一、 作品信息

作品名称： 基于故障特征的电池热失控预警系统

参赛单位： 三峡大学

指导教师： 卢云、金俊

团队成员： 刘雪嫣、张思蕊、刘子文、吕欣忆、吴嘉星

获奖信息： 第四届象新力杯－开放创新赛道自由选题类－一等奖

二、 作品介绍

随着电动汽车和储能电站的规模化发展，锂电池热失控引发的火灾事故频发，成为制约新能源产业安全发展的关键瓶颈。热失控通常由机械滥用（如挤压）、电滥用（如过充）或热滥用引发，其演变过程伴随着电压异常、温度骤升、内阻变化等多维故障特征。然而，传统基于单一阈值（如温度超过60℃）的报警方式往往在热失控不可逆阶段才触发，预警时间严重不足。

针对上述挑战，三峡大学团队研发了基于故障特征的电池热失控预警系统，通过模拟外部挤压实验和电池老化实验，提取不同滥用条件下的故障演化特征，构建多参数融合的预警模型，实现了对电池热失控的早期识别与超前预警。

三、 核心创新

1. RepLKNet+BiGRU-GATT 融合算法

团队创新性结合重参数化大核卷积网络（RepLKNet） 与基于注意力机制的双向门控循环单元（BiGRU-GATT）。RepLKNet 依靠大核卷积扩大特征捕捉范围，提升时频信号处理效率；BiGRU-GATT 双向解析时序信号，借助注意力机制锁定关键异常节点。该技术精准提取电池早期故障特征，彻底解决传统设备故障识别模糊的痛点。

2. 多分类器协同计算 + 计数诊断机制

系统搭建多分类器协同架构，自动测算并更新精准预警阈值，搭配 7 次二次验证的计数诊断机制，层层校验故障信号。双重保障下，设备诊断准确率提升至 95.2%，有效解决传统 BMS 系统阈值不准、预警失灵的问题。

3. 分层采样全维度监测架构

针对电池多参数同步监测难题，团队采用分层采样架构，实现电压、电流、温度等数据全域实时采集，毫秒级捕捉微弱异常，为超前预警筑牢数据根基。

四、 应用前景

目前该项目系统已积累400 万组热失控风险波形数据、67 万组电池实测运行数据，覆盖各类真实故障与行驶工况。落地应用后，现场实测检测准确率高达 96.1%，预警时间较传统系统提前 95.8%，大幅拉长黄金逃生窗口。已与广汽传祺、湖北亿纬动力、特锐德等车企、电力及锂电池龙头企业达成合作意向。