在低溫充電條件下的鋰析出嚴(yán)重威脅鋰離子電池的壽命，但實(shí)際場(chǎng)景中有限的可用信號(hào)和不穩(wěn)定的運(yùn)行條件嚴(yán)重阻礙了鋰析出的車載檢測(cè)和量化。目前，常用的析鋰檢測(cè)方法存在檢測(cè)條件苛刻、設(shè)備復(fù)雜、時(shí)間長等問題。

為此，北京理工大學(xué)熊瑞教授、林程教授等人提出了一種基于深度學(xué)習(xí)的僅使用充電過程中的恒流曲線來預(yù)測(cè)不確定條件下鋰析出的發(fā)生和量化的檢測(cè)方法。具體而言，作者開發(fā)了一種深度神經(jīng)網(wǎng)絡(luò)（DNN），以從充電曲線中提取由鋰析出引起的數(shù)據(jù)驅(qū)動(dòng)特征。該網(wǎng)絡(luò)僅使用最常見的電壓和電流信號(hào)作為輸入，具有超強(qiáng)的適應(yīng)性和準(zhǔn)確性。結(jié)果顯示，該方法的檢測(cè)準(zhǔn)確率為98.64%，同時(shí)析鋰的數(shù)量可準(zhǔn)確預(yù)測(cè)且均方根誤差<4.1712 mg。

此外，在訓(xùn)練數(shù)據(jù)集未使用的情況下，該方法的可靠檢測(cè)精度驗(yàn)證了該方法的泛化能力，對(duì)電池全新充電條件和老化狀態(tài)的檢測(cè)準(zhǔn)確率分別為92.39%和95.53%。同時(shí)，該方法還將目前需要數(shù)小時(shí)（廣泛使用的微分曲線分析）的檢測(cè)時(shí)間縮短到毫秒，并消除了對(duì)嚴(yán)格測(cè)試環(huán)境的需求，顯示出深度學(xué)習(xí)在未來電池管理系統(tǒng)中的巨大應(yīng)用潛力。

圖1. DNN架構(gòu)，每個(gè)塊中的數(shù)字表示該層的所選參數(shù)

這項(xiàng)研究是深度學(xué)習(xí)在鋰析出量化中的首次應(yīng)用，同時(shí)還可以進(jìn)一步改進(jìn)：首先，僅使用充電曲線段作為輸入來檢測(cè)鋰析出是值得嘗試的。其次，可以研究該方法指導(dǎo)充電策略的潛力，通過實(shí)時(shí)檢測(cè)實(shí)現(xiàn)在充電過程中避免產(chǎn)生析鋰。最后需要說明的是，作為一種目前被廣泛接受和使用的檢測(cè)方法，差分電壓分析（DVA）是一種間接定量的鋰析出分析方法，其結(jié)果很難通過物理方法直接驗(yàn)證。

因此，所提出的DNN的一個(gè)有價(jià)值的貢獻(xiàn)是它不需要幾個(gè)小時(shí)的檢測(cè)時(shí)間和嚴(yán)格的測(cè)試條件，而是提供了與 DVA 相同的檢測(cè)效果且具有快速和高精度，使其在實(shí)際應(yīng)用中很有前景。此外，DVA的作用是為DNN的訓(xùn)練提供標(biāo)簽數(shù)據(jù)集。也就是說，任何可以原位檢測(cè)析鋰量的方法都可與所提出的DNN相結(jié)合。

圖2. 充電條件對(duì)預(yù)測(cè)精度的影響

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