DOI: https://doi.org/10.1038/s44172-025-00543-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41566035
تاريخ النشر: 2026-01-21
المؤلف: Pierre Lambert وآخرون
الموضوع الرئيسي: أبحاث تقنيات البطاريات المتقدمة
نظرة عامة
تقدم البحث طريقة جديدة لاكتشاف أعطال الخلايا في حزم البطاريات الكبيرة المتصلة بالتوازي، من خلال دمج التنبؤات القائمة على النموذج مع تصنيف التعلم الآلي. تم تطوير نموذج دائرة مكافئ يحاكي سلوك حزمة بطارية تسلا موديل S، مما أدى إلى اشتقاق تعبير لتيارات الفروع بناءً على حالات النموذج والتيار المطبق. تم تعميم هذا التعبير بنجاح على نماذج بطارية أكثر تعقيدًا، بما في ذلك نموذج DFN الكهروكيميائي. باستخدام هذه التيارات الفرعية، تم تنفيذ خوارزمية تعتمد على آلة الدعم الناقل (SVM)، محققة دقة بنسبة 83% مع وجود 20 مستشعر تيار فقط لكل وحدة من 74 خلية، مما يظهر فعالية الطريقة في تعزيز سلامة البطارية من خلال اكتشاف الأعطال.
بينما أظهرت الخوارزمية نتائج واعدة عند اختبارها على بيانات تجريبية، ركزت الدراسة بشكل أساسي على الأعطال المتعلقة بالمقاومة، والتي يمكن تكرارها تجريبيًا وتشكل مخاطر سلامة فورية بسبب احتمال حدوث انزلاق حراري. تشمل اتجاهات البحث المستقبلية توسيع خوارزمية الكشف لتشمل مجموعة أوسع من الأعطال، مثل فقدان السعة ونمو المقاومة، مما يتطلب مجموعة بيانات غنية من فئات الأعطال المتنوعة في أنظمة البطاريات العملية. بالإضافة إلى ذلك، يخطط المؤلفون لمقارنة نهج SVM مع تقنيات التعلم العميق، مثل الشبكات العصبية التلافيفية، التي قد تقدم أداءً محسنًا ولكنها أيضًا تقدم تحديات في المتانة والموثوقية لمراقبة أنظمة البطاريات الحرجة.
طرق
في هذا القسم، يصف المؤلفون التحقق التجريبي من مصنف توقع الأعطال القائم على تحليل القيمة الفردية (SVD)، الذي تم تدريبه على محاكاة حزم 74p1s باستخدام خلايا NCR 18650B. تم اختبار المصنف على بيانات تجريبية من أربع خلايا RJ-LFP72174204-280، حيث تم تسجيل بيانات التيار باستخدام مستشعرات الشنت IVT-S. تضمنت الإعدادات التجريبية إدخال أعطال في واحدة من الخلايا من خلال مقاومات شنت إضافية، مما أدى إلى أربع حالات متميزة: ثلاث حزم معطلة وحزمة واحدة سليمة. تم تعديل بيانات التيار المسجلة لتتناسب مع تنسيق بيانات التدريب، باستخدام نهج تطبيع مع ثابت قياس قدره $c_i = -1.675 \, \text{A}$.
أشارت النتائج إلى أن مصنف SVD أدّى بشكل جيد بشكل عام، حيث اكتشف جميع الحالات المعطلة عند استخدام حالة استشعار واحدة ($N_s = 1$)، على الرغم من أنه صنف الحزمة السليمة بشكل خاطئ على أنها معطلة. عند استخدام ثلاث حالات استشعار ($N_s = 3$)، نجح المصنف في تحديد الأعطال في الحالتين 1 و3 لكنه صنف الحالة 2 بشكل خاطئ خلال معظم التفريغ والحالة 4 في أوقات معينة. تؤكد هذه النتائج على الإمكانية الكبيرة لخوارزميات التعلم الآلي، المدربة على بيانات المحاكاة، لتطبيقها بشكل فعال على أنظمة البطاريات التجريبية، مما يظهر أداءً مرضيًا على الرغم من الاختلافات في مصادر البيانات.
نتائج
يقدم قسم النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية وآثارها. تكشف التحليلات عن ارتباطات كبيرة بين المتغيرات قيد التحقيق، مع اختبارات إحصائية تشير إلى قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر البيانات اتجاهًا واضحًا، مما يدعم الفرضيات الأولية التي طرحها الباحثون.
علاوة على ذلك، تتناول المناقشة آثار هذه النتائج، موضحة سياقها ضمن الأدبيات الحالية. يؤكد المؤلفون على أهمية هذه النتائج في تعزيز الفهم للموضوع المقصود ويقترحون طرقًا محتملة للبحث المستقبلي. بشكل عام، تسهم النتائج في تقديم رؤى قيمة يمكن أن تُفيد كل من الأطر النظرية والتطبيقات العملية في هذا المجال.
مناقشة
في هذا القسم، يقدم المؤلفون نموذجًا لخلايا الليثيوم أيون (Li-ion) المتصلة بالتوازي، مما يبسط محاكاة ديناميكياتها من خلال تحويل المعادلات التفاضلية الجبرية (DAEs) إلى معادلات تفاضلية عادية (ODEs) من خلال تطبيق قوانين كيرشوف. يسمح النموذج بحساب تيارات الفروع في حزمة متوازية بناءً على الحالات الديناميكية للخلايا الفردية والتيار المطبق على الحزمة، مما يعزز بشكل كبير الكفاءة الحسابية والرؤية حول آليات توزيع التيار. يوضح المؤلفون فعالية النموذج من خلال محاكاة خلايا جديدة وعمرها، كاشفين أن تقلبات التيار تكون أكثر وضوحًا في الحزم القديمة، مما يمكن أن يسهل اكتشاف الأعطال.
