.png){kind=icon}
返回
Machine Learning Predictive Algorithm for Temperature-Sensing Electric Vehicle Battery Enclosure
.png){kind=icon}
OA
AI
DOI：10.1115/1.4069699.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电动汽车（EVs）是减少碳排放的有利策略。然而，电动汽车中最常用的电源——锂离子电池（LIBs）——可能以热失控的形式带来显著的安全风险。这是一种可能导致火灾和爆炸的快速失效模式。为解决此问题，作者前期工作开发了一种嵌入温度微传感器的温度传感复合电池外壳，以提供LIB状态监测。前期工作产生了大量的实验和仿真结果，表征了一种嵌入式电池管理系统。研究发现，顶部的复合层会导致温度检测的时间延迟，阻碍早期预警信号。本研究旨在利用机器学习（ML）策略创建一个回归模型，在前期研究的数据上进行训练，以预测电池外壳内部表面的温度。温度推断模型使用嵌入的温度测量值实时预测外壳的表面温度，以补偿时间延迟。比较了随机森林和循环神经网络ML模型，考虑了性能和计算成本。采用平均绝对误差和平均绝对百分比误差来量化预测精度。温度推断模型增强了温度传感复合电池外壳作为电池管理系统的实用性，缓解了与LIB热失控事件相关的风险。通过监测嵌入温度变化并预测外壳内部表面的温度，该系统提供了对潜在风险的洞察，实现了及时干预，并确保了电动汽车的安全。
Keyword:
machine learning
condition monitoring
sensors
composites
lithium-ion batteries
electric vehicles
期刊
J
机构
引用论文
A survey of methods for monitoring and detecting thermal runaway of lithium-ion batteries锂离子电池热失控监测与检测方法综述
PREAI
分享收藏Experimental study of the anisotropic thermal conductivity of 2D carbon-fiber/epoxy woven composites二维碳纤维/环氧机织复合材料各向异性热导率的实验研究.png)
COMPOSITE STRUCTURES
COMPOSITE STRUCTURESIF7.1
PREAI
分享收藏
In operando measuring circumferential internal strain of 18650 Li-ion batteries by thin film strain gauge sensors用薄膜应变片传感器测量18650锂离子电池的周向内部应变
PREAI
分享收藏Recurrent Neural Networks for Estimating the State of Health of Lithium-Ion Batteries用于估计锂离子电池健康状态的递归神经网络BATTERIES-BASELOAAI
BATTERIES-BASELIF4.8
OAAI分享收藏分享收藏分享收藏
查看更多内容