基于梅尔频谱图的串联锂电池损伤诱因识别

摘要

为解决极端工况下锂离子电池早期内部微小损伤难以精准追溯的难题，创新性地融合了信号特征转换与深度学习技术，构建了高效的数据驱动型损伤诱因识别框架。首先，通过引入自适应噪声抑制与遗忘机制，构建了增强型皮尔逊相关系数，以量化串联电池间的电压同步异常；随后，将一维增强型皮尔逊相关系数序列映射为二维梅尔频谱图，从而有效锐化并突出与损伤相关的时频特征；最终，采用残差神经网络对时频图像进行特征提取与分类去实现电池损伤识别。实验设置了过充、过放、热过载及机械振动等多重损伤工况。测试结果表明，该方法对损伤诱因类型的识别准确率达88.64%，在损伤强度精细化分类任务中准确率达85.93%。该方法有效突破了早期微弱退化信号难以检测的瓶颈，实现了数据高效性与模型可解释性兼备的智能诊断，为储能系统的安全稳定运行提供了可靠支撑。

关键词

锂离子电池 / 梅尔频谱图 / 残差神经网络 / 损伤诱因识别 / 故障诊断

基金资助

国家自然科学基金（52207235）