机械冲击条件下锂离子蓄电池安全性分析

倪春明

倪春明. 机械冲击条件下锂离子蓄电池安全性分析[J]. 工矿自动化,2024,50(9):161-166. DOI: 10.13272/j.issn.1671-251x.2024050064
引用本文: 倪春明. 机械冲击条件下锂离子蓄电池安全性分析[J]. 工矿自动化,2024,50(9):161-166. DOI: 10.13272/j.issn.1671-251x.2024050064
NI Chunming. Safety analysis of lithium-ion batteries under mechanical shock conditions[J]. Journal of Mine Automation,2024,50(9):161-166. DOI: 10.13272/j.issn.1671-251x.2024050064
Citation: NI Chunming. Safety analysis of lithium-ion batteries under mechanical shock conditions[J]. Journal of Mine Automation,2024,50(9):161-166. DOI: 10.13272/j.issn.1671-251x.2024050064

机械冲击条件下锂离子蓄电池安全性分析

基金项目: 国家发展和改革委项目(0732118)。
详细信息
    作者简介:

    倪春明(1975—),男,上海人,副研究员,硕士,主要从事电气设备的防爆检测与技术研究工作,E-mail:bright_ni@163.com

  • 中图分类号: TD679

Safety analysis of lithium-ion batteries under mechanical shock conditions

  • 摘要: 煤矿井下环境恶劣且空间狭小,锂离子蓄电池容易遭受外部的物理冲击或损害,引发安全事故。以100 A·h矿用锰酸锂离子蓄电池作为研究对象,对该电池进行针刺、高温、潮湿试验,分析电池的安全性能。通过针刺试验模拟煤矿井下环境中潜在的机械冲击,用尖锐物体刺入电池,观察电池在极端条件下的反应。使用炉箱和湿度控制环境箱模拟煤矿井下的高温和潮湿环境,对针刺后的电池实施试验,评估电池在煤矿井下极端环境中的安全性和可靠性。试验结果表明:① 电池被钨针刺穿后,表面出现一定变形和破裂,但未出现电解质泄漏的情况,同时电池并未出现冒烟、起火、爆炸等危险情况,内部也没有气体产生。被钨针刺穿后,电池温度显著上升,但能控制在安全范围内且没有引发燃烧或爆炸,说明该电池在煤矿井下应用中具有一定的热稳定性。② 被刺穿电池在炉箱加热后显著膨胀,并伴随有气体泄漏的现象,但尚未引发爆炸或燃烧,说明电池在特定条件下具有一定的热稳定性。③ 在潮湿环境下,被刺穿电池产生气体,增加了内部压力,在刺穿和潮湿的双重影响下,使得电池温度增加,但因为潮湿环境中的水分起到一定的冷却作用,与高温环境下相比,电池温度上升趋势较为缓慢,且仍未引发爆炸或燃烧,说明电池在潮湿环境下仍具有热稳定性,不会出现热失控现象。
    Abstract: The harsh and confined environment of underground coal mines makes lithium-ion batteries vulnerable to external physical shocks or damage, potentially leading to safety incidents. This study investigated a 100 A·h lithium manganese oxide ion battery designed for mining applications, employing puncture, high-temperature, and humidity tests to evaluate its safety performance. The puncture test simulated mechanical shocks typical in coal mine environments by penetrating the battery with a sharp object and observing its response under extreme conditions. A furnace and humidity-controlled environment chamber were also utilized to replicate the high-temperature and humid conditions encountered in coal mines, assessing the battery's safety and reliability post-puncture. The results revealed the following: ① After puncture by a tungsten needle, the battery exhibited surface deformation and cracking, but no electrolyte leakage, smoke, fire, or explosion occurred, with no gas generation inside. Although the temperature of the punctured battery rose significantly, it remained within a safe range without igniting or exploding, indicating a certain level of thermal stability suitable for coal mine applications. ② The punctured battery expanded notably when heated in the furnace, accompanied by gas leakage; however, no explosion or combustion took place, suggesting thermal stability under specific conditions. ③ In a humid environment, the punctured battery produced gas, leading to increased internal pressure. The combination of puncture and humidity raised the battery's temperature, but the moisture acted as a cooling agent, resulting in a slower temperature increase compared to high-temperature conditions, without triggering explosion or combustion. This indicated that the battery maintained thermal stability in humid environments and did not exhibit thermal runaway.
  • 火灾一直是煤矿的重点防治灾害,一般分为内因火灾和外因火灾[1-2]。内因火灾由矿井煤层自燃引起,主要影响煤矿正常开采。外因火灾主要由人员违规违章行为引起,如违章作业、设备检修不规范、违规堆放易燃物资等,一般火灾初期的火源较小,但常发生在生产区域,如果未及时发现,火情将会迅速扩大,造成煤矿人员伤亡和财产损失[3-5]。对煤矿外因火灾隐患进行检测,实现对初期火灾的可靠判识,对于提升煤矿火灾检测水平有重要意义,也是未来智能矿山建设的重要方向。

