《Journal of Marine Science and Engineering》：Early Warning Method for Thermal Runaway High-Risk Cells Based on Nonlinear Mapping and Multidimensional Features
Zhengxin Liu,
Hongda Liu,
Fang Lu,
Yuxi Liu and
Yangting Xiao
在严苛海洋环境中，船舶储能系统（VESS）面临更高的热失控（TR）风险，然而实用性的早期预警仍然较为困难，其原因在于：TR高风险电芯与正常电芯在早期阶段的电压差异通常较弱，不同运行分段下预警阈值会发生变化，并且依赖单一特征进行决策容易产生误报或漏报。为克服上述困难，本研究针对VESS中的TR高风险电芯提出了一种由四部分构成的预警策略。首先，采用多尺度跳变加模态分解（MJMD）与Spearman相关性引导的模态重构对原始电芯电压进行去噪，以抑制无关干扰。其次，引入改进的Sigmoid非线性映射，以增强细微的电芯间电压偏差并提升早期可分性。再次，采用稀疏表示（sparse representation）构建电芯偏差评分（DS），并利用自适应阈值在变化的分段条件下实现异常电芯的初步筛查。最后，将由电压、温度及其变化率导出的多维互信息值（MIV）纳入联合评估方法，对被标记电芯的异常状态作进一步验证。基于18个相互独立的真实运行案例（共包含2483个放电分段）的验证结果表明，在所评估的TR高风险案例中，该策略实现的最短确认预警提前期为14 d。所提出的策略还减少了误报与漏报，整体性能优于对比基准方法，并保持了在VESS车载/船载应用中的计算可行性。
该文发表于《Journal of Marine Science and Engineering》，聚焦船舶储能系统（VESS）中锂离子电池热失控（TR）高风险电芯的长期提前预警问题。研究背景在于，海洋环境具有高湿、高盐雾、腐蚀性强等特点，会叠加电芯在机械、电学与热学层面的应力，加速老化并提高TR风险。同时，船舶长航程运行导致巡检与维护机会有限，一旦早期异常不能及时识别，TR将直接威胁船员与船舶安全。现有TR预警方法虽然在陆基系统中已有进展，但迁移至船舶场景时仍存在明显不足：一方面，传统基于烟雾、温度、排气声和气体释放的监测信号往往出现在电芯状态显著恶化之后，预警提前量不足；另一方面，基于机理模型的方法需要较高采样频率与稳定数据质量，而实际VESS普遍存在采样频率较低、信息缺失较多的问题，难以支撑精确建模。数据驱动方法虽可降低显式建模负担，但TR高风险样本稀缺，容易造成训练困难、过拟合及计算开销偏大。基于信号分析的方法能够通过时域、频域特征检测异常，但面对VESS电压信号中振荡与短时突变并存的复杂形态，常规分解方法容易产生模态混叠与边界效应；此外，仅依赖单一电压特征、固定阈值或单阶段判定，也容易因工况变化而误报或漏报。
针对这些问题，研究人员提出了一套面向真实船舶运行工况的四阶段预警架构，将信号处理、特征增强、异常筛查与联合确认组织为一体化流程。论文的核心目标并非只优化某一个局部环节，而是在长时程、分段变化、真实运行数据条件下，构建既保留早期敏感性又能抑制单特征误判的完整预警体系。研究最终表明，该方法在18个独立运行案例、2483个放电分段上获得了稳定效果，在被识别的TR风险案例中，最短确认预警提前期达到14 d，整体性能优于对比方法，同时具备船载部署所需的计算可行性。这一结果说明，面向船舶储能系统的TR预警，需要同时解决弱差异信号放大、分段阈值自适应以及多特征一致性确认三个关键问题，而该研究恰好提供了可工程化的解决路径。
研究人员使用的主要技术方法可概括如下：基于18个独立真实运行案例构建验证数据集，包含2个TR案例、7个风险案例及其余正常案例，共2483个放电分段，采样间隔为10 s。方法上首先采用多尺度跳变加模态分解（MJMD）并结合遗传算法（genetic algorithm）优化参数，再通过Spearman秩相关系数筛选模态并重构去噪电压；随后使用改进Sigmoid函数进行非线性电压映射，结合主成分分析（PCA）与Lasso回归实现稀疏表示，构建电芯偏差评分（DS）及自适应阈值；最后以电压、温度及其变化率建立四维特征向量，计算多维互信息值（MIV），并以分阶段联合判据完成最终预警。
