《EES Batteries》：A data-driven compact AI model for automatic detection of thermal anomalies in large-format pouch cellsOpen Access
编辑推荐：
对锂离子电池先进热监控日益增长的需求，凸显了获取空间分辨热信息的重要性，这对于大尺寸锂离子电池的安全与性能至关重要。热不均匀性会加剧局部老化机制并提升危险失效模式。本研究提出了一种结合传感与分析的综合框架，该框架利用高精度分布式热敏电阻阵列捕获高分辨率电池热图
对锂离子电池先进热监控日益增长的需求，凸显了获取空间分辨热信息的重要性，这对于大尺寸锂离子电池的安全与性能至关重要。热不均匀性会加剧局部老化机制并提升危险失效模式。本研究提出了一种结合传感与分析的综合框架，该框架利用高精度分布式热敏电阻阵列捕获高分辨率电池热图，并采用一种新型轻量级AI模型自动检测热故障。研究人员引入了一种名为M?bius卷积自编码器（M?bius Convolutional Autoencoder, MCAE）的无监督异常检测模型。与传统架构不同，MCAE集成了一种新颖的专用M?bius卷积层（M?bius Convolutional Layer, MCL），该层将M?bius变换的数学性质直接嵌入特征提取过程，使模型能够学习热图像数据中复杂的共形几何映射。通过实验测试生成的数据集被用于训练所提出的模型，该模型仅需非异常的电池表面热图即可学习正常运行条件的低维流形。在推理阶段，重建误差被用作稳健的异常评分，以标记局部加热异常，例如由外部加热器物理诱发的异常。凭借仅0.54 MB的紧凑存储占用，该方法为资源受限的边缘设备上的实时无监督热异常检测提供了一条可扩展且计算高效的途径。
论文解读
锂离子电池（Lithium-ion battery, LIB）凭借高能量密度和长循环寿命，已成为电动汽车和消费电子的主流储能技术。然而，温度对电池性能、寿命和安全性有决定性影响。现有电池热管理大多依赖单点温度传感器，无法捕捉大尺寸电池表面的空间热分布。研究表明，热不均匀会引发局部电流分布不均、加速活性材料退化，甚至导致热失控。例如，温度每升高1°C，电池寿命可能缩短约两个月；非等温条件下电池组降解率比均匀温度条件高5.2%。红外热像仪虽能提供高空间分辨率，但需要无遮挡的光学路径，难以用于封装模块内部；光纤传感器精度高但机械脆弱；热电偶布线复杂且无法实现高密度集成。因此，开发能够获取空间分辨热信息并自动检测热异常的方法，成为提升大尺寸电池安全性的关键需求。
研究人员针对该问题，设计了一套结合高精度分布式热敏电阻阵列和轻量级AI模型的传感与分析框架，并开发了新型M?bius卷积自编码器（MCAE）用于无监督热异常检测。该模型仅使用正常电池表面热图训练，即可通过重建误差识别局部热异常。在实验中，模型在7506张测试图像上达到了100%的检测准确率，且模型体积仅0.54 MB，适合部署于资源受限的边缘设备。该研究为电池热监控提供了一条可扩展、高效的端到端技术路径，成果发表在《EES Batteries》。
在关键技术方法上，研究人员使用商用40 Ah大尺寸软包电池（MGL SPIM11309102-GL40），在柔性印刷电路板上集成了15个NTC（负温度系数）热敏电阻，形成3×5网格传感阵列。通过电压分压电路和12位ADC采集信号，利用Steinhart–Hart方程将电阻转换为温度，并采用三点校准（25 °C、40 °C、60 °C）提高精度。温度数据经MATLAB插值生成电池表面热图。正常数据集来自2C恒流-恒压充放电循环；异常数据集通过外部加热器（220 W，设定50 °C）在电池局部区域施加可控热扰动生成。测试集包含7506张图像（1503张正常，6003张异常），训练集仅使用正常图像中的5984张。MCAE架构的编码器和解码器均采用M?bius卷积层（MCL），将实值图像块投影到复数域，应用M?bius变换f(z)=(az+b)/(cz+d)学习共形几何特征，从而实现紧凑的非线性嵌入。异常阈值通过伪异常生成技术（对正常图像重建添加噪声）结合验证集最大化F1分数确定。
研究结果分述如下：
**4.1 基于MCAE的异常检测结果：** 通过完整实验验证，MCAE作为重建式单类分类器能够有效区分正常与异常电池热行为。
**4.1.1 训练阶段：** 仅使用非异常热图训练，最小化均方误差（Mean Squared Error, MSE），使模型学习到健康电池热分布的潜在共形几何特征。
**4.1.2 异常评分与决策规则：** 推理阶段，计算输入图像与重建图像之间的MSE作为异常分数，并与经过校准的阈值比较，从而判断电池是否存在局部热异常。
**4.1.3 合成验证与阈值校准：** 从训练集中稀疏选取300张正常图像，对其重建结果分别注入泊松、高斯和均匀噪声生成伪异常样本。三种噪声模型得到的最优阈值均在0.046~0.048之间，且F1分数均为100%，表明阈值选择对噪声类型具有稳健性。
**4.1.4 全尺寸测试：** 在完整测试集（7506张图像）上，准确率、精确率、召回率、F1分数、受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic curve, AUROC）和精确率-召回率曲线下面积（Area Under the Precision-Recall curve, AUPR）均达到100%。这证明系统仅依赖正常数据训练和阈值校准，即可实现真正的无监督异常检测，有效识别真实热缺陷。
**4.1.5 实际应用方面：** 模型包含约135,743个可训练参数，磁盘占用0.54 MB，内存占用0.52 MB。在标准CPU（12代Intel? Core? i9-12900H）上，平均推理时间为5.93 ms/图像，每秒可处理多达168帧，满足工业实时监控的延迟要求。
讨论部分指出，实验设计和结果证实该系统是一种真正无监督的异常检测器，能够在训练和阈值校准阶段完全依赖正常数据，却能准确识别物理诱发的局部热异常。模型的紧凑性和低计算开销使其特别适合部署在存储和算力有限的边缘设备上。这一工作为电池安全监控提供了可扩展的硬件与算法集成方案。
研究结论部分可翻译为：研究人员展示了一种新型实验方法，能够利用低剖面、快响应的热敏电阻阵列捕获高保真、空间分辨的热数据。该集成传感方法通过生成独立的正常和异常数据集，能够分辨被点式测量忽略的细微温度梯度和局部热点。利用受控外部加热器实验模拟热异常，增强了数据集的真实性和相关性，重现了突发性安全关键热偏差。研究人员提出将这一硬件层面的贡献作为可靠空间热诊断的基础，并支持数据驱动自动异常检测工具的开发与验证。结合该传感框架与高级分析，研究人员引入了M?bius卷积自编码器（MCAE）——一种紧凑的无监督实时热异常检测模型。通过利用M?bius变换的数学性质，MCAE在保持参数数量显著低于传统欧几里德架构的同时，有效捕获热图中的复杂几何特征。所提出的模型在所有检测性能指标上均达到100%，反映出对热故障的高度稳健和一致的检测能力。此外，该模型以仅0.54 MB的存储占用识别局部热点，展示了其在资源受限边缘设备上部署的巨大潜力。这项工作建立了一条可扩展的端到端路径，通过高效的数据驱动热监控来提升电池安全性。
