机器学习检测锂离子电池中的析锂：一种高斯过程方法
机器学习
2026-03-17 v4 系统与控制
系统与控制
摘要
快速充电过程中的析锂是一种关键的退化机制，会加速容量衰减并可能引发灾难性安全故障。最近的研究表明，析锂的起始可以在增量容量分析中表现为一个高于4.0 V的额外高电压特征，通常呈现为与主插层峰复合体不同的次级峰或肩峰；然而，计算dQ/dV的传统方法依赖于带滤波的有限差分，这会放大传感器噪声并在特征定位中引入偏差。在本文中，我们提出了一种用于析锂检测的高斯过程（GP）框架，通过将电荷-电压关系Q(V)直接建模为具有校准不确定性的随机过程。利用GP的导数仍为GP的性质，我们从后验中解析且概率性地推断dQ/dV，从而无需临时平滑即可实现鲁棒检测。该框架提供三个关键优势：(i) 通过从数据中学习的超参数进行噪声感知推断，(ii) 具有用于不确定性量化的可信区间的闭式导数，以及 (iii) 可扩展到适用于嵌入式BMS的在线变体。在一系列倍率（0.2C-1C）和温度（0-40C）下对锂离子纽扣电池进行的实验验证表明，基于GP的方法在低温、高倍率充电条件下可靠地分辨出独特的高压次级峰特征，同时在非析锂情况下正确报告无特征。GP识别的微分特征、减少的充电吞吐量、通过参考性能测试测量的容量衰减以及事后显微镜确认的同时出现，支持将这些特征解释为与析锂相关，为实时析锂检测建立了一条实用途径。
引用
@article{arxiv.2509.26234,
title = {Machine Learning Detection of Lithium Plating in Lithium-ion Cells: A Gaussian Process Approach},
author = {Ayush Patnaik and Jackson Fogelquist and Adam B Zufall and Yiwei Ji and Stephen K Robinson and Peng Bai and Xinfan Lin},
journal= {arXiv preprint arXiv:2509.26234},
year = {2026}
}
备注
Accepted for presentation at American Control Conference 2026 - ACC 2026 to be held in New Orleans, Louisiana