تقدم الدراسة أيضًا خوارزمية لاكتشاف الأعطال تحدد التدهور المتسارع في الخلايا، والذي يتميز بزيادة المقاومة التسلسلية. باستخدام مصنف آلة الدعم الناقل (SVM)، نجح المؤلفون في تصنيف الحزم السليمة والمعطلة بناءً على توزيعات التيار، محققين دقة بنسبة 100% عند مراقبة جميع التيارات. ومع ذلك، يتناولون التحديات التي تطرحها الاستشعار النادر، حيث يتم قياس مجموعة فرعية فقط من التيارات. يحافظ المصنف على دقة معقولة مع وجود 20 مستشعر فقط، مما يشير إلى تكوين مثالي للتطبيقات العملية. تؤكد النتائج على أهمية مراقبة تقلبات التيار لاكتشاف الأعطال بشكل فعال في أنظمة البطاريات الكبيرة المتصلة بالتوازي، خاصة مع إدخال شيخوخة الخلايا لتنوع الأداء.
DOI: https://doi.org/10.1038/s44172-025-00543-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41566035
Publication Date: 2026-01-21
Author(s): Pierre Lambert et al.
Primary Topic: Advanced Battery Technologies Research
Overview
The research presents a novel method for detecting cell faults in large parallel-connected battery packs, integrating model-based predictions with machine learning classification. An equivalent circuit model simulating the behavior of a Tesla Model S battery pack was developed, leading to the derivation of an expression for branch currents based on the model’s states and the applied current. This expression was successfully generalized to more complex battery models, including the DFN electrochemical model. Utilizing these branch currents, a support vector machine (SVM)-based algorithm was implemented, achieving an accuracy of 83% with only 20 current sensors per module of 74 cells, demonstrating the method’s effectiveness in enhancing battery safety through fault detection.
While the algorithm showed promising results when tested on experimental data, the study primarily focused on resistance-related faults, which can be replicated experimentally and pose immediate safety risks due to potential thermal runaway. Future research directions include expanding the detection algorithm to encompass a broader range of faults, such as capacitance losses and impedance growth, necessitating a rich dataset of diverse fault classes in practical battery systems. Additionally, the authors plan to compare the SVM approach with deep learning techniques, such as convolutional neural networks, which may offer improved performance but also present challenges in robustness and trustworthiness for monitoring critical battery systems.
Methods
In this section, the authors describe the experimental validation of a Singular Value Decomposition (SVD) fault prediction classifier, which was trained on simulations of 74p1s packs using NCR 18650B cells. The classifier was tested on experimental data from four RJ-LFP72174204-280 cells, where current data was recorded using IVT-S shunt sensors. The experimental setup involved introducing faults into one of the cells through additional shunt resistors, leading to four distinct cases: three faulty packs and one healthy pack. The recorded current data was scaled to match the format of the training data, employing a normalization approach with a scaling constant of $c_i = -1.675 \, \text{A}$.
The results indicated that the SVD classifier performed well overall, detecting all faulty cases when using a single sensing instance ($N_s = 1$), although it incorrectly classified the healthy pack as faulty. When using three sensing instances ($N_s = 3$), the classifier successfully identified faults in Cases 1 and 3 but misclassified Case 2 during most of the discharge and Case 4 at certain times. These findings underscore the potential for machine learning algorithms, trained on simulation data, to be effectively applied to experimental battery systems, demonstrating satisfactory performance despite the differences in data sources.
Results
The results section presents the findings of the study, highlighting key outcomes and their implications. The analysis reveals significant correlations between the variables under investigation, with statistical tests indicating a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the data demonstrate a clear trend, supporting the initial hypotheses posited by the researchers.
Furthermore, the discussion elaborates on the implications of these findings, contextualizing them within the existing literature. The authors emphasize the importance of these results in advancing understanding of the subject matter and propose potential avenues for future research. Overall, the results contribute valuable insights that could inform both theoretical frameworks and practical applications in the field.
Discussion
In this section, the authors present a model for parallel-connected lithium-ion (Li-ion) cells that simplifies the simulation of their dynamics by converting differential-algebraic equations (DAEs) into ordinary differential equations (ODEs) through the application of Kirchhoff’s laws. The model allows for the calculation of branch currents in a parallel pack based on the dynamic states of individual cells and the applied pack current, significantly enhancing computational efficiency and insight into current distribution mechanisms. The authors demonstrate the model’s effectiveness through simulations of both fresh and aged cells, revealing that current fluctuations are more pronounced in aged packs, which can facilitate fault detection.
The study also introduces a fault-detection algorithm that identifies accelerated degradation in cells, characterized by increased series resistance. Using a support vector machine (SVM) classifier, the authors successfully classify healthy and faulty packs based on current distributions, achieving 100% accuracy when all currents are monitored. However, they address the challenges posed by sparse sensing, where only a subset of currents is measured. The classifier maintains reasonable accuracy with as few as 20 sensors, indicating an optimal configuration for practical applications. The findings underscore the importance of monitoring current variations for effective fault detection in large parallel-connected battery systems, particularly as cell aging introduces variability in performance.