以下结合论文主体结构对研究内容进行解读。
2. Data Processing and Proposed Early Warning Method
本节建立了整篇论文的方法学框架。研究人员提出的策略包含四个连续环节：原始电压预处理、电压非线性映射、异常电芯初筛以及基于MIV的联合评估。其总体逻辑是先提升原始信号质量，再增强TR高风险电芯与正常电芯之间原本非常微弱的差异，随后在分段条件变化的情况下完成初步异常识别，最后利用多维状态一致性检查降低误判。该设计回应了作者在引言中指出的两个方法学缺口：其一，既有研究多只改善单一阶段；其二，缺乏既保证早期灵敏度又抑制单特征误报的分级确认机制。
2.1. Voltage Processing
在电压处理部分，研究人员考虑到VESS电压采集信号处于毫伏量级，极易受到海上复杂环境和采样精度波动的干扰，因此采用多尺度跳变加模态分解（MJMD）处理原始电压。与常见的变分模态分解（VMD）相比，MJMD更适合非平稳阶跃型电压信号。文中进一步使用遗传算法对MJMD关键超参数进行优化，并以总方差解释比作为适应度函数，从而避免人工设定参数导致的分解不稳定。为了验证分解优势，研究人员以模态混叠率（MMR）作为指标比较MJMD与VMD的结果，显示除直流模态外，MJMD各模态具有更高主频能量占比和更低MMR，说明模态混叠更弱。随后，为避免仅按频率筛选模态造成信息失真，研究人员利用Spearman秩相关系数评估各模态与原始信号之间的相关性，只去除相关性最低的模态，并叠加其余模态获得去噪电压。结果表明，该方法能够有效抑制无关干扰、降低噪声影响，同时保留电压的内在变化特征，为后续预警提供更可靠基础。
2.2. Voltage Mapping and Screening of Abnormal Cells
这一部分是论文最关键的方法创新之一。研究人员指出，TR高风险电芯在早期阶段的异常电压变化往往只有数十毫伏，因此即便经过去噪，TR高风险电芯与正常电芯之间仍高度相似，直接使用去噪电压容易漏检。为此，作者设计了改进的Sigmoid非线性映射函数。该函数在正半轴上平滑且有界，在输入接近零时敏感度最高，因此特别适合放大细微的电芯间电压差异；而当电压差异较大时，输出逐渐趋于上界，可避免过度响应。与线性映射相比，这种设计兼顾了弱异常放大和结果稳定性。论文中以去除极值后的电芯均值作为参考电压，降低异常值对映射基准的影响，并通过映射系数与动态指数控制放大灵敏度。
在异常电芯筛查方面，研究人员将映射后电压输入稀疏表示框架。具体而言，先通过主成分分析（PCA）提取主成分电压构成初始基底集合，再利用Lasso回归求解每个电芯映射电压的稀疏线性表示，并依据重构误差定义电芯偏差评分（DS）。DS本质上刻画了某电芯相对于整体正常模式的偏离程度。由于不同放电分段和运行状态下异常边界并不固定，作者进一步设计了基于当前分段DS统计量的自适应阈值。该阈值综合均值、最大值、标准差及其权重，使筛查边界能随局部数据分布而变化。由此，异常电芯初筛不再依赖固定阈值，而能够适应真实运行工况下的段间差异。
2.3. Evaluation of Cell State Based on MIV
作者认为，仅依据DS进行初筛仍可能因单一电压特征而产生误报或漏报，因此在第二层判断中引入多维互信息值（MIV）进行状态再评估。该部分的理论基础是：同一分段内全体电芯的平均特征可以代表正常行为模式，若某电芯与这一平均模式的关联显著下降，则可能存在异常。为同时考虑静态与动态行为，研究人员以映射电压、温度、电压变化率、温度变化率构建四维特征向量，再计算每个电芯与平均特征向量之间的多维互信息。由于不同分段长度不一，文中使用Freedman–Diaconis规则自适应确定分组数量，以估计各维度概率分布及联合概率分布。最终，若某电芯的MIV低于设定阈值，则判为MIV异常。该设计使状态评估从单一电压拓展至“电-热-动态”联合空间，提高了异常识别的可靠性。
2.4. Joint Assessment Methodology