    现有的矿井外因火灾检测方法主要包括基于传感器的检测方法、基于可见光图像和红外图像的检测方法、基于深度学习的检测方法等。基于传感器的检测方法[6-8]通过传感器采集环境中的温度、烟雾浓度、气体浓度等信息,利用阈值来判断火灾的发生情况,该方法准确率较高,但对微小火源感知不明显,且判识相对滞后。基于可见光图像和红外图像的检测方法[9]主要依赖于图像识别技术,利用颜色空间进行火焰图像分割,进而提取出尖角数、圆形度、质心位移等特征,再通过支持向量机进行分类,该方法易受井下移动发光物体(如探照灯)的影响[10]。基于红外图像、可见光图像及传感器多信息融合的矿井外因火灾感知方法[10-11]与单一方法相比提升了火灾感知准确率,但该类方法采用“分布采集−集中处理−远程控制”的方式,传感器信息、控制信息的传输依赖网络可靠性,网络波动可能会导致响应延迟、报警滞后等问题。随着深度学习在图像分类[12]、目标检测[13]等方面取得进展,卷积神经网络[14]、改进Mask R−CNN[15]、改进Faster−CNN [16]等被应用于火焰特征检测,该类方法对特征的识别精度更高,但网络模型参数量、计算量较大,检测速度慢,应用于煤矿时,通常需要配置高性能处理器,在地面集中处理视频信息,对视频图像传输网络的可靠性有较高要求。

    YOLO[17]是一种单阶段目标检测网络模型,其检测速度快,适合部署在边缘侧硬件上,但对火灾初期小目标火源的识别能力不足。针对该问题,本文提出一种基于边缘智能的煤矿外因火灾感知方法。对YOLOv5s模型进行改进,在保证处理速度和轻量化的前提下,提高对火灾初期小目标火源的识别精度;对改进YOLOv5s模型提取的图像特征和传感器提取的物理特征进行融合分析,并将改进网络模型部署在智能边缘处理器上,用于煤矿外因火灾识别。这种煤矿灾害感知的新模式提高了火源检测的实时性和准确性,且不依赖长距离传输网络,提升了检测的可靠性,可用于矿山重点区域风险监控,为未来矿山的火源智能化巡检提供了算法支撑。

    基于边缘智能的煤矿外因火灾检测模型主要由视频检测模块、多源信息融合模块及智能边缘处理模块组成,如图1所示。在智能边缘处理器上部署轻量化的改进YOLOv5s模型和多源信息融合模块,分别提取火源的图像特征和环境信息的多维度时空特征,通过特征融合判断是否发生火灾。

    图  1  基于边缘智能的煤矿外因火灾检测模型
    Figure  1.  Detection model of coal mine external fire based on edge intelligence

    智能边缘处理器是基于嵌入式微控制单元(Microcontroller Unit,MCU)和国产神经网络处理单元(Neural Processor Unit,NPU)开发的一款矿用边缘处理器。其核心是思元220边缘计算模组,具备专门用于深度学习的系统级芯片(System on Chip,SOC),采用ARM+NPU架构,芯片内部集成了CPU、NPU、视频处理单元及图像编解码单元;CPU为四核ARM Cortex−A55,主频为1.5 GHz,单片功耗为12 W,核心算力为每秒12×1012次操作。智能边缘处理器支持深度学习网络AlexNet,GoogleNet,VGG,ResNet,YOLO,SSD等。

