联用技术采集锂电池不同状态下的多种气体成分信息，基于温度、湿度等环境参数和不同机理下的气体传感器采集信号响应曲线尤其是信号的变化特征，作为人工神经网络的融合算法的分类标准，结合人工神经网络的融合算法和机器学习，建立云端数据库收集和信息反馈机制，将实时了解锂电池在各种场景下的工况特征，为锂离子电池的安全处置提供必要的依据。
出于传感器的信号收集以及便于集成等因素，气体传感器主要以(但不限定于)半导体式、电化学式、NDIR以及PID光离子等类型的气体传感器为主。同时基于锂电池不同工况下尤其是热失控时放出的气体主要以乙烯、氢气、甲烷、一氧化碳、二氧化碳、乙烷等气体成分为主，主要选择4种不同型号的气体传感器，其中S1为氢气传感器，S2为一氧化碳传感器，S3为乙烯传感器，S4为甲烷传感器。本实施例中选择4种不同型号的气体传感器，每种4个，具体实施时可根据监测气体种类和场景需求，添加或者减少使用的气体传感器的类型和数目。
参照图2，以S1中的4个氢气传感器为例，在60％湿度20℃温度时的环境条件下，4个传感器对10ppm氢气的响应值分别为1.90，1.89，1.89和1.92，因此取响应值的平均值1.90，作为该实验参数下10ppm氢气浓度对应的变化特征值。通过平均值的计算，可提高信号采集的准确性。此外，当其中的某个气体传感器的响应值消失或者异常时，通过对比其余3个气体传感器的响应值情况，可以判断该气体传感器是否失效。
参照图3，在60％湿度20℃温度时的环境条件下进一步测试了某个S1传感器对氢气不同浓度下的响应值情况，随着氢气浓度的逐渐升高，响应值也逐渐变大，建立响应值与浓度的线性关系，通过响应值的大小判断监测环境中是否存在氢气及其浓度高低。对于其余型号的气体传感器，也分别建立对应气体的浓度梯度曲线和线性关系，尽可能选择响应值高、线性关系良好的气体传感器元件。通过这些传感器采集锂电池不同运行工况下的气体浓度信息。
参照图4的实施例中，针对锂电池只放出一种气体成分时，本发明专利选择4种不同型号的气体传感器，在相同条件下测量其对200ppm的氢气、一氧化碳、乙炔和甲烷4种气体在单一组分时的响应值(取其平均值)变化情况，按照响应值的大小从4到1进行排列，则其信号可分别对应为(4，3，2，1)、(3，4，2，1)、(3，2，4，1)和(3，1，2，4)，即通过响应信号的差异性或者图片差异性进行“编码”处理，从而快速判断所测气体的种类和浓度信息，改善单一气体传感器选择性不足以及交叉反应带来的信号干扰，提高监测准确度。
对于锂电池多种气体组分的测量，先对相同型号的气体传感器的浓度输出值进行平均处理，在无信号消失或者异常情况下，进一步参照图5的人工神经网络算法模型进行机器学习。此实施例中选择4种BP神经网络模型，使用输入层、隐含层和输入层3层网络层数，通过算法优化实现精度提高。其中输入向量维数为4，隐含层使用Sigmoid传递函数，输出层使用线性传递函数，每个模型的输出层均只有一个输出量。同时在不同的温度、湿度等环境参数下，模拟锂电池的实际工况，改变氢气、一氧化碳、乙炔和甲烷4种气体的浓度和比例，进行数据样本的采集，输入量为4种不同型号的气体传感器的显示浓度值，输出量为其对应的真实值，建立对应的云端数据库。其中选择其中85％的数据组进行BP神经网络的训练，将剩余的数据组作为结果，进行训练好的神经网络性能分析。
通过不断的机器自主学习和云端数据库收集，对比分析锂电池在各种场景工况下尤其是热失控前期征兆的信号特征。每种气体设置一定的阈值，当检测到气体的浓度超过阈值后，通过云端数据库反馈到锂电池的安全监测系统，结合温度、电压、电流、火焰和烟雾等报警系统，为锂电池的安全处置提供判断依据。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。本文背景技术部分公开的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
Claims (6)
1.一种面向锂离子电池热失控监测的多气体传感器联用监测方法，其特征在于，包括步骤：
A、根据所需测量的气体种类和浓度范围，选择多个相同以及多个不同型号的气体传感器进行联用；
B、通过多个相同型号的气体传感器的共同工作获得其对应气体的浓度信息并判定单个传感器失效的方法；
C、通过多个不同型号的气体传感器采集信号的差异性判断监测气体的种类，改善传感器的选择性特征；
D、温度、湿度以及各个传感器的采集信号尤其是其信号的变化特征，作为人工神经网络的智能算法的分类标准；
E、进一步开展机器学习，对各项数据进行分类并建立云端数据库，通过对多组分气体氛围下的所有气体传感器的信号以及环境参数采集，判断锂电池不同场景下的工况状态尤其是热失控的前期征兆；
F、实时在线监测锂电池的运行状态，并与云端数据库进行对比分析，通过云端系统的反馈，为锂电池热失控的安全处置提供判断依据。
2.根据权利要求1所述的面向锂离子电池热失控监测的多气体传感器联用监测方法，其特征在于：
所述步骤A中，气体传感器包括以下任一种或多种：半导体式气体传感器、电化学式气体传感器、非分光红外光谱吸收式气体传感器、光离子气体传感器。
3.根据权利要求2所述的面向锂离子电池热失控监测的多气体传感器联用监测方法，其特征在于：
所述步骤B中，由于传感器本身的一致性，多个相同型号的传感器获得的气体信号基本相当时，则通过计算平均值的方法，提高信号采集的准确度；
多个相同型号的传感器中的一个信号消失或者信号异常时，则通过对比分析，判断该传感器是否失效。
4.根据权利要求3所述的面向锂离子电池热失控监测的多气体传感器联用监测方法，其特征在于：
所述步骤C中，针对锂电池放出气体的种类，选择不同型号的气体传感器，根据每种气体产生的信息差异性及其阵列/图形分布特性，判断气体的种类，改善传感器的选择性特征；
对不同组分、比例等场景下多气体成分监测需求，通过分析对比多个不同型号的气体传感器采集信号的差异性和云端数据库建立，提高监测精度，避免交叉反应带来的系统误差。
5.根据权利要求4所述的面向锂离子电池热失控监测的多气体传感器联用监测方法，其特征在于：
所述步骤D中，基于温度、湿度等气体传感器常见的干扰因素和不同机理下的气体传感器采集信号响应曲线尤其是信号的变化特征，作为人工神经网络的融合算法的分类标准，收集锂电池不同工况下的相关信号，为云端数据库建立提供素材。
6.根据权利要求5所述的面向锂离子电池热失控监测的多气体传感器联用监测方法，其特征在于：
所述步骤F中，对比分析气体传感器端口采集信号和云端数据库，实时在线监测锂电池的运行状态，尤其对异常状态的对比和分析后，通过云端反馈至锂电池安全监测系统，为其热失控的安全处置提供判断依据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211711726.7A CN116519872A (zh) | 2022-12-29 | 2022-12-29 | 一种面向锂离子电池热失控监测的多气体传感器联用监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211711726.7A CN116519872A (zh) | 2022-12-29 | 2022-12-29 | 一种面向锂离子电池热失控监测的多气体传感器联用监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116519872A true CN116519872A (zh) | 2023-08-01 |
