基于声发射技术的锂离子电池在机械滥用下的失效演化分析

《Journal of Energy Storage》：Failure evolution analysis of lithium-ion batteries under mechanical abuse based on acoustic emission

　　

王志勇|张新春|黄子轩|周宇航|袁宗林|黄家瑞|安立强|周伟

华北电力大学燕赵电力实验室，中国保定，071003

摘要

圆柱形锂离子电池（LIBs）具有复杂的多层结构，其内部损伤在机械载荷作用下的演变过程难以用传统方法监测。本研究通过声发射（AE）技术研究了LIBs在局部压痕和三点弯曲作用下的失效演变过程。提取了8个AE特征，并通过因子分析将其降维为3个主成分，随后利用模糊聚类方法识别出主要的损伤模式。结果表明，在局部压痕作用下，AE信号频率范围为140–330 kHz；而在三点弯曲作用下，频率范围为110–280 kHz。研究区分了与层间滑动和电池裂纹相关的两种变形机制。此外，还采用了机器学习模型来建立AE特征与宏观机械力之间的定量关系，展示了数据驱动方法在电池失效预测和安全监测方面的潜力。本研究为圆柱形LIBs的损伤识别和安全评估提供了一种可行的方法。

引言

锂离子电池（LIBs）因其高能量密度、长循环寿命、无记忆效应以及环境兼容性而在众多工程应用中得到广泛应用[1]、[2]、[3]、[4]、[5]。然而，在使用过程中，LIBs不可避免地会受到压缩和冲击等机械载荷的影响，这可能导致内部组件失效[12]、[13]。这种机械退化可能进一步引发内部短路，从而引发严重的安全隐患，包括热失控、火灾或爆炸[14]、[15]。因此，系统地研究电池在机械载荷作用下的失效机制和演变过程至关重要。

为了解决这些问题，研究人员对LIBs在各种极端载荷条件下的机械响应和失效机制进行了广泛研究。这些研究包括但不限于准静态压缩[16]、局部压痕[17]、[18]、[19]、三点弯曲[20]、[21]、动态冲击[22]、[23]、[24]、[25]、[26]、疲劳[27]和断裂[28]、[29]、[30]。例如，Spielbauer等人[16]通过开发并验证了一个离散层状有限元模型，研究了LIBs在准静态压缩载荷下的安全性，同时解决了材料表征、网格划分、收敛性和参数敏感性等关键问题。Qu等人[21]为软包LIBs在准静态压痕和弯曲作用下开发了一个自下而上的简化层状模型，实现了精度与计算效率之间的平衡。Voyiadjis等人[19]建立了一个分析-逆向优化框架，将圆柱形压痕载荷-深度数据转换为圆柱形LIB单元的应力-应变本构曲线。Wang等人[25]结合落锤实验和应变率依赖的多物理场耦合模型，研究了LIBs在动态载荷下的冲击诱导内部短路和热失控行为。总体而言，这些研究为理解LIBs中的机械诱导损伤奠定了坚实的基础，但也强调了需要能够定量分析内部失效演变并将其与不同载荷条件下的宏观响应联系起来的诊断方法。

上述大多数研究主要集中在测量LIBs的表面应变或温度响应上，这使得难以捕捉来自内部组件的信号，从而限制了预测内部损伤的能力。作为一种广泛应用于动态安全监测、机械系统故障检测和预警的非破坏性测试技术[31]、[32]、[33]、[34]，声发射（AE）近年来受到了越来越多的关注。一些研究人员尝试将AE技术应用于LIBs的研究[35]、[36]、[37]、[38]、[39]、[40]。Zhang等人[41]建立了一个AE监测平台，用于研究电池循环过程中的AE信号生成机制，为LIBs的健康状态监测提供了新的视角。Tang等人[42]利用AE技术分析了圆柱形LIBs的弯曲过程，揭示了不同损伤模式及其在变形过程中的声学特征。He等人[36]提出并实验验证了一个基于全生命周期AE的数据驱动健康状态（SOH）评估框架，使用去噪后的AE特征来预测SOH。Wang等人[37]提出了一种主动AE传感方法，利用超声激励实现SOH的快速联合评估。这些研究表明AE技术在LIBs的内部状态表征和健康监测方面具有巨大潜力。

然而，在将AE技术应用于LIB安全评估时仍存在一些挑战。现有研究主要关注将单个AE参数与宏观机械响应或事后失效观察结果相关联，而AE信号特征的高维特性及其强相关性往往被忽视。这限制了提取代表性损伤描述符的能力，以及准确区分不同内部失效机制（如电极脱粘、层间滑动和断裂）的能力。此外，大多数基于AE的研究依赖于定性解释或基于阈值的分析，这可能不足以捕捉电池在复杂机械载荷条件下发生的渐进性和重叠性损伤演变。

本研究通过AE监测研究了圆柱形LIBs在局部压痕和三点弯曲作用下的失效演变过程。首先对提取的AE特征参数进行因子分析（FA）以降低维度，然后利用模糊聚类方法（FCM）识别不同的损伤行为演变。在建立AE特征与LIBs内部损伤机制之间联系的基础上，进一步利用机器学习（ML）模型建立了AE特征与宏观机械力之间的定量关系。

章节摘录

方法论

本节概述了用于表征LIBs机械诱导损伤的集成实验和数据驱动方法。在局部压痕和三点弯曲过程中收集了声学信号，然后利用FA和FCM降低特征维度并识别主要的损伤相关类别。基于提取的AE信号，进一步开发了ML模型以预测宏观机械力，实现了内部损伤活动与宏观机械力之间的定量关联。

结果与讨论

本研究展示了AE信号分析的结果，重点关注了LIBs在压缩和弯曲过程中的损伤行为的识别和分类。FCM聚类结果揭示了两种不同的损伤模式：第一种模式与层间脱粘和滑动有关，第二种模式与电极和隔膜裂纹有关。FA分析表明，前三个主成分捕获了数据中的大部分方差。

结论

本文研究了LIBs在时间和频率域内的局部压痕和三点弯曲过程。随后，利用FA和FCM对AE信号特征参数进行降维和聚类，从而识别出压缩和弯曲过程中的失效行为演变。

作者贡献声明

王志勇：撰写——原始稿件、软件开发、方法论设计、数据分析、概念构建。张新春：指导、资源协调、方法论设计、数据分析、概念构建。黄子轩：撰写——审稿与编辑、数据分析。周宇航：撰写——审稿与编辑、数据管理。袁宗林：撰写——审稿与编辑。黄家瑞：数据分析。安立强：撰写——审稿与编辑、资金申请。周伟：资源协调。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（项目编号：52575172）和河北省研究生创新资助项目（项目编号：CXZZBS2026163）的支持。