    采用矿用本安型网络摄像机KBA18(C)进行视频数据采集。摄像机在监测区域按一定距离部署,并通过网络接口与智能边缘处理器相连,为火灾检测提供视频图像数据。

    采用矿用一氧化碳传感器GTH1000、矿用烟雾传感器GQLQ5及矿用温度传感器GWD150进行环境数据采集。传感器部署在矿用本安型网络摄像机周围,通过Modbus总线与智能边缘处理器相连,为火灾检测提供传感器数据。

    YOLOv5s模型的基本框架可以分为输入端(Input)、主干网络(Backbone)、颈部(Neck)和输出端(Prediction)4个部分,如图2所示。输入端采用Mosaic数据增强方式,通过随机缩放、裁剪、排布对图像进行拼接。主干部分主要由跨阶段局部网络(Cross Stage Partial Network,CSPNet)模块组成,特征提取采用CSPDarknet53[18]网络结构,可降低计算损耗和内存成本。颈部使用特征金字塔网络(Feature Pyramid Network,FPN)和路径聚合网络(Path Aggregation Network, PANet)[19]来加强特征融合能力。输出部分主要由损失函数构成,采用CIOU_Loss作为损失函数,最后输出预测结果。

    图  2  YOLOv5s模型结构
    Figure  2.  Structure of YOLOv5s model

    为更适应火灾初期小目标火源的特征检测,提高小目标火源实时检测精度,综合考虑火焰检测精度和速度要求,在经典YOLOv5s模型基础上添加一个152×152的特征尺度,并改进为4尺度检测网络(图3),将目标的感受野变为4×4,使模型能够充分学习浅层特征,改善小目标检测性能。

    图  3  改进后的4尺度检测网络
    Figure  3.  Improved 4-scale detection network

    YOLOv5s模型中,颈部使用FPN和PANet来加强其特征融合能力,然而在采样过程中,高层特征图会因为特征通道数的减少而造成上下文信息损失,影响检测精度。针对该问题,在原有FPN基础上添加自适应注意模块,通过空间注意力机制为每个特征图生成空间权重图,通过权重图融合上下文特征,生成包含多尺度上下文信息的新特征图,以减少上下文信息损失。

    首先,将卷积得到的特征图$ {M}_{5} $(大小为$ S $)通过自适应平均池化层,获得不同尺度(${a }_{1}\times S,{a}_{2}\times S, {a}_{3}\times S$)的多个语境特征,池化系数$a$1$a$3可根据数据集中目标大小自适应变化。其次,将每个特征分别上采样后通过Concat层合并,得到特征图$ {C}_{5} $$ {C}_{5} $依次经过1×1卷积层、ReLU激活层、3×3卷积层及Sigmoid激活层,得到空间权重图$ {W}_{5} $。最后,将特征图$ {C}_{5} $和权重图$ {W}_{5} $进行Hadamard乘积运算,分离后与特征图$ {M}_{5} $相加,得到包含多尺度上下文信息的新特征图$ {A}_{5} $$ {A}_{5} $具有丰富的多尺度背景信息,在一定程度上缓解了由于通道数量减少而造成的信息损失,提高了模型的检测精度。自适应注意模块结构如图4所示。

    图  4  自适应注意模块结构
    Figure  4.  Structure of adaptive attention module

    为解决井下光线条件差、粉尘多及摄像机拍摄角度引起的图像检测误差和漏检问题,进一步提高火灾检测精度,本文采用多传感器辅助检测,并提出一种动态加权算法,对图像和传感信息进行加权融合判识,具体流程如图5所示。

    图  5  图像和传感信息加权融合判识流程
    Figure  5.  Weighted fusion identification process of image and sensor information

    计算图像和传感信息动态加权值:

    $$ F=\left[{\alpha }_{1}\;{\alpha }_{2}\;{\alpha }_{3}\;{\alpha }_{4}\right][{\beta }_{1}\;\;{{\beta }_{2}\;\;{\beta }_{3}\;\;{\beta }_{4}]}^{\mathrm{T}} $$ (1)

    式中:$ {\alpha }_{1}—{\alpha }_{4} $分别为摄像机、温度传感器、烟雾传感器、CO传感器的检测结果,取值为1或0;$ {\beta }_{1}—{\beta }_{4} $为对应$ {\alpha }_{1}—{\alpha }_{4}\mathrm{的} $权重参数,4个权重参数的和为1。

