CN110416644A - 一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置及其预警方法 - Google Patents
一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置及其预警方法 Download PDFInfo
- Publication number
- CN110416644A CN110416644A CN201910717534.9A CN201910717534A CN110416644A CN 110416644 A CN110416644 A CN 110416644A CN 201910717534 A CN201910717534 A CN 201910717534A CN 110416644 A CN110416644 A CN 110416644A
- Authority
- CN
- China
- Prior art keywords
- battery
- warning device
- mould group
- thermal runaway
- carbon dioxide
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000006378 damage Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 88
- 239000006260 foam Substances 0.000 claims abstract description 46
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims abstract description 44
- 239000005977 Ethylene Substances 0.000 claims abstract description 44
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 44
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 44
- 239000003063 flame retardant Substances 0.000 claims abstract description 35
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 claims abstract description 34
- 230000037452 priming Effects 0.000 claims abstract description 13
- CNQQOBYZLPTRFU-UHFFFAOYSA-N C=C.C(=O)=O Chemical group C=C.C(=O)=O CNQQOBYZLPTRFU-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims abstract description 4
- 210000004027 cell Anatomy 0.000 claims description 105
- 238000001514 detection method Methods 0.000 claims description 23
- 238000002347 injection Methods 0.000 claims description 21
- 239000007924 injection Substances 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 20
- 239000000178 monomer Substances 0.000 claims description 14
- 238000007789 sealing Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 8
- 230000005779 cell damage Effects 0.000 claims description 7
- 208000037887 cell injury Diseases 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 59
- 239000000523 sample Substances 0.000 description 12
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 10
- 230000008859 change Effects 0.000 description 10
- 229910001416 lithium ion Inorganic materials 0.000 description 10
- 239000000306 component Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000012512 characterization method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 239000003792 electrolyte Substances 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000007772 electrode material Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 description 2
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 208000021760 high fever Diseases 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000007086 side reaction Methods 0.000 description 2
- 239000007784 solid electrolyte Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 241000790917 Dioxys <bee> Species 0.000 description 1
- 206010061245 Internal injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000011896 sensitive detection Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000004408 titanium dioxide Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4285—Testing apparatus
