褶皱诱发锂离子电池局部析锂：机理分析与数据驱动的智能检测方法

本文揭示了锂离子电池负极褶皱这一易被忽视的失效诱因，通过扫描电镜（SEM）和X射线光电子能谱（XPS）分析，阐明了其通过电流集中、应力-电化学耦合及固态电解质界面（SEI）不稳定性诱发局部析锂的机理，并创新性地提出了一种基于多维特征提取与随机森林（Random Forest）分类器的非侵入式检测框架，实现了高精度（F1>97%）、可解释的早期析锂识别，为电池制造过程中的安全筛查提供了实用解决方案。

　　

亮点

• •
  (1) 阐明了褶皱诱发析锂的机理。通过扫描电镜（SEM）和X射线光电子能谱（XPS）的实验结果分析，本研究表明负极上的褶皱通过电流集中、应力-电化学耦合和固态电解质界面（SEI）不稳定性导致局部析锂。
• •
  (2) 开发了一种非侵入式、多维特征提取方法。综合分析了温度、容量和电化学特性，构建了灵敏且可解释的析锂诊断特征。
• •
  (3) 实现了早期析锂检测及可解释性验证。利用随机森林（Random Forest）构建了机器学习分类框架，并在多种策略下进行了验证，达到了高精度（F1 > 97%）。SHapley加法解释（SHAP）分析表明，最重要的特征（C1, C2）与已识别的机理高度吻合。

机理分析

通过上述拆解分析，观察到缺陷电池负极上的褶皱与析锂分布之间存在显著相关性。其潜在机制是多尺度耦合效应的结果，可以从析锂的形成过程、其空间分布特征和影响因素三个方面进行分析。

温度特性

在充电阶段分别采集了两块电池正负极耳的温度数据。分析表明，随着循环次数的增加，正常电池和缺陷电池在正极耳的温度升温和平均温度方面均表现出显著差异。由于布线和记录错误，无法获得可靠的负极耳数据，因此此处仅报告正极耳的结果。为完整起见，温度特性分析主要基于正极耳数据。

基于机器学习的分类框架

本文提出的基于机器学习的析锂分类框架如图9所示。主要步骤如下：

(1) 特征提取：从电池数据中提取与温度、容量和电化学行为（dQ/dV）相关的十个关键特征，反映其热特性、容量特性和内部电化学特性。(2) 模型构建与训练：这些特征与相应的标签结合形成数据集。将其拆分为训练集和测试集，使用随机森林算法构建分类模型，并通过交叉验证优化模型参数。

结论

本研究调查了一个先前被忽视的析锂诱因：由负极上形成的结构褶皱触发的早期沉积。机理分析结合扫描电镜（SEM）和X射线光电子能谱（XPS）的证据表明，这些结构不规则性通过多尺度耦合机制促成析锂：(1) 电化学定位，电流在沟槽位置集中并驱动负极电位趋向于Li/Li⁺沉积电位。(2) 应力-电化学耦合，褶皱尖端附近的局部应力集中加速了锂离子的传输和沉积。(3) 固态电解质界面（SEI）不稳定性，反复的体积变化破坏了界面层，暴露了新的活性位点。