面向电动汽车锂离子电池健康与安全感知智能的自演进多模态数字孪生

《Scientific Reports》：Self-evolving multimodal digital twin for health-aware and safety-aware intelligence in electric vehicle lithium-ion batteries

　　

摘要

电池智能是电动汽车安全、节能和可持续应用的关键组成部分。本研究提出了一种用于电动汽车锂离子电池的自演进多模态数字孪生，能够实现并行的电热状态估计、健康度依赖的参数适应、基于不确定性的推断以及面向异常的安全智能。与主要依赖电压、电流和温度传感通道的现有电池监控系统相比，该方法整合了一个额外的阻抗衍生测量通道，结合二阶电气网络、两节点热网络、应力依赖的健康演变规则以及用于非线性状态推断的无迹卡尔曼滤波器。采用了一种自演进信任分配策略，基于新息一致性动态重分配电压、温度和阻抗衍生传感通道之间的信任度，并使用有界过程噪声膨胀来增强估计器在持续模型 - 测量失配下的适应性。还采用了异常和热风险积累层来生成面向故障的安全决策。考虑了四种复杂度递增的配置来评估估计精度与异常敏感性之间的关系，并最终选择 v4 公式作为最优配置。仿真结果表明，该框架的荷电状态（SOC）均方根误差为 0.0525，核心温度均方根误差为 0.4049 K，容量均方根误差为 234.92 C，欧姆电阻均方根误差为 0.01078 Ω，此外检测准确率为 0.9017，召回率为 1，F1 分数为 0.8716。此外，使用该框架利用锂离子电池老化数据集进行了验证，产生的电压均方根误差为 0.081 V，温度均方根误差为 0.6458 K，SOC 均方根误差为 0.0297，SOH 均方根误差为 0.0231，基于内阻的阻抗代理均方根误差为 1.4 × 10?? Ω。这些结果表明，所提出的数字孪生提供了集成的电热健康估计、自适应多模态融合以及安全感知异常检测，同时仍与真实电池循环数据兼容。