为了避免把DS与MIV简单并列为两套独立报警器，研究人员进一步建立了分阶段联合决策规则。规则1规定，若某电芯在连续3个分段中均被判定为DS异常，则可直接认定为TR高风险电芯。规则2a规定，若连续2个分段出现DS异常，则先标记为潜在TR高风险电芯；规则2b则考虑历史复现情形，即某电芯若在两个历史分段已出现DS异常，并在后续分段再次异常，也可标记为潜在高风险。规则3要求，对上述潜在高风险电芯再结合该分段MIV是否异常进行确认，只有DS与MIV共同支持时才最终判定为TR高风险。由此，该方法形成了“先敏感筛查、后多维确认”的分级预警机制。
3. Data Description and Primary Analysis
在数据描述部分，研究人员说明验证所用数据来源于18个独立真实运行案例，覆盖不同工况，包含2个TR案例、7个风险案例及若干正常案例，总计2483个放电分段，每个完整放电周期对应一个分段，采样间隔为10 s。电池正极材料为镍钴锰，负极为石墨，标称电压范围为2.7–4.2 V。作者特别指出，放电过程中电化学反应更复杂、老化效应更明显、局部故障更易被动态负载放大，因此用放电分段验证更能反映电芯真实健康状态。
3.1. Initial Analysis of TR Case
以TR案例#1为例，数据跨越88 d，其中23号电芯被识别为TR电芯。研究显示，在TR发生当天，23号电芯在去噪电压中并未提前呈现显著偏移，仅在当日第2746个采样点出现电压骤降。若仅依赖传统电压评估，该电芯在TR前会被误判为安全，从而发生漏报。将该天数据经过所提非线性映射后，23号电芯与其他正常电芯之间的差异被明显放大，说明该映射确能增强TR前微弱征兆的可分离性。
3.2. Initial Analysis of Non-TR Cases
在风险案例#2中，80号电芯被标记为TR高风险电芯。作者观察到，该电芯在第52天仅表现出细微偏差，且在放电后期、低电压阶段更明显，原因在于极化效应及电芯内阻差异在低压区更易反映至端电压。尽管原始偏差较小，不易直接量化，但经过所提映射后，电芯间分离度显著提升，利于后续筛查。在正常案例#3中，去噪与映射后的电压均表现稳定，虽存在一定波动，但更可能由负载突变和电芯外部特性差异引起，而非持续性故障信号。该分析说明，方法既能增强风险电芯特征，也不会在正常工况下普遍制造虚假差异。
4. Analysis and Discussion of the Warning Results
这一部分对方法性能进行了系统验证。
4.1. Threshold Analysis
研究人员首先考察DS自适应阈值的合理性。通过对9个异常案例与9个正常案例中所有分段阈值分布的统计，作者发现，无论正常还是异常案例，阈值中位数及上下界均不存在统一模式，且同一案例内部不同分段之间阈值也可能显著变化。这说明VESS电压特征不具有固定规律，受工况差异影响明显。因此，固定阈值策略容易漏报，而按当前分段统计量动态确定阈值更能适应段间与案例间差异。
4.2. Warning Results of TR Cases
在TR案例#1中，研究人员统计了TR前不同提前天数下各电芯归一化DS的变化。结果表明，23号电芯在TR前18、15、11 d被重复标记，并被认定为潜在TR高风险电芯，随后触发MIV评估。在11 d前，该电芯进一步表现出MIV异常，因此依据联合规则被最终确认为TR高风险电芯。此后在TR前8、7、6 d又出现连续DS异常，进一步强化了预警结论。该结果表明，方法能够在TR发生前较长时间完成风险确认，而非仅在临近失控时才报警。
4.3. Warning Results of Non-TR Cases
在风险案例#2中，80号电芯分别在第2天和第13天被DS筛查标记，但由于不满足3次连续异常，尚不足以直接认定为TR高风险。至第23天，该电芯再次被标记，因此按照规则2b被定义为潜在TR高风险电芯。随后MIV结果显示其在第23天同时存在异常，最终被联合判定为TR高风险。作者指出，这说明即使异常信号呈间歇性而非持续性出现，该方法仍可提供有效预警。相对地，在正常案例#3中，虽有个别电芯在某些分段上出现MIV异常，但其DS始终正常，因此在联合规则下仍判为正常，从而避免了单特征驱动的误报。综合全部18个案例，方法在已识别TR风险案例中实现了最短14 d的确认预警提前期。作者进一步结合4条典型海上与远洋航线分析指出，这一预警窗口已足以覆盖完整航程并保留安全余量。计算性能测试显示，在Intel i7-12700H处理器上，最大数据量分段完整运行10次的平均耗时约70 s，相对于船舶电力系统常见10 min评估窗口，具备实时部署可行性。