    $ {\alpha }_{1}=0 $表示摄像机未检测到火焰,$ {\alpha }_{1}=1 $表示摄像机检测到火焰;$ {\alpha }_{2}=0 $表示井下温度在正常范围内,$ {\alpha }_{2}=1 $表示井下温度已经超过正常情况;$ {\alpha }_{3}=0 $表示井下没有烟雾或者烟雾浓度忽略不计,$ {\alpha }_{3}=1 $表示井下烟雾浓度异常;$ {\alpha }_{4}=0 $表示井下CO浓度在正常范围内,$ {\alpha }_{4}=1 $表示井下CO浓度异常。

    根据文献[20]设定权重参数,并以此为基础进行多组实验,得出最优权重参数和阈值,实验结果见表1

    表  1  各权重对比分析结果
    Table  1.  Comparative analysis results of each weight
    $ {\beta }_{1} $$ {\beta }_{2} $$ {\beta }_{3} $$ {\beta }_{4} $阈值准确率
    0.700.10.10.10.810.83
    0.750.120.070.060.850.88
    0.810.080.060.050.880.90
    0.900.050.030.020.920.98
    00.650.250.10.70.75
    00.730.220.070.80.80
    00.780.140.080.830.87
    00.790.110.100.890.90
    下载: 导出CSV 
    | 显示表格

    当所有检测信息的动态加权值超过设定阈值时,表示检测到火灾发生。根据表1数据可得出,当视频检测到真实火焰时,设定$\; {\beta }_{1}—{\beta }_{4} $及阈值分别为0.90,0.05,0.03,0.02,0.92,检测准确率最高。当视频未检测到真实火焰时或者误检时,设定$\; {\beta }_{2}—{\beta }_{4} $及阈值分别为0.79,0.11,0.10,0.89,检测准确率最高。

    为了提升本文方法在煤矿井下的检测性能,制作了火源特征数据集。该数据集由公共数据集(VOC2007)、项目组拍摄的12 000张图像、100张井下各种灯光图像构成,包含了火焰燃烧整个过程(从初期到后期,直至熄灭)的图像,涵盖不同光线条件和粉尘浓度情况。基于混合数据集训练网络模型,可提升模型的泛化能力。

    图像拍摄地点为中国矿业大学火灾实验室和某煤矿提供的实验巷道(图6)。针对煤矿井下作业环境及相机拍摄角度的影响,采用多角度拍摄方式,拍摄参数见表2

    图  6  实验巷道
    Figure  6.  Experimental roadway
    表  2  图像拍摄参数
    Table  2.  Image capture parameters
    相机编号拍摄角度安装高度/cm图像/张光线粉尘
    1号正水平01 000正常
    2号正水平02 000较暗
    3号正45°2101 000正常
    4号正45°2102 000较暗
    5号后水平01 000正常
    6号后水平02 000较暗
    7号后45°2101 000正常
    8号后45°2102 000较暗
    下载: 导出CSV 
    | 显示表格

    1号和2号相机的安装高度为0,表示相机正对火焰拍摄。3号和4号相机拍摄角度为正45°,表示相机在火焰正前方45°拍摄。部分现场拍摄样本如图7所示。

    图  7  部分现场拍摄样本
    Figure  7.  Some samples taken on site

    设置所有模型训练批次为16,学习率为 0.001,交并比阈值为0.5,训练轮数为100,在NVIDIA TITAN Xp GPU上训练模型。以召回率、交并比为0.5时的平均精度均值(mAP@0.5)及每帧推理时间作为模型评估指标。召回率计算公式为

    $$ R=\frac{{n}_{\mathrm{T}\mathrm{P}}}{{n}_{\mathrm{F}\mathrm{N}}+{n}_{\mathrm{T}\mathrm{P}}} $$ (2)

    式中:R为召回率;$ {n}_{\mathrm{T}\mathrm{P}} $为模型检测结果为正值的正样本数;$ {n}_{\mathrm{F}\mathrm{N}} $为检测结果为负值的正样本数。

    mAP@0.5计算公式为

    $$ Q={\int }_{0}^{1}R P{\rm{d}}r $$ (3)
    $$ P=\frac{{n}_{\mathrm{T}\mathrm{P}}}{{n}_{\mathrm{F}\mathrm{P}}+{n}_{\mathrm{T}\mathrm{P}}} $$ (4)