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/488—Cells or batteries combined with indicating means for external visualization of the condition, e.g. by change of colour or of light density
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Secondary Cells (AREA)
- Microelectronics & Electronic Packaging (AREA)
Abstract
本发明公开一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置，包括：二氧化碳‑乙烯联合气敏传感器，其设置在电池包模组内，用于检测二氧化碳和乙烯气体的浓度；压力传感器，其设置在电池壳体的压痕式泄压阀处，用于检测电池单体的内压；灌注管路，其设置在电池包模组内，其上均匀设置有泡沫孔，用于排出阻燃泡沫；多个电磁阀，其设置在对应泡沫孔处；阻燃泡沫存储箱，其设置在电池外部，且与所述灌注管路连通；控制器，其与所述二氧化碳‑乙烯联合气敏传感器、压力传感器和电磁阀连接，用于控制所述电磁阀工作。本发明还公开一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置的预警方法。
Description
技术领域
本发明涉及车载锂离子动力电池隐性损伤监测技术领域，更具体的是，本发明涉及一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置及其预警方法。
背景技术
电动化是汽车行业的未来。作为电动汽车的核心组件，动力电池的安全性是电动汽车的重要考量，实现前瞻性的动力电池的主动安全防护措施，可以极大的推动电动汽车的普及。锂离子电池凭借其具高容量，高输出电压，高充电率，高能量密度，自放电低和循环特性优良等诸多优势，已经成为车用动力电池的主流选择。但是，其电极材料的高活性与电解质材料的易燃性决定锂离子电池发生热失控的风险始终存在。近年来，随着电动汽车市场保有量的增长及其动力性能的提高，车载锂离子动力电池热失控引发的恶性安全事故频发，严重打击了消费者对电动车的信心。通过工程手段切实有效的提高车载锂离子动力电池的热失控安全性能已成为目前新能源汽车产业目前最紧迫的技术需求之一。
在结构上，锂离子电池包括功活性部件与非活性部件，即反应用电芯与其他必要元件。所谓隐性损伤，则是指在电池外参数表征中无法被直接察觉的结构损伤。
对于车载锂离子动力电池，其内部的隐性损伤是普遍存在且不能完全避免。
对于由层叠式卷绕材料构成的电芯，由于锂离子电池属于一种基于“摇椅原理”的***式电池，即使完全正常使用，伴随着每次充放电，电芯中的电极与隔膜都会因载流子***与析出产生的应力残留而出现表面破坏与结构疲劳，即老化。老化本身就是一种电池的隐性损伤。当电池出现少量过充等轻度滥用工况时，电池的轻度结构性损伤都会加剧电芯的老化进程，导致不可逆损伤的发生。所以，对于锂离子动力电池而言，其使用过程就是一个电芯隐性损伤的累积过程。对于除电芯外的非活性部件，其中包括大量的以点焊、激光焊接、粘接、螺栓紧固甚至铆接的密封与连接部件。外力的挤压、撞击与振动都可能使其出现变形或失效的情况。由于这种失效发生在非功能性结构上，发生当时，电池的外参数上并无显著变化，且在电动车的实际使用中，引发类似情况的工况无法完全避免。
电池内部的隐性损伤是导致电池发生热失控或自燃的重要原因之一。
研究表明，热失控的发生与电池内短路高度相关，而电池内部结构的损伤则会成为内短路发生的直接诱因。对于电芯，其电极与隔膜界面的隐性损伤会导致载流子的不均匀沉积，诱发枝晶的产生，进而提高的内短路的发生几率；隔膜本身的隐性损伤则会显著削弱电芯的安全性，增加极端工况下电池内短路的发生几率。对于非活性部件，由于车载动力电池在使用中被逐级整合进输出电压为360伏到480伏的电池包内，任何连接件与密封件的失效都可能导致局部电火花的产生，使电池单体处于电冲击或热冲击的极端工况下，直接触发电池的热失控。
热失控的发生较隐性损伤的发生存在较大滞后性，比如自燃，车载环境下确定早期损伤的单体存在困难，而非实时性的侵入式探查手段无工程意义。
研究表明，从电池内部结构出现损伤到其外参数出现可被BMS(电池管理***)识别的异常之间存在较大的时间差。而当电池的外参数出现异常时，电池热失控的发生已近在眼前，这大大缩小了电池安全***的预警窗口。此外，在电动车的实际生产中，大量的电芯被以堆叠的形式封装在电池包内，进而被整合到电动车的动力组中。而现有的电池隐性损伤研究，都是将单体拆解后通过观察其电极表面的形貌特征来实现。这种侵入式探查手段在电动车的实用层面并无工程意义。如何在外参数没有变化的情况下，以非破坏性手段，从近千块处于工作状态的电池中确定存在隐性损伤的单体并评估其损伤程度，在目前仍处于技术空白状态。
识别电池的内部隐性损伤可以提前热失控的早期预警时间，显著扩大热失控安全介入措施的介入时间窗口。
研究表明，当现有车载***检测到热失控即将发生时，其告警时间距热失控发生仅30秒左右。其不仅使主动安全措施难以完全发挥作用，且电池本身的高热会使BMS的控制板迅速损坏，导致***离线，进而中断车载电池的主动安全***的运作。提早识别电池的隐性损伤可以在电池在产生高热前就主动向车载***告警，保证了BMS控制电路的安全，使车载主动安全得以及时激活，保证了主动安全措施在潜在危险工况下介入的及时性与有效性，最大程度的保证驾驶员的生命财产安全。
发明内容
本发明的一个目的是设计开发了一种车载锂离子动力电池隐性损伤监测预警装置，能够实时检测电池包模组内二氧化碳和乙烯气体的浓度与以及电池单体的内压，确定车载锂离子动力电池隐性损伤程度，提高行车安全性。
本发明的另一个目的是设计开发一种车载锂离子动力电池隐性损伤监测预警装置的预警方法，能够采集电池包模组内二氧化碳和乙烯气体的浓度与以及电池单体的内压，并基于BP神经网络确定电磁阀的工作状态。
本发明还能够根据采集电池包模组内二氧化碳和乙烯气体的浓度与以及电池单体的内压精确控制阻燃泡沫的注入量，既能够避免电池热失控，还能将阻燃泡沫直接灌注到目标模组，最大程度保存其他完好的电池模组。
本发明提供的技术方案为：
一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置，包括：
多个电池包模组，其内部均匀排列设置有电池单体；
多个二氧化碳-乙烯联合气敏传感器，其分别设置在对应所述电池包模组内，且与所述电池单体一一对应，用于检测二氧化碳和乙烯气体的浓度；
多个压力传感器，其分别设置在所述电池单体的壳体的压痕式泄压阀处，用于检测电池单体的内压；