Family
ID=87389183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211711726.7A Pending CN116519872A (zh) | 2022-12-29 | 2022-12-29 | 一种面向锂离子电池热失控监测的多气体传感器联用监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116519872A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116718648A (zh) * | 2023-08-11 | 2023-09-08 | 合肥中科国探智能科技有限公司 | 一种电池热失控气体的检测与识别方法及其报警装置 |
| CN117741065A (zh) * | 2023-12-20 | 2024-03-22 | 江苏讯汇科技股份有限公司 | 基于LoRa通讯的磷酸铁锂动力电池微量气体检测方法 |
-
2022
- 2022-12-29 CN CN202211711726.7A patent/CN116519872A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116718648A (zh) * | 2023-08-11 | 2023-09-08 | 合肥中科国探智能科技有限公司 | 一种电池热失控气体的检测与识别方法及其报警装置 |
| CN116718648B (zh) * | 2023-08-11 | 2023-11-10 | 合肥中科国探智能科技有限公司 | 一种电池热失控气体的检测与识别方法及其报警装置 |
| CN117741065A (zh) * | 2023-12-20 | 2024-03-22 | 江苏讯汇科技股份有限公司 | 基于LoRa通讯的磷酸铁锂动力电池微量气体检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116519872A (zh) | 一种面向锂离子电池热失控监测的多气体传感器联用监测方法 | |
| Gu et al. | Machine learning for renewable energy materials | |
| Iurilli et al. | On the use of electrochemical impedance spectroscopy to characterize and model the aging phenomena of lithium-ion batteries: a critical review | |
| Yu et al. | Challenges and outlook for lithium-ion battery fault diagnosis methods from the laboratory to real world applications | |
| She et al. | Battery state-of-health estimation based on incremental capacity analysis method: Synthesizing from cell-level test to real-world application | |
| Rose-Pehrsson et al. | Multi-criteria fire detection systems using a probabilistic neural network | |
| CN205674885U (zh) | 一种电动汽车的电池检测管理系统 | |
| CN109014544B (zh) | 微型电阻点焊质量在线监测方法 | |
| Xu et al. | A vehicle-cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries | |
| CN112816881B (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
| CN116381514B (zh) | 一种电芯压差预警方法、装置、存储介质及设备 | |
| CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
| Ma et al. | Online fault diagnosis for open-cathode PEMFC systems based on output voltage measurements and data-driven method | |
| CN109063412B (zh) | 用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统及方法 | |
| CN109856196B (zh) | 一种冰鲜肉新鲜度监测装置及方法 | |
| Yang et al. | Comprehensive analysis of gas production for commercial LiFePO4 batteries during overcharge-thermal runaway | |
| Peng et al. | Data-driven battery capacity estimation based on partial discharging capacity curve for lithium-ion batteries | |
| CN116718648B (zh) | 一种电池热失控气体的检测与识别方法及其报警装置 | |
| CN113295826A (zh) | 一种基于车联网的机动车尾气排放测试管理系统及智能诊断方法 | |
| Singh et al. | State of charge estimation techniques of Li-ion battery of electric vehicles | |
| CN113253125A (zh) | 一种基于信息融合的磷酸铁锂电池热失控监测方法及系统 | |
| Lin et al. | State of health estimation and remaining useful life prediction for lithium-ion batteries using FBELNN and RCMNN | |
| CN115799673A (zh) | 一种多维感知的储能电池管理系统 | |
| Zhu et al. | Lithium-ion battery degradation diagnosis and state-of-health estimation with half cell electrode potential | |
| CN113960250A (zh) | 一种盾构隧道的混合气体检测系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |