XiaoMi-AI文件搜索系统
World File Search System热图像
CWGAN-GP带有含锂离子电池热图像数据扩展的剩余网络模型
锂电池在储能中找到了广泛的应用。温度是评估锂离子电池状态的关键指标，许多实验需要用于研究目的的锂离子电池的热图像。然而，由于诸如高实验成本和相关风险之类的因素，获取锂离子电池故障的热成像样品是具有挑战性的。为了解决这个问题，我们的研究提议利用有条件的Wasserstein生成对抗网络，该网络具有梯度惩罚和残留网络（带剩余网络的CWGAN-GP），以增强描述锂离子电池故障的热图像的数据集。我们采用各种评估指标来定量分析和比较锂离子电池的热图像。随后，扩展的数据集，包括四种描述锂离子电池故障的热图像的类型的热图像，是输入基于面具区域的卷积神经网络进行训练的。结果表明，就锂离子电池的生成的热图像质量而言，提出的模型超过了传统的生成对抗网络和Wasserstein生成对抗网络。此外，数据集的增强导致基于掩模区域的卷积神经网络的故障诊断准确性提高。
带有分布式光纤传感器的圆柱21700锂离子电池的全局热图像
能够监视锂离子电池（LIB）的热行为的能力，是选择性性能并确保安全操作的必要前提。但是，传统的点测量（热电偶）在准确表征LIB行为方面面临着挑战，尤其是定义热点以及热梯度的大小和方向。为了解决这些问题，已经采用了基于光频域反射计（OFDR）分布式 - 光纤维传感器来量化圆柱形21700 LIB内的热量产生。实现了光学传感器内的3 mm空间分辨率。光纤已在细胞表面周围缠绕，以超过1300个独特的测量位置；分布在圆周周围，沿Lib轴向分布。分布式测量结果表明，在1.5C放电期间，最大热差可以达到8.37℃，而点状传感器的热差为4.31℃。虽然沿细胞轴向长度的温度梯度首次被充分理解，但该研究首次量化了沿细胞周长的温度变化。全球热图像突出显示热量产生是在正电流标签周围积累的，这意味着在传统表征实验和电池管理系统（BMS）内定义传感器的位置时，需要对内部LIB结构的基本知识。