灌注管路，其连通设置在所述电池包模组内，且位于所述电池包模组内的灌注管路上分别设置有泡沫孔，用于排出阻燃泡沫；
多个电磁阀，其设置在对应泡沫孔处；
阻燃泡沫存储箱，其设置在所述电池外部，且与所述灌注管路连通；
控制器，其与所述二氧化碳-乙烯联合气敏传感器、压力传感器和电磁阀连接，用于接收所述二氧化碳-乙烯联合气敏传感器和压力传感器的检测数据并控制所述电磁阀工作。
优选的是，所述压力传感器设置在电池单体的压痕式泄压阀靠近电池顶盖一侧的凸起处；位于所述电池包模组内的灌注管路上分别设置有一个泡沫孔。
优选的是，还包括报警装置，其与所述控制器连接，用于接收所述控制器的数据并作出警报。
一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置的预警方法，采集电池包模组内二氧化碳和乙烯气体的浓度与以及电池单体的内压，并基于BP神经网络确定电磁阀的工作状态，包括如下步骤：
步骤一、按照采样周期，通过传感器测量电池包模组内二氧化碳和乙烯气体的浓度以及电池单体的内压；
步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3}；其中， x1为电池单体所处模组内二氧化碳的浓度，x2为电池单体所处模组内乙烯气体的浓度，x3为电池单体的内压；
其中，所述输入层神经元xi＝{xi1,xi2,...,xiM},i＝{1,2,3}其中，M为电池单体的数量；
步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；
步骤四、得到输出层神经元向量o＝{o1,o2}；其中，o1为电磁阀的工作状态，o2为报警装置的工作状态，所述输出层神经元值为 N为电磁阀的数量，与电池包内模组数量相同，Wj为第j个电磁阀的工作状态，当Wj＝1时，第j个电磁阀为开启状态，当Wj＝0时，第j个电磁阀为关闭状态；所述输出层神经元值为当o2＝1时，报警装置进行电池单体损伤告警，当o2＝2时，报警装置进行电池模组密封性破坏告警，当 o2＝3时，报警装置进行热失控风险告警，当o2＝0时，报警装置不报警。
优选的是，当电池单体的内压满足：
且电池包模组内二氧化碳，乙烯气体的浓度均满足：
确定对应的Wj＝1，并控制阻燃泡沫的注入量为：
式中，x3为电池内压的检测数据，x30为电池内压的历史稳定数据，xi为第i项的检测数据，xi0为第i项的历史稳定数据，mr为阻燃泡沫的注入量，mmax为阻燃泡沫的最大注入量，p0为标准大气压；
报警装置进行热失控风险告警，提醒驾驶员靠边停车，并撤离。
优选的是，当电池单体的内压满足：
且电池包模组内二氧化碳，乙烯气体的浓度均满足：
确定对应的Wj＝1，并控制阻燃泡沫的注入量为：
式中，x3为电池内压的检测数据，x30为电池内压的历史稳定数据，xi为第i项的检测数据，xi0为第i项的历史稳定数据，mr为阻燃泡沫的注入量，mmax为阻燃泡沫的最大注入量；
报警装置进行热失控风险告警，提醒驾驶员立即停车，并撤离。
优选的是，当电池单体的内压满足：
且电池包模组内二氧化碳，乙烯气体的浓度均满足：
式中，x3为电池内压的检测数据，x30为电池内压的历史稳定数据，xi为第i项的检测数据，xi0为第i项的历史稳定数据；
电磁阀不工作，报警装置进行电池单体损伤告警，提醒驾驶员靠边停车并检查。
优选的是，当电池单体的内压满足：
且电池包模组内二氧化碳的浓度变化满足：
电池包模组内乙烯的浓度变化满足：
式中，x3为电池内压的检测数据，x30为电池内压的历史稳定数据，x1为电池单体所处模组内二氧化碳的浓度的检测数据，x10为电池单体所处模组内二氧化碳的浓度的历史稳定数据，x2为电池单体所处模组内乙烯气体的浓度的检测数据，x20为电池单体所处模组内乙烯气体的浓度的历史稳定数据，；
电磁阀不工作，报警装置进行电池模组密封性破坏告警，提醒驾驶员靠边停车并检查。
优选的是，所述隐层的神经元为5个。
优选的是，所述隐层及所述输出层的激励函数均采用S型函数 fj(x)＝1/(1+e-x)。。
本发明所述的有益效果：
(1)本发明设计开发的车载锂离子动力电池隐性损伤监测和热失控早期预警装置，能够实时检测电池包模组内二氧化碳和乙烯气体的浓度与以及电池单体的内压，确定车载锂离子动力电池隐性损伤程度，提高行车安全性。
(2)本发明所采用的压力传感器仅需布置在电池单体的压痕式泄压阀处，体积小，可在电池封装过程中可以直接整合入在电池密封帽，不涉及电芯的加工，不影响电池工作，在现有电池的生产工艺与设备下就可使用。
(3)本发明使用的PPM级高灵敏度气敏传感器体积小，成本低，不依赖外电源，可在电池包封装中被密封在模组之中，不依赖与电池组的外信号输出，受外界因素影响小；多种特征气体协同测量，识别精度高，误报概率小。
(4)本发明可在现有技术无法感知的电池损害的极早期就识别潜在威胁并报警，可以将预警时间提前多个数量级，使热失控的主动安全介入成为可能。
(5)本发明是配合车载BMS***的安全硬件设备，是专门基于电动车安全需求研发的安全子模块，不同于现有为储能电站开发的安全措施，强调与电动车现有控制软体的兼容性，兼顾电动车内部结构布局与动力性需求。
(6)本发明设计开发的车载锂离子动力电池隐性损伤监测和热失控早期预警装置的预警方法，能够采集电池包模组内二氧化碳和乙烯气体的浓度与以及电池单体的内压，并基于BP神经网络确定电磁阀的工作状态。还能够根据采集电池包模组内二氧化碳和乙烯气体的浓度与以及电池单体的内压精确控制阻燃泡沫的注入量，既能够避免电池热失控，还能将阻燃泡沫直接灌注到目标模组，最大程度保存其他完好的电池模组。
附图说明
图1为本发明所述热失控发生的一般过程的示意图。
图2为本发明所述电池过充热失控副反应过程中电压、温度随着时间变化的示意图。
图3为图2中的103s时电池变化的表征示意图。
图4为图2中的166s时电池变化的表征示意图。
图5为图2中的183s时电池变化的表征示意图。
图6为图2中的197s时电池变化的表征示意图。
图7为本发明所述电池升温热失控产生的气体成分分析示意图。
图8为本发明所述电池升温热失控时产生气体与温度的关系。
图9为本发明所述电池升温热失控时温度与时间的关系。
图10为本发明所述电池升温热失控时产生气体和温度与时间的关系。
图11为本发明所述车载锂离子动力电池隐性损伤监测预警装置的结构示意图。
图12为本发明所述车载锂离子动力电池隐性损伤监测预警装置的结构示意图。
图13为本发明所述车载锂离子动力电池隐性损伤监测预警装置的炮炸结构示意图。