    式中:Q为mAP@0.5的值;P为精确率;r为积分变量;$ {n}_{\mathrm{F}\mathrm{P}} $为虚假的正样本数。

    由于本文提出的方法由图像特征检测与传感器检测共同构成,为了与经典视频检测方法进行比较,先在YOLOv5s模型中加入小目标检测和自适应注意模块,得到YOLOv5s−a,再加入传感器信息融合判识,得到YOLOv5s−as。在各训练参数一致的前提下,与YOLOv5s,SSD−300[21],SSD−521[22]等经典图像识别模型比较召回率、mAP@0.5、每帧推理时间等,结果见表3。由表3可知,YOLOv5s−as模型由于通过图像特征和传感器感知特征共同判识,识别精度最高,但由于增加了传感器信息推理,每帧推理时间比YOLOv5s−a模型略有增加,但仍优于其他模型,原因在于改进模型对图像进行特征提取时视野更集中,处理速度更快。

    表  3  各模型移植前检测结果对比
    Table  3.  Comparison of detection results of each algorithm before transplantation
    模型召回率mAP@0.5每帧推理时间/ms
    SSD 300(VGG16)0.7640.73226
    SSD 521(VGG16)0.7790.75162
    YOLOv5s0.8250.81124
    YOLOv5s−a0.9150.90718
    YOLOv5s−as0.9670.94120
    下载: 导出CSV 
    | 显示表格

    将上述模型移植到智能边缘处理器上,并进行轻量化处理,在煤矿安全实验室模拟井下巷道场景,进行50次着火实验,以测试各模型在真实场景下的每帧推理时间及精度,实验结果见表4

    表  4  各模型移植后检测结果对比
    Table  4.  Comparison of detection results of each algorithm after transplantation
    模型每帧推理时间/msmAP@0.5
    SSD 300(VGG16)190.710
    SSD 521(VGG16)530.742
    YOLOv5s180.803
    YOLOv5s−a110.870
    YOLOv5s−as120.933
    下载: 导出CSV 
    | 显示表格

    表4可知,经过轻量化处理后,YOLOv5s−as模型的处理速度仍大于SSD 300(VGG16),SSD 521(VGG16)及YOLOv5s模型。但由于需对传感器信息和视频检测信息进行融合推理,每帧推理时间略长于YOLOv5s−a模型,但mAP@0.5提高了7.24%,与移植前的YOLOv5s模型相比,mAP@0.5提高了15.04%。

    为了验证YOLOv5s−as模型的泛化能力,分别进行大目标火源、小目标火源和混淆实验,结果如图8所示。对于大目标火源,所有模型均能正常识别;对于小目标火源,SSD 300,SSD 512及YOLOv5s模型无法识别,这3种模型对小目标火源的适应性较差。YOLOv5s−a,YOLOv5s−as模型能够检测出小目标火源,适应性较好。

    图  8  火灾检测实验结果
    Figure  8.  Fire detection test results

    在混淆实验中,控制火焰亮度和形状趋近灯光,进行对比实验,发现除YOLOv5s−as模型外所有模型都将其识别为灯光。这是由于YOLOv5s−as模型加入了传感器信息融合判别,得到了正确结果,并发出警报。

    为了比较边缘处理与传统的集中式处理2种方案的性能,将YOLOv5s−as模型从完成判识到报警输出的时间定义为响应周期,并进行对比测试。

    集中式处理:将传感器数据通过RS485总线转以太网模块,并接入KJJ148井下环网交换机;摄像机通过网口接入KJJ148井下环网交换机,交换机通过光纤接入服务器;在服务器上部署YOLOv5s−as模型,对采集的视频和传感器信息进行分析和识别。主机硬件:CPU为英特尔E5−2609,64 GB RAM 和1 TB固态磁盘,GPU为Nvidia TITAN Xp,网络测试带宽为300 Mbit/s,处理结果下行至现场的网络报警器。

    边缘处理:传感数据、视频数据、报警器均通过网络接口接入边缘智能处理器,处理器每秒钟可进行12×1012次操作,网络传输带宽为300 Mbit/s。

    对比结果见表5。可看出使用集中式处理方法时,需要经过5个步骤,响应周期为388 ms;使用边缘处理方式时,仅包括3个步骤,响应周期为238 ms,比集中式处理方法缩短了38.66%。