4.4. Comparative Analysis
在对比分析中，作者从多个角度验证方法有效性。首先，使用风险案例#2比较原始电压与去噪电压的异常筛查结果，发现原始电压漏检了第13天的异常，而去噪后能够稳定识别，说明MJMD与Spearman重构可提升筛查稳定性。其次，在同一风险分段上比较未映射、线性映射与所提非线性映射三种方式，结果显示未映射时80号电芯无法识别，线性映射虽提高DS但仍不足以触发报警，而所提非线性映射则成功检出，说明其在弱差异放大方面优于对照方法。
随后，研究人员对两个关键参数进行了灵敏度分析：映射系数α
map与阈值系数β
DS。结果表明，α
map=2时在代表性TR与风险案例中均能实现有效预警且无漏报；当增大至5或7时，预警性能明显下降，说明过强非线性放大会削弱后续稀疏筛查的判别性。对β
DS而言，10与12均能保持有效预警，而14会使筛查过于保守并导致漏报，故最终选取β
DS=12作为折中设定。该分析说明，参数选择并非任意，而是基于预警效果的实证优化。
在多维特征有效性验证中，作者选取正常案例#4作为反例说明联合评估的价值。该案例中28号电芯在DS层面第三次被标记，按单一电压规则可能被视为高风险，但其在第57天的MIV虽最低却未越过阈值，因此最终仍被判断为正常。此结果表明，电压特征虽对早期风险高度敏感，但正常案例中也可能偶发电压异常；引入MIV进行再确认，有助于抑制误报。
最后，研究人员将该方法与传统熵法、纵向离群平均值（LOA）方法及其他若干基准方法进行比较。在选定案例中，LOA方法可识别正常与TR案例中的异常电芯，但未能有效识别风险案例中的80号电芯；熵法则在正常案例中对7号与67号电芯产生误报，却未对风险与TR案例成功预警。相比之下，所提方法在正常、风险、TR三类风险水平下均能稳定工作，并避免误报与漏报。综合全部18个案例的总体结果，所提策略识别出了2个真实TR高风险电芯，同时产生的误报最少；而LOA、基于熵的方法、变分自编码器、孤立森林和支持向量机等方法虽然标记出更多异常候选，但也带来了更多误报。作者据此指出，在高度类别不平衡的真实船舶数据中，单纯提高报警数量并不等于提高实际预警质量；对于VESS而言，漏报会增加安全风险，而频繁误报又会显著提高运维（O&M）成本，因此在安全性与运维负担之间取得平衡尤为重要。
总体讨论表明，该研究在已有电压去噪、线性映射、稀疏观测器、动态阈值及电压熵预警工作的基础上，进一步证明了“非线性电压增强+自适应异常筛查+多维联合确认”这一组合策略更适合长时程真实VESS运行场景。其优势不仅体现在更早的风险识别，还体现在对误报的有效抑制，因而更具工程可实施性。
结论部分可译述如下：为解决复杂海洋环境下TR高风险电芯的早期预警问题，研究人员构建了一种融合电压去噪、非线性电压映射、自适应异常电芯筛查及联合评估方法的预警策略。基于真实运行案例的验证与对比分析，可得出以下结论：第一，MJMD去噪方案结合Spearman相关性筛选，能够有效抑制无关电压干扰并保留有用信号信息，为后续预警提供更可靠基础。第二，改进Sigmoid非线性映射使TR高风险电芯与正常电芯在早期阶段的细微差异更易显现，弥补了线性映射局部灵敏度不足的问题，并在原始电压差异极小时有助于减少误报。第三，稀疏表示结合自适应阈值提高了方法对不同退化阶段和运行工况的适应性；相较固定阈值方法，更能兼顾误报与漏报控制，从而增强策略的泛化能力。第四，基于MIV的联合评估同时纳入电芯静态与动态特征，在单一电压之外提供了附加校验，提升了高风险电芯识别的可靠性，并有助于抑制由单特征筛查引发的误报。实验结果显示，在全部18个评估案例中，该策略在已识别TR风险案例中的最短确认预警提前期为14 d，能够满足船舶应用对预警时间的要求；与对比传统方法相比，整体性能更优，同时计算成本适中，支持在典型船载计算平台上的实时部署。综合来看，该研究为VESS中的TR早期预警提供了一种具有实际部署潜力的解决方案，对提升船舶安全性和降低运行负担具有明确意义。