图14为本发明所述热失控发展过程的示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1所示，在热失控发生前，电池的内结构损伤必须达到一定程度。随着热失控发生的临近，其内部损伤不断扩大，进而触发更大规模的副反应，最终使其发展到不可逆转程度。对于结构完好的锂离子电池，其电芯中的电解液并不参与化学反应，工作状态下与***外无物质交换发生。当锂离子电池发生危及安全的损伤时，无论损伤如何微小，电芯内的电解液将发生氧化反应。其氧化产物将以气体的形式与外界进行物质交换。为此，在电池单体的壳体头部都设有压痕式泄压阀。同时，由于电池单体与电池包都被层层封装，其环境相对封闭稳定。如损伤单体的外壳完整度良好，则气体的产生必然导致电池壳体压痕处所受内压的变化；如损伤单体的外壳与外部环境联通，则封闭电池模组内的气体成分将出现变化。据此，我们可以通过对电池单体或模组内环境状态物理量的扰动进行监控，判断是否有电解液分解情况的发生。进而在不依赖电池的外参数输出的情况下，判断电池是否有存在危及安全的结构损害，实现在车载环境下，对工作状态下动力电池隐性损伤的实时监测。
那么，使用压力信号与气敏信号作为表征，能否做到提前热失控预警时间的目的呢。在热失控发生时，以电极材料是否分解产生氧气为界，热失控的发展过程可以分为有焰燃烧和无焰燃烧两个阶段。具体如图14所示。
若想能够阻断热失控的发展进程，则热失控的预警时间必须在反应发展到有焰燃烧之前。研究表明，自电池结构可逆性损伤开始，电池内部就开始出现气体。之后电池内部就有气体持续产生。在热损害的早期，如图2中的阶段1和阶段2所示，电池的电压与温度均无显著变化，但若以电池内压作为表征，则可以提前获得热失控发生的表征。如图2所示，温度与电压在实验150秒后才出现明显变化，而在103秒时电池已经出现肉眼可识别的内压变化特征。若以内短路发生，电池外壳完整性受损记为热失控开始，则使用压力信号则至少可将热失控预警时间提前约60秒，具体变化如图3-6所示。
研究表明，当车载动力电池电解液氧化分解时，其气体产物有水、一氧化碳、二氧化碳以及少量有机蒸气。其中，二氧化碳是其气体产物的主要成分，特征性成分为一氧化碳与氢氟酸蒸汽。不同电极材料的锂离子电池热失控后的气体产物成分如图7所示。其中，所有电极材料的产物中均以二氧化碳与乙烯蒸汽为主要成分。不仅如此，在电解液出现反应前，特征性气体信号就已出现。如图1所示，SEI的分解标志着电池结构损伤的开始。研究表明，SEI膜(固体电解质界面，具有固体电解质性质的钝化膜层)的分解也伴随着少量二氧化碳和乙烯气体的出现。同样的气体信号特征也出现在图9 中。其显示，在电池100℃左右时，传感器检测到气体产生，这与SEI膜的分解温度相符。所以，通过联合检测二氧化碳与乙烯蒸汽的气体信号，在损伤的极早期就可以直接表征电池内损伤的出现。同时，在图8-10中都反映出，电池的排气量存在2个峰值，其中，第二个峰值代表着热失控的发生。其第一个显著的峰值较之第二个峰值提前约1000秒。这充分表明了内压测量法与气敏测量法在热失控预警上的前瞻性。
基于以上原因，本发明是采用如下技术方案，实现对工作状态车载锂离子动力电池隐性损伤的实时监测与热失控的早期预警：
如前所述，虽然通过在电池单体内部直接布设气敏传感器的方法可以更灵敏检测电池的隐性损伤，但由于其需布设在电芯上方，其信号引出存在较大困难且会破坏电池的密封性。这无疑增加了单体的工艺要求与加工成本。故经综合考虑，本发明通过在电池壳体的压痕式泄压阀处布置的压力传感器与电池包模组内布置的二氧化碳-乙烯联合气敏传感器的方式，分别监测电池单体的内压与封闭电池包内的二氧化碳浓度及特征气体含量的方法，实现车载锂离子动力电池隐性损伤的实时监测与热失控的早期预警的目的。
同时，以电池包模组为单位，将以上监测数据传输至单片机后进行汇总，之后上传至包含BMS安全子模块的上位机(控制器)。通过与***内的历史数据对比，判断模组的气敏监控数据是否存在异常波动。如果有，在***向驾驶员告警的同时根据单体内压数据，确定存在隐性损伤的单体在模组中的位置，为后续主动安全措施的介入做好准备。
装置的主要组成部分包括：应变传感器探头组件、二氧化碳气敏传感器探头组件、信号传输组件、单片机、上位机与设备箱体。
具体的是，本实施例中，包括多个电池包模组，其内部均匀排列设置有电池单体，多个二氧化碳-乙烯联合气敏传感器，其分别设置在对应电池包模组内，且电池单体一一对应，用于检测二氧化碳和乙烯气体的浓度；多个压力传感器，其分别设置在电池单体的壳体的压痕式泄压阀处，用于检测电池单体的内压；灌注管路(安全措施的介入装置)，其连通设置在电池包模组内，且位于电池包模组内的灌注管路上分别设置有泡沫孔，用于排出阻燃泡沫，优选是每个电池包膜组内的灌注管路上设置有一个泡沫孔，并对应设置有电磁阀，方便控制；阻燃泡沫存储箱，其设置在所述电池外部，且与灌注管路连通，用于存储和提供阻燃泡沫；控制器，其与二氧化碳-乙烯联合气敏传感器、压力传感器和电磁阀连接，用于接收二氧化碳-乙烯联合气敏传感器和压力传感器的检测数据并控制电磁阀工作。
在电池单体的压痕式泄压阀靠近电池顶盖一侧的凸起处布置一片面积为 0.5平方厘米的应变式压力传感器。其整***于电池密封体外侧，四角均有引线由顶盖孔隙处引出与电池模组控制板相连。其信号在模组汇总后由信号通路传入BMS***。在模组气体通路内布置PPM灵敏度级别乙烯气体传感器与二氧化碳传感器探头，之后将其信号通过信号通路导入BMS***。之后通过气体传感器判断问题模组、压力传感器判断模组内损坏单体的位置方法实现隐性损伤监测与热失控早期预警的目的，如图11-13所示。
本发明设计开发的车载锂离子动力电池隐性损伤监测和热失控早期预警装置，能够实时检测电池包模组内二氧化碳和乙烯气体的浓度与以及电池单体的内压，确定车载锂离子动力电池隐性损伤程度，提高行车安全性。本发明所采用的压力传感器仅需布置在电池单体的压痕式泄压阀处，体积小，可在电池封装过程中可以直接整合入在电池密封帽，不涉及电芯的加工，不影响电池工作，在现有电池的生产工艺与设备下就可使用。本发明使用的PPM 级高灵敏度气敏传感器体积小，成本低，不依赖外电源，可在电池包封装中被密封在模组之中，不依赖与电池组的外信号输出，受外界因素影响小；多种特征气体协同测量，识别精度高，误报概率小。本发明可在现有技术无法感知的电池损害的极早期就识别潜在威胁并报警，可以将预警时间提前多个数量级，使热失控的主动安全介入成为可能。
本发明还提供一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置的预警方法，采集电池包模组内二氧化碳和乙烯气体的浓度与以及电池单体的内压，并基于BP神经网络确定电磁阀的工作状态，包括如下步骤：
步骤一、建立BP神经网络模型。
BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即oi＝xi。中间隐含层和输出层的神经元的操作特性为
opj＝fj(netpj)
其中p表示当前的输入样本，ωji为从神经元i到神经元j的连接权值，opi为神经元j的当前输入，opj为其输出；fj为非线性可微非递减函数，一般取为S型函数，即fj(x)＝1/(1+e-x)。
本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由***实际需要输出的响应确定。
该网络的数学模型为：
输入向量：x＝(x1,x2,...,xn)T
中间层向量：y＝(y1,y2,...,ym)T
输出向量：o＝(o1,o2,...,op)T
本发明中，输入层节点数为n＝3，输出层节点数为p＝2，隐藏层节点数 m＝5。