    表  5  边缘计算性能测试结果
    Table  5.  Edge computing performance test results
    步骤边缘处理集中式处理
    步骤1捕获图像用时39 ms捕获图像用时39 ms
    步骤2边缘计算用时157 ms上传图像用时154 ms
    步骤3响应警报用时42 ms算法计算用时49 ms
    步骤4反馈检测结果用时104 ms
    步骤5响应警报用时42 ms
    响应周期/ms238388
    下载: 导出CSV 
    | 显示表格

    (1) 针对火灾初期的小目标火源,对YOLOv5s模型主干网络特征尺度进行改进,充分学习浅层特征,提高对小目标检测的能力;对YOLOv5s模型的颈部进行改进,在原有的FPN基础上添加自适应注意模块,提高模型检测精度。

    (2) 提出基于多源信息融合对井下火灾进行判识,使用动态加权算法将视频检测信息与多传感器检测信息相融合,构建了YOLOv5s−as模型。利用YOLOv5s−as模型的轻量化特点,实现边缘智能设备部署。

    (3) 实验结果表明:与未加入传感器信息融合推理的YOLOv5s−a模型相比,YOLOv5s−as模型推理时间略长,但mAP@0.5提高了7.24%;与移植前的YOLOv5s模型相比,移植到智能边缘处理器上并进行轻量化处理的YOLOv5s−as模型mAP@0.5提高了15.04%;对于小目标火源,SSD 300、SSD 512及YOLOv5s模型无法识别,YOLOv5s−a,YOLOv5s−as模型能够检测出小目标火源,适应性较好;使用边缘处理方式时,YOLOv5s−as模型的响应周期为238 ms,比集中式处理方法缩短了38.66%。

    (4) 基于边缘智能的煤矿外因火灾感知方法准确率较高,响应周期短,满足煤矿井下对火灾检测的实时性要求,适用于井下重点区域的外因火灾检测,也可用于未来智能矿山的智能巡检。

  • 图  1   针刺试验下电池体上的点位布设

    Figure  1.   Points layout on the battery body under puncture testing

    图  2   高温试验下电池体上的点位布设

    Figure  2.   Points layout on the battery body under high-temperature testing

    图  3   被针刺穿后的电池

    Figure  3.   The battery after puncture

    图  4   开路电压与温度变化曲线

    Figure  4.   Variation curves of open circuit voltage with temperature

    图  5   电池背部外观

    Figure  5.   Appearance of the back of the battery

    图  6   高温条件下不同点位的温度变化曲线

    Figure  6.   Temperature variation curves at different points under high-temperature conditions

    图  7   潮湿环境下不同点位的温度变化曲线

    Figure  7.   Temperature variation curves at different points under humid conditions

    表  1   100 A·h矿用锰酸锂离子蓄电池参数

    Table  1   Parameters of 100 A·h lithium manganese oxide ion battery for mining

    额定电压/V 正常电压范围/V 尺寸(长×宽×高)/mm 工作温度范围/℃
    4.5 3.0~4.9 320×240×22 −10~50
    下载: 导出CSV
  • [1] 王昉. 矿用防爆锂离子蓄电池无轨胶轮车在煤矿井下应用的环保性与经济性[J]. 陕西煤炭,2020,39(增刊2):167-170,204.

    WANG Fang. Application of mine explosion-proof lithium-ion battery trackless rubber tyred car in underground coal mine[J]. Shaanxi Coal,2020,39(S2):167-170,204.

    [2] 吴碧海,谭皓文,周子裕,等. 配电自动化装置蓄电池运行可靠性分析及在线监测开发[J]. 机电工程技术,2023,52(9):220-224.

    WU Bihai,TAN Haowen,ZHOU Ziyu,et al. Reliability analysis and online monitoring development of battery in distribution automation equipment[J]. Mechanical & Electrical Engineering Technology,2023,52(9):220-224.

    [3] 姚源. 煤矿在用大容量锂离子蓄电池安全性分析及管理措施[J]. 煤矿安全,2020,51(7):143-146.

    YAO Yuan. Safety analysis and management measures of in-service large capacity lithium battery for underground mining[J]. Safety in Coal Mines,2020,51(7):143-146.

