摘要
电池管理系统可以监测电流、端子电压、温度限制以及工作设定值，但无法获取电化学理论中的内部变量，因此常规信号通常无法确定具体的故障机制。我们提出了一种由人工引导、借助生成式人工智能的方法，将基于物理原理的预期转化为明确的、可审核的筛选规则：人类科学家负责确定物理假设、证据要求以及可提出的结论；人工智能则辅助模型的开发过程；而运行时的评估并不涉及新数据的生成。本研究以LiFePO4电池作为测试对象。Zeng–Bazant电流依赖性平台模型提供了基于物理的参考依据；二元表示方法论促使人们提出一种依赖于参考值的电压残差值，这种残差值并不被归因于热力学过程。通过11项可观测指标的筛查，可以判断电流是否存在、是否超出测量范围、结果是否不确定或无法获取数据。研究区分了四种不同类型的证据形式。数字化的模型曲线显示，低速充电时电池的 platform 表现与原始的相场模拟结果一致；但在高速充电时会出现明显差异。已发布的温度条件下的放电曲线显示，电池平台电压在268 K至298 K范围内保持稳定，并在0.5C至2C的充电速率区间内逐渐趋于平坦，同时电压变化曲线具有特殊性。通过对商用圆柱形电池在两种环境温度下的放电数据进行测量，发现电池表面温度存在下降现象，这种温度变化主要由热量排斥效应引起，虽然这一现象可以与现有文献中的可逆机制相吻合，但无法被唯一归因于该机制。通过合成测试案例验证了该方法的准确性，同时证明了该方法能够准确识别问题特征而无需揭示具体的故障机制。