输入层3个参数分别表示为：x1为电池单体所处模组内二氧化碳的浓度， x2为电池单体所处模组内乙烯气体的浓度，x3为电池单体的内压；
其中，所述输入层神经元xi＝{xi1,xi2,...,xiM},i＝{1,2,3}其中，M为电池单体的数量；
输出层2个参数分别表示为：o1为电磁阀的工作状态，o2为报警装置的工作状态，所述输出层神经元值为 N为电磁阀的数量，与电池包内模组数量相同，Wj为第j个电磁阀的工作状态，当 Wj＝1时，第j个电磁阀为开启状态，当Wj＝0时，第j个电磁阀为关闭状态；所述输出层神经元值为当o2＝1时，报警装置进行电池单体损伤告警，当o2＝2时，报警装置进行电池模组密封性破坏告警，当o2＝3时，报警装置进行热失控风险告警，当o2＝0时，报警装置不报警；
其中，如果o2＝3，则o1＝1，即如果进行热失控报警时，对应电磁阀将工作。
步骤二、进行BP神经网络的训练。
建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致。
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：
第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。
第二步：对每个输入样本作如下计算：
(a)前向计算：对l层的j单元
式中，为第n次计算时l层的j单元信息加权和，为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，为前一层(即l-1层，节点数为nl-1) 的单元i送来的工作信号；i＝0时，令 为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数，则
且
若神经元j属于第一隐层(l＝1)，则有
若神经元j属于输出层(l＝L)，则有
且ej(n)＝xj(n)-oj(n)；
(b)反向计算误差：
对于输出单元
对隐单元
(c)修正权值：
η为学习速率。
第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为
Δω＝(JTJ+μI)-1JTe
其中J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。
在***设计时，***模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了***的自学习功能。在指定了学习样本及数量的情况下，***可以进行自学习，以不断完善网络性能。
(1)当电池单体的内压满足：
且电池包模组内二氧化碳，乙烯气体的浓度均满足：
确定对应的Wj＝1，并控制阻燃泡沫的注入量为：
式中，x3为电池内压的检测数据，x30为电池内压的历史稳定数据，xi为第i项的检测数据，xi0为第i项的历史稳定数据，mr为阻燃泡沫的注入量，mmax为阻燃泡沫的最大注入量，p0为标准大气压；
报警装置进行热失控风险告警，提醒驾驶员靠边停车，并撤离。
(2)当电池单体的内压满足：
且电池包模组内二氧化碳，乙烯气体的浓度均满足：
确定对应的Wj＝1，并控制阻燃泡沫的注入量为：
式中，x3为电池内压的检测数据，x30为电池内压的历史稳定数据，xi为第i项的检测数据，xi0为第i项的历史稳定数据，mr为阻燃泡沫的注入量，mmax为阻燃泡沫的最大注入量；
报警装置进行热失控风险告警，提醒驾驶员立即停车，并撤离。
(3)当电池单体的内压满足：
且电池包模组内二氧化碳，乙烯气体的浓度均满足：
式中，x3为电池内压的检测数据，x30为电池内压的历史稳定数据，xi为第i项的检测数据，xi0为第i项的历史稳定数据；
电磁阀不工作，报警装置进行电池单体损伤告警，提醒驾驶员靠边停车并检查。
(4)当电池单体的内压满足：
且电池包模组内二氧化碳的浓度变化满足：
电池包模组内乙烯的浓度变化满足：
式中，x3为电池内压的检测数据，x30为电池内压的历史稳定数据，x1为电池单体所处模组内二氧化碳的浓度的检测数据，x10为电池单体所处模组内二氧化碳的浓度的历史稳定数据，x2为电池单体所处模组内乙烯气体的浓度的检测数据，x20为电池单体所处模组内乙烯气体的浓度的历史稳定数据，；
电磁阀不工作，报警装置进行电池模组密封性破坏告警，提醒驾驶员靠边停车并检查。
下面结合具体的实施例进一步的对本发明提供的对发动机技术状态的方法进行说明。
选取10组电池，使其工作在不同温度下，进而模拟出10组电池工作状态，具体数据如表1所示。
表1具体电池工作数据
| 序号 | 二氧化碳浓度 | 乙烯气体浓度 | 电池单体内压 |
| 1 | 0.02 | 0.01 | 1.01p<sub>0</sub> |
| 2 | 0.12 | 0.2 | 1.2p<sub>0</sub> |
| 3 | 0.05 | 0.06 | 1.1p<sub>0</sub> |
| 4 | 0.12 | 0.08 | 1.18p<sub>0</sub> |
| 5 | 0.1 | 0.11 | 1.20p<sub>0</sub> |
| 6 | 0.22 | 0.20 | 1.28p<sub>0</sub> |
| 7 | 0.35 | 0.42 | 1.41p<sub>0</sub> |
| 8 | 0.28 | 0.15 | 1.30p<sub>0</sub> |
| 9 | 0.13 | 0.22 | 1.22p<sub>0</sub> |
| 10 | 0.20 | 0.19 | 1.20p<sub>0</sub> |
采用本发明提供的预警方法进行控制，具体结果如表2所示。
将10组电池进行差拆解并观察，发现喷有阻燃泡沫的电池位置均有不同程度的损伤，而他其位置保持完好，既没有损伤，也没有被阻燃泡沫污染，并同时对电解液进行分析，发现电解液也发生了不同程度的分解，如果不进行阻燃泡沫灌注，接下来很有可能发生热失控，具有很大的危险性。因此，本发明提供的预警方法是可行的。
本发明设计开发的车载锂离子动力电池隐性损伤监测和热失控早期预警装置的预警方法，能够采集电池包模组内二氧化碳和乙烯气体的浓度与以及电池单体的内压，并基于BP神经网络确定电磁阀的工作状态。还能够根据采集电池包模组内二氧化碳和乙烯气体的浓度与以及电池单体的内压精确控制阻燃泡沫的注入量，既能够避免电池热失控，还能将阻燃泡沫直接灌注到目标模组，最大程度保存其他完好的电池模组。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置，其特征在于，包括：
多个电池包模组，其内部均匀排列设置有电池单体；
多个二氧化碳-乙烯联合气敏传感器，其分别设置在对应所述电池包模组内，且与所述电池单体一一对应，用于检测二氧化碳和乙烯气体的浓度；
多个压力传感器，其分别设置在所述电池单体的壳体的压痕式泄压阀处，用于检测电池单体的内压；
灌注管路，其连通设置在所述电池包模组内，且位于所述电池包模组内的灌注管路上分别设置有泡沫孔，用于排出阻燃泡沫；
多个电磁阀，其设置在对应泡沫孔处；