    [4] 刘鹏,章玄,侯睿,等. GEO锂离子蓄电池组在轨性能评估[J]. 电源技术,2022,46(10):1147-1150.

    LIU Peng,ZHANG Xuan,HOU Rui,et al. On-orbit performance evaluation of GEO lithium ion battery[J]. Chinese Journal of Power Sources,2022,46(10):1147-1150.

    [5] 李富伟,曹凤金,李高升,等. 锂离子蓄电池动力电源在非煤地下矿山的安全应用研究[J]. 矿业研究与开发,2023,43(8):208-216.

    LI Fuwei,CAO Fengjin,LI Gaosheng,et al. Research on safety application of lithium-ion battery power supply in non-coal underground mines[J]. Mining Research and Development,2023,43(8):208-216.

    [6] 刘敏,陈凌宇,朱宇勋,等. 铅酸蓄电池在电网中的健康监测及梯次利用[J]. 浙江工业大学学报,2023,51(3):319-323,329.

    LIU Min,CHEN Lingyu,ZHU Yuxun,et al. The health monitoring and step utilization of lead-acid battery in power grid and resource reuse[J]. Journal of Zhejiang University of Technology,2023,51(3):319-323,329.

    [7] 屈克庆,董浩,毛玲,等. 基于融合健康因子和集成极限学习机的锂离子电池SOH在线估计[J]. 上海交通大学学报,2024,58(3):263-272.

    QU Keqing,DONG Hao,MAO Ling,et al. SOH online estimation of lithium-ion batteries based on fusion health factor and integrated extreme learning machine[J]. Journal of Shanghai Jiao Tong University,2024,58(3):263-272.

    [8] 曹勇. 多孔铝箔改善锂离子电池的针刺安全性[J]. 电池,2023,53(3):312-315.

    CAO Yong. Improving nail penetration safety of Li-ion battery by porous Al foil[J]. Battery Bimonthly,2023,53(3):312-315.

    [9] 苑志祥,张浩,张雪,等. 深潜器用蓄电池的研究进展[J]. 硅酸盐学报,2023,51(11):2868-2875.

    YUAN Zhixiang,ZHANG Hao,ZHANG Xue,et al. Recent development on batteries of deep-sea submersibles[J]. Journal of the Chinese Ceramic Society,2023,51(11):2868-2875.

    [10] 张洒洒,周旭峰,刘兆平,等. 碳基三维集流体在锂金属电池中的应用研究[J]. 电源技术,2022,46(1):2-5.

    ZHANG Sasa,ZHOU Xufeng,LIU Zhaoping,et al. Research progress of carbon-based 3D current collectors for lithium metal batteries[J]. Chinese Journal of Power Sources,2022,46(1):2-5.

    [11] 张艳岗,郭旭旭,薛文阳,等. 锂离子动力电池系统多尺度热安全研究[J]. 北京航空航天大学学报,2023,49(1):31-44.

    ZHANG Yangang,GUO Xuxu,XUE Wenyang,et al. Research on multi-scale thermal safety of lithium-ion power battery system[J]. Journal of Beijing University of Aeronautics and Astronautics,2023,49(1):31-44.

    [12] 殷卫星. 废旧锂离子电池短路火灾的触发机理及危险性[J]. 消防科学与技术,2022,41(1):36-40.

    YIN Weixing. Triggering mechanism and risk of short circuit fire of waste li-ion battery[J]. Fire Science and Technology,2022,41(1):36-40.

    [13] 夏益辉,黄利明,叶志浩,等. 一种适用于蓄电池组的新型快速均衡拓扑结构[J]. 海军工程大学学报,2022,34(6):16-21.

    XIA Yihui,HUANG Liming,YE Zhihao,et al. A new fast equalization topology for storage battery[J]. Journal of Naval University of Engineering,2022,34(6):16-21.

    [14] 王鲜. 煤矿电机车蓄电池自动充电管理信息系统研究[J]. 中国高新科技,2022(1):92-93.

    WANG Xian. Research on automatic charging management information system of storage battery of coal mine electric locomotive[J]. China High and New Technology,2022(1):92-93.

    [15] 刘梦璇,李子坤,周豪杰,等. 沥青在锂离子电池负极材料中的应用研究进展[J]. 炭素技术,2022,41(1):1-5,40.

