使用嵌入式物理信息神经网络的方形锂离子电池在线内部温度估计方法

《Batteries》：Online Internal Temperature Estimation Method for Prismatic Li-Ion Battery Using Embedded Physics-Informed Neural Networks

　　

随着新能源汽车和储能系统的普及，锂离子电池过热引发的安全事故日益受到关注。基于特征气体（如H₂和CO）的早期检测比温度、电压或阻抗等传统监测方法能提供更早的预警。然而，在复杂的混合气体环境中实现高精度识别仍具挑战，因为金属氧化物半导体（MOS）气体传感器存在显著的交叉敏感性。本研究提出一种ISA-LSTM-TCN多任务学习模型，利用增强型空间注意力机制快速识别锂离子电池热失控过程中的特征气体并预测其浓度。该模型通过结合长短期记忆网络（LSTM）的长期时序建模能力与时序卷积网络（TCN）的多尺度特征提取能力，改进了关键特征提取和抗噪声性能，并引入了带有残差乘法结构的改进空间注意力（ISA）模块。此外，在多任务学习框架下，研究人员采用硬参数共享方法联合优化气体分类和浓度回归任务。在自建MOS传感器阵列数据集上的测试表明，模型的气体分类准确率达99.23%，预测H₂和CO浓度的R²值分别为0.9510和0.8400。在公开数据集及不同噪声环境中的测试进一步证明了模型优越的泛化能力和鲁棒性。结果表明，所提方法能够快速、准确地检测热失控气体，为电池安全预警系统提供了一种高效智能的监测手段。

**论文解读：基于ISA-LSTM-TCN多任务学习的锂离子电池热失控特征气体检测方法**

**研究背景与问题**

随着新能源汽车和储能系统的大规模应用，锂离子电池热失控引发的安全事故成为行业关键挑战。传统监测方法（温度、电压、阻抗）预警时间有限，而特征气体（如H₂、CO）在热失控早期即释放，能提供更宝贵的预警时间。金属氧化物半导体（MOS）气体传感器因高灵敏度、快速响应、低成本等优势适合长期在线监测，但其固有的交叉敏感性问题导致在复杂混合气体中难以准确识别。热失控过程中多种气体同时产生（H₂、CO、碳氢化合物等），信号在传感器上强烈重叠，造成分类和浓度量化模糊。现有基于随机森林（RF）、支持向量机（SVM）等传统机器学习方法难以捕捉多传感器序列中的瞬态演化关系，而深度学习模型如LSTM、TCN虽可提取时序特征，但独立优化分类和回归任务可能导致特征利用不充分。为此，研究人员提出一种集成改进自注意力（ISA）机制、LSTM和TCN的多任务学习框架（ISA-LSTM-TCN），旨在同时实现气体分类和浓度回归，提升早期预警的准确性和实时性。该论文发表在《Batteries》。

**主要关键技术方法**

研究人员采用以下主要技术方法构建模型：（1）ISA模块：基于余弦相似度计算注意力权重，并结合残差乘法结构增强特征传播，抑制噪声干扰；（2）LSTM与TCN并行分支：LSTM捕捉长期时序趋势，TCN利用扩张因果卷积捕获局部瞬态畸变，并通过门控融合机制自适应整合特征；（3）硬参数共享多任务学习：分类任务（气体种类识别）与回归任务（H₂和CO浓度预测）共享特征提取层，联合优化加权损失函数；（4）数据增强：基于样本加权方法扩充训练集（原始样本650个，增强后650个），避免过拟合；（5）传感器阵列：使用三款商用MOS传感器（HGS1000、HGS1001、HGS1002，购自安徽微纳传感有限公司）构建阵列，采集H₂、CO及其混合气体数据（浓度范围：H₂ 0–2000 ppm，CO 0–100 ppm）。此外，使用UCI Twin Gas Sensor Arrays公开数据集进行外部验证。

**研究结果**

**4.1. 自建数据集结果**
在自建传感器阵列数据集上，模型在分类任务中准确率达99.23%，H₂和CO浓度回归的R²分别为0.9510和0.8400，均方根误差（RMSE）分别为129.404 ppm和2.641 ppm。损失曲线显示训练和测试损失快速收敛且无过拟合，散点图显示预测值接近真实值。五折交叉验证的标准差极低（分类准确率0.00688，H₂ R² 0.03183，CO R² 0.00612），表明模型稳定性好。

**4.2. 不同注意力机制消融实验**
以LSTM-TCN为骨干，对比标准自注意力（SA）、残差自注意力（RSA）和ISA。ISA-LSTM-TCN的平均R²达0.8955，分类准确率从骨干的77.69%提升至99.23%，H₂ R²提升约9.7%。ISA模块通过残差乘法结构和批量归一化（BN）实现更好的特征增强和噪声抑制。进一步组件消融表明，ISA-TCN显著优于TCN，ISA-LSTM-TCN全模型结合ISA、LSTM和TCN达到最优，验证了三者协同的必要性。

**4.3. 公开数据集验证**
在UCI Twin Gas Sensor Arrays数据集上，模型对CO、乙醇、乙烯、甲烷四种气体浓度回归的R²均超过0.97（CO 0.9804，甲烷0.9818），RMSE最低至5.440 ppm（乙醇），证明跨传感器类型和浓度分布的泛化能力优异。

**4.4. 噪声鲁棒性和时间窗口研究**
在不同信噪比（SNR）下，ISA-LSTM-TCN的性能退化最小，RNSE和R²均优于基线模型，归因于ISA模块基于余弦相似度的特征重校准。时间窗口实验表明，即使窗口缩短至10秒，分类准确率仍达96.15%，H₂和CO的R²分别为0.9226和0.8288，表明模型能快速捕获热失控初期气体特征，实现快速预警。

**4.5. 误差分析与潜在失效案例讨论**
混淆矩阵显示约2%的CO样本被误判为H₂，主要源于低浓度下传感器交叉敏感性和瞬态特征部分重叠。H₂回归误差较大（RMSE 129.404 ppm）集中在高浓度区域，与传感器非线性、样本分布不均有关。损失系数敏感性分析表明，分类与回归任务的平衡影响性能，过重分类任务降低CO回归R²，过重回归任务则微降分类准确度。数据规模有限及环境噪声、传感器漂移等也引入不确定性，但多随机种子重复实验表明模型收敛稳定。

**结论总结与讨论**

研究人员提出一种基于ISA-LSTM-TCN的多任务学习预测模型，用于锂离子电池热失控特征气体监测。自建数据集验证得到以下主要结论：（1）模型架构优越性：集成ISA、LSTM和TCN，通过硬参数共享并行处理气体分类和浓度回归，有效提取多尺度特征，提升泛化能力；（2）高精度监测性能：分类准确率99.23%，H₂和CO回归R²分别达0.9510和0.8400；（3）消融实验验证：ISA模块增强关键特征聚焦，LSTM和TCN协同处理长短期时序依赖，三组件结合实现监测准确性与实时性的最佳平衡。该研究为锂离子电池热失控气体监测提供了高效可靠的深度学习方案，未来工作将探索轻量化优化及实际电池管理场景下的部署可行性。