阻燃泡沫存储箱，其设置在所述电池外部，且与所述灌注管路连通；
控制器，其与所述二氧化碳-乙烯联合气敏传感器、压力传感器和电磁阀连接，用于接收所述二氧化碳-乙烯联合气敏传感器和压力传感器的检测数据并控制所述电磁阀工作。
2.如权利要求1所述的车载锂离子动力电池隐性损伤监测和热失控早期预警装置，其特征在于，所述压力传感器设置在电池单体的压痕式泄压阀靠近电池顶盖一侧的凸起处；位于所述电池包模组内的灌注管路上分别设置有一个泡沫孔。
3.如权利要求2所述的车载锂离子动力电池隐性损伤监测和热失控早期预警装置，其特征在于，还包括报警装置，其与所述控制器连接，用于接收所述控制器的数据并作出警报。
4.一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置的预警方法，其特征在于，采集电池包模组内二氧化碳和乙烯气体的浓度与以及电池单体的内压，并基于BP神经网络确定电磁阀的工作状态，包括如下步骤：
步骤一、按照采样周期，通过传感器测量电池包模组内二氧化碳和乙烯气体的浓度以及电池单体的内压；
步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3}；其中，x1为电池单体所处模组内二氧化碳的浓度，x2为电池单体所处模组内乙烯气体的浓度，x3为电池单体的内压；
其中，所述输入层神经元xi＝{xi1,xi2,...,xiM},i＝{1,2,3}其中，M为电池单体的数量；
步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；
步骤四、得到输出层神经元向量o＝{o1,o2}；其中，o1为电磁阀的工作状态，o2为报警装置的工作状态，所述输出层神经元值为 N为电磁阀的数量，与电池包内模组数量相同，Wj为第j个电磁阀的工作状态，当Wj＝1时，第j个电磁阀为开启状态，当Wj＝0时，第j个电磁阀为关闭状态；所述输出层神经元值为当o2＝1时，报警装置进行电池单体损伤告警，当o2＝2时，报警装置进行电池模组密封性破坏告警，当o2＝3时，报警装置进行热失控风险告警，当o2＝0时，报警装置不报警。
5.如权利要求4所述的车载锂离子动力电池隐性损伤监测和热失控早期预警装置的预警方法，其特征在于，当电池单体的内压满足：
且电池包模组内二氧化碳，乙烯气体的浓度均满足：
确定对应的Wj＝1，并控制阻燃泡沫的注入量为：
式中，x3为电池内压的检测数据，x30为电池内压的历史稳定数据，xi为第i项的检测数据，xi0为第i项的历史稳定数据，mr为阻燃泡沫的注入量，mmax为阻燃泡沫的最大注入量，p0为标准大气压；
报警装置进行热失控风险告警，提醒驾驶员靠边停车，并撤离。
6.如权利要求4所述的车载锂离子动力电池隐性损伤监测和热失控早期预警装置的预警方法，其特征在于，当电池单体的内压满足：
且电池包模组内二氧化碳，乙烯气体的浓度均满足：
确定对应的Wj＝1，并控制阻燃泡沫的注入量为：
式中，x3为电池内压的检测数据，x30为电池内压的历史稳定数据，xi为第i项的检测数据，xi0为第i项的历史稳定数据，mr为阻燃泡沫的注入量，mmax为阻燃泡沫的最大注入量；
报警装置进行热失控风险告警，提醒驾驶员立即停车，并撤离。
7.如权利要求4所述的车载锂离子动力电池隐性损伤监测和热失控早期预警装置的预警方法，其特征在于，当电池单体的内压满足：
且电池包模组内二氧化碳，乙烯气体的浓度均满足：
式中，x3为电池内压的检测数据，x30为电池内压的历史稳定数据，xi为第i项的检测数据，xi0为第i项的历史稳定数据；
电磁阀不工作，报警装置进行电池单体损伤告警，提醒驾驶员靠边停车并检查。
8.如权利要求4所述的车载锂离子动力电池隐性损伤监测和热失控早期预警装置的预警方法，其特征在于，当电池单体的内压满足：
且电池包模组内二氧化碳的浓度变化满足：
电池包模组内乙烯的浓度变化满足：
式中，x3为电池内压的检测数据，x30为电池内压的历史稳定数据，x1为电池单体所处模组内二氧化碳的浓度的检测数据，x10为电池单体所处模组内二氧化碳的浓度的历史稳定数据，x2为电池单体所处模组内乙烯气体的浓度的检测数据，x20为电池单体所处模组内乙烯气体的浓度的历史稳定数据；
电磁阀不工作，报警装置进行电池模组密封性破坏告警，提醒驾驶员靠边停车并检查。
9.如权利要求4-8中任意一项所述的车载锂离子动力电池隐性损伤监测和热失控早期预警装置的预警方法，其特征在于，所述隐层的神经元为5个。
10.如权利要求9所述的车载锂离子动力电池隐性损伤监测和热失控早期预警装置的预警方法，其特征在于，所述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910717534.9A CN110416644B (zh) | 2019-08-05 | 2019-08-05 | 一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置及其预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910717534.9A CN110416644B (zh) | 2019-08-05 | 2019-08-05 | 一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置及其预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110416644A true CN110416644A (zh) | 2019-11-05 |
| CN110416644B CN110416644B (zh) | 2023-10-24 |
Family
ID=68365865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910717534.9A Active CN110416644B (zh) | 2019-08-05 | 2019-08-05 | 一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置及其预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110416644B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838600A (zh) * | 2019-11-13 | 2020-02-25 | 江西优特汽车技术有限公司 | 一种新能源电动汽车用锂离子电池包热失控控制***及运行方法 |
| CN111555001A (zh) * | 2020-05-20 | 2020-08-18 | 长春光华学院 | 一种混合动力汽车的电池冷却***及其控制方法 |
| CN112034359A (zh) * | 2020-08-31 | 2020-12-04 | 郑州大学 | 基于氢气探测的锂电池早期安全预警方法及装置 |
