基于数据驱动建模的锂离子电池生产中电池异常检测与一致性筛选的一步法方案

《COMPUTERS IN INDUSTRY》：A one-step approach for cell anomaly detection and consistency screening in lithium-ion battery production based on data-driven modeling

　　

摘要

锂离子电池作为主要能量存储装置，被广泛应用于各个领域，对推动新兴能源技术的发展起着关键作用。然而，电池生产过程中存在诸多不稳定性，从而导致部分电池出现电压异常的问题。此外，传统的异常检测和一致性筛选方法既耗时又复杂，容易引发发货延迟和调度困难。为解决这些问题，我们提出了一种将异常检测与一致性筛选整合为一步的电池筛选框架，以此提升电池生产效率。我们设计了基于汉克尔变换的多核Mobile-Net模型（HMM-Net），该模型结合汉克尔变换与多核卷积技术，提升了异常检测和一致性筛选的特征提取能力与性能。首先，将电池的充放电时间序列数据转换为二维汉克尔矩阵，随后输入层扩展通道维度，多个处理模块通过多尺度卷积结构提取不同尺度下的特征，最后输出层判断电池属于正常还是异常类别。实验结果表明，所提出的HMM-Net在异常检测与一致性筛选的综合任务中表现优于其他方法，整体准确率达96.07%，在其他评估指标上也展现出优异性能。

引言

近年来，由于能源危机（Wu等人，2016）以及传统能源带来的环境污染问题（如碳排放）（Cuma和Koroglu，2015），可再生能源的应用越来越广泛。为了高效利用可再生能源，需要相应的能量存储技术（Fernández等人，2024），这类技术能够缓解可再生能源的波动性并提升利用效率（Yang等人，2024）。锂离子电池是一种重要的能量存储技术，广泛应用于电动汽车（Barré等人，2013）、便携式电子设备（Morita等人，2021）、航空航天等领域。它具有自放电率低、循环寿命长、能量和功率密度高以及适用温度范围广等优点（Deng等人，2022；Lu等人，2013；Hu等人，2023；Chen等人，2024）。

由于锂离子电池的应用极为广泛，相关研究也涵盖了其从生产、使用到回收的整个生命周期（Liu等人，2022）。在生产环节，可持续制造和环境友好性至关重要；例如，Wang和Tan（2019）结合生产指标提出了混合聚类模型，用于筛选性能不一致的电池。在电池使用阶段，需要通过有效的电池管理来保障安全和效率，其中电池健康状态评估是重要组成部分。Hong等人（2023）提出了一种基于双阶段注意力递归神经网络以及从充放电过程变化中提取的健康特征的电池健康度评估方法。在回收方面，有效的废旧锂离子电池回收系统能够减少资源浪费并降低环境负担（Zheng等人，2024）。Lai等人（2022）则提出了一种基于电化学阻抗谱和高斯混合模型的软聚类方法，用于对退役的锂离子电池进行重新分类。

在锂离子电池的生产过程中，第一阶段是电极制造，包括混合、涂覆、干燥、压延和裁切等工序（Wang等人，2024a）。接下来的阶段是电芯组装，包括真空干燥、堆叠、焊接和封装等操作（Liu等人，2021）。最后是电芯终饰阶段，包括辊压成型、除气、老化处理和分选。在分选环节，由于工艺波动、设备故障或材料质量差异，锂离子电池可能会出现性能不稳定或质量缺陷（Li等人，2023a；Lacey，2017）。因此，一致性筛选和异常检测就显得十分必要。一致性筛选可以将性能相似的电池归为同一组，这对于保持电池组的稳定运行非常重要。由多个电芯串联或并联构成的大型锂离子电池组要求各电芯的性能保持一致，而同一批次的不同电芯之间也可能存在性能差异（Li等人，2020）。异常检测则能在生产过程中识别出有缺陷的电芯，从而保障锂离子电池的可靠性和安全性。例如，在分选阶段，部分电池经过静置和性能测试后可能会出现电压差较大的情况，及时剔除这些有问题的电池对于维护产品品质至关重要。

然而，传统的锂离子电池生产方式将异常检测和一致性筛选视为分选环节中的两个独立步骤，这两种检测都需要较长的静置时间以及复杂繁琐的检测流程。这就降低了整体生产效率，进而导致发货延迟和调度困难。

