一种基于深度学习的跨尺度电芯漏液特征识别方法

本发明提供了一种基于深度学习的跨尺度电芯漏液特征识别方法，包括实时采集电芯的多源运行参数，如电化学参数和物理场参数；通过时空对齐框架将离散时序的电化学参数与连续空间的物理场参数映射至统一特征空间；构建混合神经网络架构提取跨尺度特征，该架构包括深度双向LSTM网络和图卷积网络；采用第一性原理驱动的损失函数训练混合神经网络架构，该损失函数由数据拟合误差项与电化学动力学约束项通过动态权重因子加权组成；最后将融合后的特征向量输入分类器，输出电芯漏液风险等级。本发明可以提升电芯漏液早期检测的灵敏度和准确性，降低计算复杂度，保障锂离子电池系统的安全运行。