| CN112043995A (zh) * | 2020-09-17 | 2020-12-08 | 烟台创为新能源科技股份有限公司 | 一种精准探测锂离子电池热失控的预警消防*** |
| CN112510278A (zh) * | 2020-11-30 | 2021-03-16 | 同济大学 | 一种车载锂离子动力电池组热失控检测及处理方法、*** |
| CN112635875A (zh) * | 2020-03-27 | 2021-04-09 | 苏州清陶新能源科技有限公司 | 一种电池用软壳、其制备方法和用途 |
| CN114559815A (zh) * | 2020-11-27 | 2022-05-31 | 李玉钦 | 新能源汽车电池热失控判断处置方法 |
| CN114895200A (zh) * | 2022-05-24 | 2022-08-12 | 吉林大学 | 一种基于多参数的锂离子电池热失控过程分析方法 |
| WO2023006698A1 (en) * | 2021-07-29 | 2023-02-02 | Qinetiq Limited | Detection system and method |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7940028B1 (en) * | 2010-08-10 | 2011-05-10 | Tesla Motors, Inc. | Thermal energy transfer system for a power source utilizing both metal-air and non-metal-air battery packs |
| US20130314094A1 (en) * | 2012-05-23 | 2013-11-28 | Lawrence Livermore National Security, Llc | Battery management system with distributed wireless sensors |
| DE102013204529A1 (de) * | 2013-03-15 | 2014-09-18 | Robert Bosch Gmbh | Batteriezelleinrichtung mit Überdrucksicherheitsfunktion und Verfahren zum Überwachen einer Batteriezelle |
| CN106444489A (zh) * | 2016-08-31 | 2017-02-22 | 中国人民解放军装甲兵工程学院 | 基于数字化监测重型装备发动机的监测装置及其监测方法 |
| CN206134872U (zh) * | 2016-09-06 | 2017-04-26 | 宝沃汽车（中国）有限公司 | 蓄电池及具有其的车辆 |
| CN208239407U (zh) * | 2018-06-21 | 2018-12-14 | 中铁十五局集团第三工程有限公司 | 一种有害气体移动综合监控*** |
| CN109323821A (zh) * | 2018-11-16 | 2019-02-12 | 长庆石油勘探局有限公司技术监测中心 | 一种多工位气体检测仪检定仪器及检定方法 |
| CN109731265A (zh) * | 2019-01-22 | 2019-05-10 | 吉林建筑大学 | 一种基于气敏传感器的消防用防火喷淋装置及其控制方法 |
| CN109755687A (zh) * | 2019-01-16 | 2019-05-14 | 吉林大学 | 一种利用石墨烯膜对电池进行精确加热和冷却***及其控制方法 |
-
2019
- 2019-08-05 CN CN201910717534.9A patent/CN110416644B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7940028B1 (en) * | 2010-08-10 | 2011-05-10 | Tesla Motors, Inc. | Thermal energy transfer system for a power source utilizing both metal-air and non-metal-air battery packs |
| US20130314094A1 (en) * | 2012-05-23 | 2013-11-28 | Lawrence Livermore National Security, Llc | Battery management system with distributed wireless sensors |
| DE102013204529A1 (de) * | 2013-03-15 | 2014-09-18 | Robert Bosch Gmbh | Batteriezelleinrichtung mit Überdrucksicherheitsfunktion und Verfahren zum Überwachen einer Batteriezelle |
| CN106444489A (zh) * | 2016-08-31 | 2017-02-22 | 中国人民解放军装甲兵工程学院 | 基于数字化监测重型装备发动机的监测装置及其监测方法 |
| CN206134872U (zh) * | 2016-09-06 | 2017-04-26 | 宝沃汽车（中国）有限公司 | 蓄电池及具有其的车辆 |
| CN208239407U (zh) * | 2018-06-21 | 2018-12-14 | 中铁十五局集团第三工程有限公司 | 一种有害气体移动综合监控*** |
| CN109323821A (zh) * | 2018-11-16 | 2019-02-12 | 长庆石油勘探局有限公司技术监测中心 | 一种多工位气体检测仪检定仪器及检定方法 |
| CN109755687A (zh) * | 2019-01-16 | 2019-05-14 | 吉林大学 | 一种利用石墨烯膜对电池进行精确加热和冷却***及其控制方法 |
| CN109731265A (zh) * | 2019-01-22 | 2019-05-10 | 吉林建筑大学 | 一种基于气敏传感器的消防用防火喷淋装置及其控制方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838600A (zh) * | 2019-11-13 | 2020-02-25 | 江西优特汽车技术有限公司 | 一种新能源电动汽车用锂离子电池包热失控控制***及运行方法 |
| CN112635875A (zh) * | 2020-03-27 | 2021-04-09 | 苏州清陶新能源科技有限公司 | 一种电池用软壳、其制备方法和用途 |
| CN112635875B (zh) * | 2020-03-27 | 2023-05-26 | 苏州清陶新能源科技有限公司 | 一种电池用软壳、其制备方法和用途 |
