在低溫充電條件下的鋰析出嚴重威脅鋰離子電池的壽命，但實際場景中有限的可用信號和不穩(wěn)定的運行條件嚴重阻礙了鋰析出的車載檢測和量化。目前，常用的析鋰檢測方法存在檢測條件苛刻、設備復雜、時間長等問題。

為此，北京理工大學熊瑞教授、林程教授等人提出了一種基于深度學習的僅使用充電過程中的恒流曲線來預測不確定條件下鋰析出的發(fā)生和量化的檢測方法。具體而言，作者開發(fā)了一種深度神經(jīng)網(wǎng)絡（DNN），以從充電曲線中提取由鋰析出引起的數(shù)據(jù)驅(qū)動特征。該網(wǎng)絡僅使用最常見的電壓和電流信號作為輸入，具有超強的適應性和準確性。結果顯示，該方法的檢測準確率為98.64%，同時析鋰的數(shù)量可準確預測且均方根誤差<4.1712 mg。

此外，在訓練數(shù)據(jù)集未使用的情況下，該方法的可靠檢測精度驗證了該方法的泛化能力，對電池全新充電條件和老化狀態(tài)的檢測準確率分別為92.39%和95.53%。同時，該方法還將目前需要數(shù)小時（廣泛使用的微分曲線分析）的檢測時間縮短到毫秒，并消除了對嚴格測試環(huán)境的需求，顯示出深度學習在未來電池管理系統(tǒng)中的巨大應用潛力。

圖1. DNN架構，每個塊中的數(shù)字表示該層的所選參數(shù)

這項研究是深度學習在鋰析出量化中的首次應用，同時還可以進一步改進：首先，僅使用充電曲線段作為輸入來檢測鋰析出是值得嘗試的。其次，可以研究該方法指導充電策略的潛力，通過實時檢測實現(xiàn)在充電過程中避免產(chǎn)生析鋰。最后需要說明的是，作為一種目前被廣泛接受和使用的檢測方法，差分電壓分析（DVA）是一種間接定量的鋰析出分析方法，其結果很難通過物理方法直接驗證。

因此，所提出的DNN的一個有價值的貢獻是它不需要幾個小時的檢測時間和嚴格的測試條件，而是提供了與 DVA 相同的檢測效果且具有快速和高精度，使其在實際應用中很有前景。此外，DVA的作用是為DNN的訓練提供標簽數(shù)據(jù)集。也就是說，任何可以原位檢測析鋰量的方法都可與所提出的DNN相結合。

圖2. 充電條件對預測精度的影響

Deep neural network-driven in-situ detection and quantification of lithium plating on anodes in commercial lithium-ion batteries, EcoMat 2022. DOI: 10.1002/eom2.12280