《JOURNAL OF POWER SOURCES》：Development of a reliable detection approach for lithium-ion battery thermal runaway using multimodal acoustic-image fusion
编辑推荐：
Md Ismail Siddiqi Emon|Wai Cheong Tam|Jian Chen|Hongqiang Fang|Anthony Putorti美国国家标准与技术研究院工程实验室火灾研究部，100 Bureau Drive，Gaithersburg，MD，20899摘
Md Ismail Siddiqi Emon|Wai Cheong Tam|Jian Chen|Hongqiang Fang|Anthony Putorti
美国国家标准与技术研究院工程实验室火灾研究部，100 Bureau Drive，Gaithersburg，MD，20899
摘要
锂离子电池的热失控会带来严重的火灾风险，尤其是在住宅环境中，传统的火灾探测器往往无法及时发出警报。本研究开发了一种多模态深度学习框架，该框架整合了来自遥感的声学和图像数据，以增强对热失控的早期检测能力。通过对18,650块锂离子电池在不同充电状态和方向下的38次热滥用实验数据进行三步处理（信号筛选、均匀采样和多模态配对），解决了数据量和模态复杂性带来的问题。单模态方法效果不佳：基于声学的模型检测到了9起安全阀破裂事件中的6起，但产生了所有实验中的误报；而基于图像的模型仅检测到2起安全阀破裂事件，并遗漏了多起。相比之下，多模态模型的准确率为83.9%，精确率为90.2%，召回率为80.8%，且没有误报，成功检测到了所有安全阀破裂事件。重要的是，该模型能够在气体释放阶段提前10至94秒发出警报，具体时间取决于烟雾浓度。这些结果表明，与单模态方法相比，多模态融合显著提高了检测的鲁棒性，减少了误报，并实现了更早的检测，为可靠的电池火灾监测系统奠定了基础。
引言
锂离子电池在住宅中可能带来重大风险。根据当地统计数据[1]，2023年纽约消防部门共响应了267起住宅锂离子电池火灾，造成150人受伤和18人死亡。这一情况的统计意义在于：首先，死亡人数超过了2021年和2022年两年死亡人数的总和（10人）；其次，这些数据表明锂离子电池引发的火灾造成的伤害率（0.56）和死亡率（0.07）高于美国住宅火灾的平均水平（伤害率为0.03，死亡率为0.008^2）。报告的统计数据表明，由锂离子电池引起的火灾不仅造成更多人员受伤，而且更具致命性。
另一项研究[3]分析了来自国家火灾事件报告系统[4]和消费品安全委员会[5]的数据，发现车库是住宅火灾的主要起火源[6]。造成车库火灾的因素有多种：首先，车库是存放含有锂离子电池的物品（如电动工具、电动自行车甚至电动汽车）的常见场所；其次，锂离子电池设备在车库中充电时缺乏监管；第三，夏季车库内温度较高，可能导致电池过热并引发火灾；最后，除某些州外，车库通常不需要安装烟雾探测器等火灾检测设备。在这种情况下，热失控事件可能未被及时发现。
热失控是锂离子电池的一种故障模式，其特征是电池内部产生的热量无法有效散发，从而导致自热过程失控，可能引发火灾或爆炸。研究表明，热失控的根本机制与热滥用有关[7,8]。根据现有文献，热失控有三个关键指标：i) 安全阀破裂：电池排气口的机械性破裂，其特征是持续时间不到1秒的声学信号（见图1中的300秒）；ii) 气体释放：从安全阀破裂到点火期间持续释放烟雾和气体（见图1中的400秒）；iii) 点火：出现火焰喷射并伴有可见火花或烟雾喷射，同时伴随持续的声学信号（见图1中的487秒）。实验表明，锂离子电池的火灾发展极为迅速，一旦点火，火焰可以在不到一秒内蔓延，温度可达到1100°C[8]。此外，高温状态（>200°C）会持续超过4分钟，增加了热传播的风险，导致相邻电池同时发生热失控。这种连锁反应可能在几秒钟内引发大规模火灾，极其难以扑灭[9]，因此早期检测热失控对于防止潜在的火灾损失、财产损失、人员伤亡至关重要。