| CN111555001A (zh) * | 2020-05-20 | 2020-08-18 | 长春光华学院 | 一种混合动力汽车的电池冷却***及其控制方法 |
| CN111555001B (zh) * | 2020-05-20 | 2021-04-02 | 长春光华学院 | 一种混合动力汽车的电池冷却***及其控制方法 |
| CN112034359A (zh) * | 2020-08-31 | 2020-12-04 | 郑州大学 | 基于氢气探测的锂电池早期安全预警方法及装置 |
| CN112043995A (zh) * | 2020-09-17 | 2020-12-08 | 烟台创为新能源科技股份有限公司 | 一种精准探测锂离子电池热失控的预警消防*** |
| CN114559815A (zh) * | 2020-11-27 | 2022-05-31 | 李玉钦 | 新能源汽车电池热失控判断处置方法 |
| CN112510278A (zh) * | 2020-11-30 | 2021-03-16 | 同济大学 | 一种车载锂离子动力电池组热失控检测及处理方法、*** |
| WO2023006698A1 (en) * | 2021-07-29 | 2023-02-02 | Qinetiq Limited | Detection system and method |
| CN114895200A (zh) * | 2022-05-24 | 2022-08-12 | 吉林大学 | 一种基于多参数的锂离子电池热失控过程分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110416644B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110416644A (zh) | 一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置及其预警方法 | |
| CN106154182A (zh) | 一种基于改进d‑s证据理论的锂电池故障诊断方法 | |
| KR101992051B1 (ko) | 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 | |
| Wang et al. | A fault diagnosis method for lithium-ion battery packs using improved RBF neural network | |
| CN110376530A (zh) | 电池内短路检测装置及方法 | |
| CN113013514B (zh) | 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法 | |
| WO2023036037A1 (zh) | 基于多种类、多数量传感器的智能电池监测预警方法及*** | |
| CN111157898A (zh) | 一种新能源车辆在线电池故障检测分析方法及装置 | |
| CN205674885U (zh) | 一种电动汽车的电池检测管理*** | |
| Sankavaram et al. | Fault diagnosis in hybrid electric vehicle regenerative braking system | |
| Xie et al. | Quantified assessment of internal short-circuit state for 18 650 batteries using an extreme learning machine-based pseudo-distributed model | |
| CN113505926B (zh) | 一种基于阻抗预测模型自更新的燃料电池故障预测方法 | |
| Xie et al. | Data-driven diagnosis of multiple faults in series battery packs based on cross-cell voltage correlation and feature principal components | |
| WO2022173384A1 (en) | Early fault detection method for a battery | |
| He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
| CN116572747A (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
| Yang et al. | A review on models to prevent and control lithium-ion battery failures: From diagnostic and prognostic modeling to systematic risk analysis | |
| Qiao et al. | A novel intelligent weight decreasing firefly–particle filtering method for accurate state‐of‐charge estimation of lithium‐ion batteries | |
| CN109552219A (zh) | 一种基于混合动力汽车的分布式安全监控方法 | |
| CN109886439A (zh) | 电控车辆远程诊断***及其诊断方法 | |
| CN113085555B (zh) | 一种电池包热失控后的警示方法 | |
| Lee et al. | State of charge estimation and state of health diagnostic method using multilayer neural networks | |
| Campbell et al. | Estimation of surface temperature distributions across an array of lithium-ion battery cells using a long short-term memory neural network | |
| Zhang et al. | Artificial Neural Network–Based Multisensor Monitoring System for Collision Damage Assessment of Lithium‐Ion Battery Cells | |
| CN109835333A (zh) | 一种保持车辆在车道中间行驶的控制***及控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |