一种基于机械形变解耦的锂离子电池机械形变估计方法

本技术涉及电池机械形变估计，尤其涉及一种基于机械形变解耦的锂离子电池机械形变估计方法。

背景技术：

1、锂离子电池在充放电过程中会产生明显但通常难以直接观察的机械形变。由充放电动态过程和老化退化过程共同导致的厚度变化、膨胀位移、压力相关变形或应变意义上的变化，均属于电池机械形变。电池机械形变与电池寿命和安全风险直接相关。正常充放电过程中的周期性机械形变能够反映电极材料嵌锂和脱锂的可恢复响应，而长期累积的不可恢复机械形变通常反映电池内部副反应、界面膜增厚、活性材料结构损伤和阻抗增加等老化现象。当不可恢复机械形变持续增大或增长速率异常升高时，可能导致模组预紧力异常、极片受压不均、壳体鼓胀、电解液泄漏甚至热失控风险增加。因此，若能够在不显著增加硬件成本的前提下估计电池机械形变，就能够为电池健康管理、机械安全裕度评估和早期安全预警提供重要依据。

2、现有技术中，电池机械形变监测的方法包括直接传感器测量法、基于物理模型的估计法以及数据驱动估计方法。直接传感器测量法通常在电池壳体、软包表面或夹具结构中布置应变片、位移传感器、压力传感器或光纤传感器，以获取电池表面变形、厚度变化或堆叠压力变化。该类方法的优点是测量结果直观，能够直接反映被测位置的机械响应，因此在实验室机理研究和部分受控测试平台中应用较多，然而实际工程中应用较少。

3、基于物理模型的估计法通常通过构建等效弹簧-阻尼模型、粘弹性松弛模型、堆叠压力模型或热-力-电耦合模型，对电池在充放电过程中的膨胀、压力或机械响应进行计算。此类方法一般需要输入soc、温度、倍率、预紧压力、材料弹性参数、几何尺寸和边界约束条件，并通过实验标定获得模型参数。物理模型具有一定机理解释性，但其准确性高度依赖参数辨识质量和工况一致性。

4、数据驱动法则利用机器学习或深度学习建立电信号、状态量与机械响应之间的映射关系。现有方法中，有的利用电压、电流、温度、soc、soh、压力或应变等多源信号训练回归模型，有的采用dnn、lstm、gru、transformer、高斯过程回归或支持向量机等模型估计电池压力、膨胀或相关健康状态。该类方法相比纯物理模型更容易拟合复杂非线性关系，但往往依赖多源输入、人工特征或大量标注样本。

5、然而，现有方法通常将电池机械形变视为单一整体量进行建模，而没有充分区分两类本质不同的形变来源：一类是由嵌锂/脱锂导致、在单个充放电周期内可往复恢复的可恢复机械形变；另一类是由sei膜生长、活性材料损失、微裂纹扩展和副反应累积导致、随循环次数持续增长的不可恢复机械形变。由于两类机械形变在驱动机理、变化速度和时间尺度上存在显著差异，直接对总机械形变进行统一建模，容易使短期充放电波动与长期老化漂移互相干扰，从而影响全寿命周期估计精度。

技术实现思路

1、本技术的主要目的在于提供了一种基于机械形变解耦的锂离子电池机械形变估计方法，以解决现有技术中的技术问题。

2、为实现上述目的，本技术提供一种基于机械形变解耦的锂离子电池机械形变估计方法，所述方法包括：

3、s10，采集锂离子电池电压数据，并对采集的所述锂离子电池电压数据进行预处理；

4、s20，构建机械形变解耦机制；

5、s30，构建cnn不可恢复机械形变特征提取框架；

6、s40，构建seq2seq-gru协同机械形变估计机制。

7、可选地，所述步骤s10包括以下步骤：

8、s101，基于电池测试系统、电池测试柜或电池管理系统中的电压采集模块，采集锂离子电池在循环充放电过程中的端电压序列；

9、s102，基于bms前端采样芯片或电压采集单元获取单体或模组端电压序列；

10、s103，对所述端电压序列进行预处理。

11、可选地，所述预处理包括异常点剔除、平滑去噪、循环切分、插值重采样、统一采样点数和归一化处理。

12、可选地，步骤s20包括：

13、s201，以第一循环开始充电时的机械形变值作为参考基线；

14、s202，对于后续任一循环，将任一所述循环开始时相对于参考基线的机械形变偏移确定为不可恢复机械形变；

15、s203，将任一所述循环内部相对于本循环起始基线的动态偏移确定为可恢复机械形变，并对每个循环的起始基线进行平滑处理。

16、可选地，步骤s30包括：

17、s301，将预处理后的所述端电压序列输入cnn分支；

18、s302，所述cnn分支通过卷积层、池化层、展平层和全连接层对电压曲线进行局部形貌特征提取，获取输出值。

19、可选地，步骤s40包括：

20、s401，将经过预处理的端电压序列输入seq2seq-gru编码器，由编码器依次读取各电压采样点并更新隐藏状态，生成包含历史电压动态信息的上下文向量；

21、s402，将第三环节cnn输出的退化先验特征向量通过特征拼接、线性映射、隐藏状态初始化或上下文融合方式嵌入seq2seq-gru网络，使编码器或解码器在处理序列时携带锂离子电池当前老化阶段信息；

22、s403，由seq2seq-gru解码器根据上下文向量和退化先验逐步生成循环内可恢复机械形变序列；

23、s404，将所述可恢复机械形变序列与cnn分支输出的不可恢复机械形变估计值相加或融合，得到锂离子电池总机械形变估计结果。

24、与现有技术相比，本技术的有益效果在于：

25、本技术实施例提供的基于机械形变解耦的锂离子电池机械形变估计方法，通过以端电压序列作为核心在线输入，本技术能够利用电池管理系统已有采集信号估计机械形变，减少对外置机械传感器、压力传感器或位移传感器的依赖，从而降低系统集成成本和工程部署难度。

26、通过将总机械形变解耦为可恢复机械形变和不可恢复机械形变，本技术能够分别刻画充放电周期内的正常动态膨胀/收缩和老化过程中的长期不可恢复膨胀，从而避免两类不同时间尺度信号互相干扰。

27、通过cnn分支从电压曲线形貌中提取不可恢复机械形变和退化阶段特征，本技术能够利用电压平台偏移、斜率变化和极化增强等信息表征电池当前老化程度，提高模型对寿命后期非线性变化的适应能力，即提高全寿命周期估计精度。

28、通过将cnn中间层退化先验嵌入seq2seq-gru网络，本技术能够使序列估计模型在生成机械形变曲线时感知当前退化阶段，从而提高不同老化阶段下电压-机械形变映射的准确性和一致性。

29、通过输出可恢复机械形变、不可恢复机械形变和总机械形变，本技术不仅能够给出机械形变估计结果，还能够区分正常充放电形变和老化累积形变，为soh辅助估计和安全预警提供更具解释性的依据。

30、通过技术环节协同，本技术能够为动力电池、储能电池和实验室电池管理平台提供一种低成本、可解释、可迁移的机械形变估计方案，有助于提升电池机械安全监测和寿命管理能力。