传统的火灾检测系统可能无法及时发现热失控，尤其是在点火之前。住宅环境中通常有两种类型的火灾检测设备：i) 烟雾或气体探测器[10,11]；ii) 温度探测器[12]。这些探测器的有效性很大程度上取决于火灾的强度以及探测器与火灾位置的距离和布局。如图1所示，在热失控的初期阶段（例如安全阀破裂发生在300秒，气体释放发生在400秒），烟雾和热气体的量非常少。除非探测器直接位于电池上方，否则它们很可能无法在这些早期阶段被激活。即使点火发生（即487秒之后），由于燃烧产物需要时间扩散、通过空气传播并达到足够的浓度才能触发探测器，因此仍可能存在延迟[13]。
最近的实验表明，声学传感技术在检测锂离子电池早期热失控方面具有巨大潜力。Su等人[14]开发了一种数据驱动的声学模型，能够通过分析电池舱内的声音模式发出早期警报；Lyu等人[15]利用声波传播理论精确定位故障电池；Tam等人[16]改进了基于声学的检测模型，使其能够在包含人类活动的实际环境中使用。尽管这些研究[14, 15, 16]表明声学模型可以在点火前2分钟内发出警报，但仍存在两个挑战：
1)如图1所示，破裂事件持续时间不到1秒。当背景噪声较大或同时有其他声音时，破裂声音可能会被掩盖。
2)由于301秒到486秒之间的气体释放声音较弱，如果模型未能检测到破裂信号，就无法发出任何警报。
因此，为了确保及时可靠的早期检测，需要一种更强大的方法，能够识别超出安全阀破裂之外的多种热失控指标。
本文提出了一种结合声学和图像数据的多模态方法，以增强热失控的早期检测能力。这种方法旨在解决单模态方法的局限性。例如，仅基于声学的模型可能无法检测到气体释放事件，而仅基于视觉的系统可能遗漏安全阀的破裂。通过结合各种模态的优势，所提出的方法可以提高检测的可靠性，增强早期预警能力，并降低误报的风险。
本文的其余部分安排如下：第2节介绍研究空白和相关工作；第3节描述数据收集过程，包括实验设置、数据特征、提取技术和预处理程序；第4节介绍检测和解释模型的结构；第5节报告实验结果和讨论；第6节总结主要发现和未来研究方向。
章节摘录
单模态方法
在单模态领域，电压信号是一个重要关注点，因为它们易于获取且成本较低。Hong等人[17]表明，电压时间序列数据可以利用长短期记忆（LSTM）模型有效预测电压异常。此外，Zhang等人[18]提出了一种基于电压差分的曲线曼哈顿距离评估方法，用于多故障诊断。
实验设置
图2a展示了实验设置。如图所示，实验装置包括一个排气罩（约2米×2米）、一个类似桌子的平台、一个电子秤、一个电池支架、一块锂离子电池、一个加热元件、一组热电偶和一个录像机。排气罩以两种风扇速度运行：低速（约0.2千克/秒）和高速（约0.45千克/秒），这两种速度对背景噪声水平的影响不同。类似桌子的平台位于排气罩的正下方。
迁移学习
鉴于数据的复杂性和样本数量有限，在开发热失控检测模型时面临三个主要挑战：首先，模型需要能够同时识别梅尔频谱图（如安全阀破裂或点火的声学特征）和视频图像（如烟雾和火焰）中的不同类型指示模式；其次，模型需要能够捕捉从微弱到强烈的各种尺度特征。
结果与讨论
本文展示了来自九个不同实验的测试结果。其中选择了四个背景噪声较低和五个背景噪声较高的实验样本。测试集涵盖了四种不同的电池方向和四种不同的充电状态（SOC）。
结论与未来工作
本研究开发并评估了一种多模态深度学习框架，该框架整合了声学和图像数据，以提高锂离子电池热失控的早期检测能力。主要发现包括：
1.单模态方法的局限性：基于声学和图像的模型虽然达到了中等准确率，但存在严重缺陷。声学模型容易产生误报，因为事件样本和非事件样本的声学特征相似。
CRediT作者贡献声明
Md Ismail Siddiqi Emon：正式分析、调查、方法论、可视化、撰写——初稿。Wai Cheong Tam：概念构思、数据整理、正式分析、调查、方法论、验证、撰写——初稿。Jian Chen：数据整理、调查、方法论、验证、撰写——审阅与编辑。Hongqiang Fang：数据整理、调查、可视化、撰写——审阅与编辑。Anthony Putorti：概念构思、方法论、验证、撰写——
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