为了解决这些问题，我们提出了一种新的锂离子电池筛选框架，如图1所示，将该两项检测整合为一步完成。同时，我们还设计了一种数据驱动模型——汉克尔变换多核Mobile-Net模型（HMM-Net），该模型利用汉克尔变换捕捉锂离子电池时间序列中的时间依赖性，再通过多核卷积结构提升多尺度特征提取能力。首先，将锂离子电池的充放电时间序列数据转换为二维汉克尔矩阵，随后输入层扩展通道维度，多个处理模块通过不同大小的卷积操作迭代处理数据，提取不同尺度下的特征，最后输出层给出判断结果，说明该电池属于正常组还是异常组。实验结果表明，所提出的模型在异常检测与一致性筛选的综合任务中达到了96.07%的整体准确率，性能优于其他同类模型。

本研究的主要贡献可总结如下：

• 1.
  统一异常检测与一致性筛选流程：我们提出了一种新的电池筛选框架，将异常检测与一致性筛选整合为一步操作。该框架利用实际生产环境中采集的工艺数据，将电池样本筛选任务转化为时间序列分类问题，通过整合原本分开的步骤，降低了生产过程的复杂性。
• 2.
  引入汉克尔矩阵：该框架在网络的输入端加入二维汉克尔矩阵，将时间序列数据转换为这种形式。这样的转换使得通过二维卷积操作能够更有效地提取特征，进而提升模型性能。
• 3.
  多核卷积结构：该框架采用多个大小不同的卷积核，从汉克尔矩阵中提取特征。这种设计能够捕捉不同尺度上的信息，从而提升模型的全面性和鲁棒性。

本文的其余结构安排如下：第2节将回顾关于异常检测和一致性筛选的相关文献；第3节介绍HMM-Net模型的架构，第4节详细阐述实验设置、数据集预处理以及充放电数据的收集方法；第5节展示实验结果，证明HMM-Net在提升分类准确率和处理效率方面的优势；最后，第6节总结本研究的贡献以及未来的研究方向。

章节节选

锂离子电池的一致性筛选

在锂离子电池组中，一致性筛选对于确保电池组的长期稳定性、安全性及性能表现至关重要。目前，关于一致性筛选的研究主要分为基于模型的方法和数据驱动的方法两类。

方法

在本节中，我们将详细介绍我们所提出的HMM-Net模型的结构，如图2所示。该模型旨在精准地对电芯样本进行分类。这里我们会对如图2所示的HMM-Net模型进行详细说明。该模型通过处理充放电周期中收集的时间序列数据来实现电芯样本的分类。在经过汉克尔变换和多核卷积特征提取之后，网络会输出0、1、2、3、4、5、6这七个数值，其中

数据准备

我们方法中使用的数据来源于电池的充放电阶段。在传统生产流程中，无论是正常电池还是存在问题的电池，在进行异常检测和一致性筛选之前，都需要经历一系列的充放电过程，如图6所示，这些过程对于明确电池的特性十分重要。需要注意的是，所研究的电池型号为A18650。具体而言，我们利用在这些充放电阶段获取的电压和电流数据来对电池进行分类，电压

不同模型的对比

为了评估我们所提出的模型在异常检测与一致性筛选综合任务中的表现，我们使用了多种基准模型进行了对比实验，这些基准模型包括：RNN模型（Hüsken和Stagge，2003）、LSTM模型（Sak等人，2014）、基于自注意力机制的神经网络（Vaswani等人，2017）、时间序列Transformer模型（TST）（Zerveas等人，2021）、全卷积神经网络（FCN）（Wang等人，2017）以及MobileNetV3模型（Howard等人，2019）。所有模型都采用了相同的全连接层结构

结论

在传统的锂离子电池生产线上，一致性筛选和异常检测是两个独立的顺序流程，需要经过多次人工检测。这种分离不仅降低了整体效率，而且在交货期限紧张的情况下还可能引发发货延迟或质量问题。因此，本研究提出了一种将一致性筛选和异常检测整合在一起的统一框架，简化了分选流程。具体而言，本研究的贡献如下：

• 1.
  我们

CRediT作者贡献说明

Fuxin Huang：撰写——审稿与编辑、撰写——初稿、可视化、软件工具、方法设计、研究实施、概念构思。Xiang Wang：撰写——审稿与编辑、研究实施、数据整理。Jianjun He：项目指导、项目管理、资金申请。Aibin Deng：撰写——审稿与编辑、研究实施。Rihui Long：撰写——审稿与编辑、研究实施。

资助情况

本研究得到了中国国家自然科学基金的资助，项目编号为62373377。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

本研究的部分工作是在中南大学高性能计算中心的计算资源支持下完成的。

Fuxin Huang|Xiang Wang|Jianjun He|Aibin Deng|Rihui Long

中南大学自动化学院，中国长沙410083