    LIU Mengxuan,LI Zikun,ZHOU Haojie,et al. Research progress of pitch in anode materials for lithium-ion batteries[J]. Carbon Techniques,2022,41(1):1-5,40.

    [16] 李起伟,李忠奎,王海南. 基于锂离子蓄电池的煤矿井下储能微电网设计研究[J]. 煤炭技术,2024,43(6):233-237.

    LI Qiwei,LI Zhongkui,WANG Hainan. Design and research of underground energy storage microgrid in coal mines based on lithium ion batteries[J]. Coal Technology,2024,43(6):233-237.

    [17] 王淼,王晓丹. 基于高镍NCA811正极的21700锂离子电池在某装备上的应用研究[J]. 电源技术,2023,47(8):1014-1019.

    WANG Miao,WANG Xiaodan. Research of 21700-type lithium ion battery based on Ni-rich NCA811 cathode applied in a certain equipment[J]. Chinese Journal of Power Sources,2023,47(8):1014-1019.

    [18] 张广续,魏学哲,陈思琦,等. 高温循环老化对锂离子电池安全性影响研究[J]. 机械工程学报,2023,59(22):33-45. DOI: 10.3901/JME.2023.22.033

    ZHANG Guangxu,WEI Xuezhe,CHEN Siqi,et al. Research on the impact of high-temperature cyclic aging on the safety of lithium-ion batteries[J]. Journal of Mechanical Engineering,2023,59(22):33-45. DOI: 10.3901/JME.2023.22.033

    [19] 于继航,周培俊,蒋洋生. 电解液阻燃添加剂对锂离子电池针刺安全性影响试验研究[J]. 消防科学与技术,2022,41(9):1209-1212,1259.

    YU Jihang,ZHOU Peijun,JIANG Yangsheng. Experimental study on the effect of electrolyte flame retardant additives on the nail penetration safety of lithium-ion battery[J]. Fire Science and Technology,2022,41(9):1209-1212,1259.

    [20] 穆云飞,姚泰昂,贾宏杰,等. 基于分布式能源的煤矿带式输送机与蓄电池协同经济调度策略[J]. 天津大学学报(自然科学与工程技术版),2020,53(9):951-958.

    MU Yunfei,YAO Tai'ang,JIA Hongjie,et al. Coordinated economic scheduling strategy for coal mine belt conveyor and battery based on distributed energy[J]. Journal of Tianjin University(Science and Technology),2020,53(9):951-958.

    [21] 杨卓,卢勇,赵庆,等. X射线衍射Rietveld精修及其在锂离子电池正极材料中的应用[J]. 无机材料学报,2023,38(6):589-605. DOI: 10.15541/jim20220331

    YANG Zhuo,LU Yong,ZHAO Qing,et al. X-ray diffraction rietveld refinement and its application in cathode materials for lithium-ion batteries[J]. Journal of Inorganic Materials,2023,38(6):589-605. DOI: 10.15541/jim20220331

  • 期刊类型引用(4)

    1. 邓军,李鑫,王凯,王伟峰,闫军,汤宗情,康付如,任帅京. 矿井火灾智能监测预警技术近20年研究进展及展望. 煤炭科学技术. 2024(01): 154-177 . 百度学术
    2. 刘慧敏,张彬. 永定庄煤业3-5#煤层系统性防灭火设计分析. 山西化工. 2024(04): 195-196+223 . 百度学术
    3. 杨莹,吴爱祥,王先成,王国立. 基于RAdam算法优化ResNet50模型膏体图像识别方法研究. 中国矿业. 2023(07): 79-86 . 百度学术
    4. 杜雨馨,张贺,王树臣,张建化. 综掘系统视觉处理技术研究现状及发展趋势. 工矿自动化. 2023(11): 22-38+75 . 本站查看

    其他类型引用(6)

图(7)  /  表(1)
计量
  • 文章访问数:  139
  • HTML全文浏览量:  36
  • PDF下载量:  10
  • 被引次数: 10
出版历程
  • 收稿日期:  2024-05-20
  • 修回日期:  2024-09-21
  • 网络出版日期:  2024-08-29
  • 刊出日期:  2024-08-31

目录

/

返回文章
返回