Meng H, Hu M,
Kong Z, et al. Risk analysis of lithium-ion battery
accidents based on physics-informed data-driven Bayesian networks[J].
Reliability Engineering & System Safety, 2024: 110294.
摘要
近年来，锂离子电池事故的灾难性后果引起了社会和业界的高度关注。因此，风险分析对于锂离子电池的风险预防和控制是必不可少的。然而，由于锂离子电池复杂的材料特性和老化机制，建立基于物理的风险分析模型十分困难。同时，数据驱动的方法需要锂离子电池的历史信息，而不仅仅依赖于对锂离子电池内部机制的了解。本研究提出了一种集成物理信息的贝叶斯网络（BN）（即从故障树映射）和数据驱动的BN（即从数据中学习）的方法来进行锂离子电池的风险分析。首先，我们建立物理信息和数据驱动的BN。随后，我们将物理信息和数据驱动的BN连接起来，建立用于锂离子电池事故风险分析的贝叶斯网络。其次，我们在系统中设置了安全屏障，包括探测器、应急响应和消防设施。第三，对安全屏障性能进行评估，利用航空运输中锂电池事故数据对提出的模型进行验证，结果表明安全屏障可以降低锂电池事故风险。最后，提出了航空运输中锂电池风险控制的建议，旨在为锂电池事故风险防控提供理论依据。
引言
锂离子电池具有能量密度高、使用寿命长、维护成本低、自放电率低等特点，被广泛应用于通讯、汽车、电子、仪器仪表、航空等领域。锂离子电池的风险管理对于确保电池驱动设施的安全至关重要。随着能量密度的快速提高，锂离子电池面临热失控风险。锂离子电池的短路、机械滥用、设计和制造缺陷可能导致火灾或爆炸。近年来，由锂离子电池引起的事故频频报道。2013年1月，由于电池短路，一架飞机的辅助动力装置电池发生火灾。2016年，因电池设计缺陷导致的手机起火爆炸事件屡见不鲜，导致了巨额损失。2018年7月，由于电池过热，韩国全罗南道灵岩风电场的电池储能系统发生火灾，导致电池楼内3500多块锂电池起火，经济损失超过400万美元。2021年7月，澳大利亚维多利亚州的一个电池储能项目，由于冷却剂泄漏引起热失控，集装箱内一个13吨重的锂电池组发生火灾。财产损失和人员伤亡使社会对锂电池安全性的关注度日益提高。在航空运输过程中的振动、违反包装规定、隐瞒危险品特性、操作不规范、装卸粗糙、电池过度使用等因素都会造成锂电池相关灾难的发生。因此，有必要研究影响航空运输安全的风险影响因素（RIF），建立定性和定量分析模型，并针对高风险影响因素提出风险控制措施。因而，本文首先提出了一种集成 Bow-tie 方法和数据驱动BN的方法。其次，我们对航空运输中的锂电池进行了风险分析，并确定了关键的RIF。最后，通过比较有无安全屏障时后验概率的变化，本文发现安全屏障可以降低锂电池事故的风险。因此，我们提出了航空运输中锂电池风险控制的相关建议。
方法
基于物理信息和数据驱动的贝叶斯网络
故障树结合了领域知识和专家知识来识别和分析危险。而从故障树映射的BN通常受到主观认知的影响。因此，本文将从故障树映射的BN（即物理信息BN）和从数据获得的BN（即数据驱动BN）结合起来，建立了一个用于锂电池风险分析的综合BN，如图1所示。
（1）我们比较物理信息BN和数据驱动BN，以促进数据和故障树映射BN的融合，适当调整数据表，并尝试将数据中的RIF与故障树中的主要事件相匹配。
（2）基于物理信息BN，对于相同的节点，我们将故障树映射BN中的先验概率替换为数据驱动BN中的先验概率。我们在物理信息BN中设置数据驱动的先验概率和CPT。
（3）我们调整网络并更新概率。根据后验概率得到各RIF的重要性排序，实现风险分析。
图1 物理信息和数据驱动的贝叶斯网络的结合过程
嵌入安全屏障的贝叶斯网络
本文将Bow-tie映射到BN模型中，以控制与锂电池事故相关的风险。该风险控制方法包括以下步骤：
(1) 系统定义。我们定义系统并收集必要的信息，包括来自各个阶段的数据信息、来自研究论文的经验知识以及该领域的专业知识，为危险识别提供基础。
(2) 危险识别。我们利用故障树分析（FTA）来查明可能导致事故的潜在危险。根据安全屏障失效的顺序，通过事件树分析（ETA）对事故场景进行建模。该分析从异常事件开始，并随着安全屏障导致工作或故障而发展。因此，通过将故障树和事件树纳入Bow-tie模型，从根本原因到后果建立事故场景。
(3) 模型构建。此阶段建立了一个定量模型，包括概率确定和BN建模。
(4) 风险分析。子节点和后果的失效概率由BN模型计算。概率更新可以预测子节点的概率，并得到假设子节点发生的风险因素的后验概率。此外，我们评估安全屏障的有效性，并得到由安全屏障故障组合导致事故后果的概率。
（5）决策。上述步骤的发现和结论可以支持做出与风险相关的决策，并提出预防措施以降低子节点发生的可能性。
Bow-tie方法有助于理解可能导致故障树中顶级事件的主要事件的潜在组合，以及识别可能导致事件树中顶级事件升级为特定后果的安全屏障故障。例如，图2中发生后果 C2 的概率可以计算如下：
图2 通用Bow-tie模型
图2中，PEi表示初级事件，IEi表示中间事件，T表示故障树的顶端事件（即事件树的起始事件），Si表示安全屏障，Ci表示事故后果。
图3 基于贝叶斯网络的锂离子电池事故风险管理方法
案例
连接物理信息和数据驱动的贝叶斯网络
本文将物理信息驱动的BN与数据驱动的BN融合成一个新的BN模型，如图4所示。通过原始故障树映射BN中每个节点的先验概率。数据驱动的BN中的X8、X9、X10和X11分别替换为“DEC（是否声明）”、“CHE（检查）”、“SORT（排序）”和“L&Un（装载和卸载）”，并添加“BC（电池类别）”和“TC（车厢类型）”节点。先验概率、新连接和条件概率表由数据驱动的BN替换。BN相较于其他方法的优势在于能够计算出后验概率，即航空运输中锂电池异常时，各种父节点和中间节点出现的概率。后验概率可以作为确定父节点对子节点出现的影响重要性的参考。
图4 航空运输中锂离子电池异常的贝叶斯网络
图5 风险影响因素的先验概率变化对锂离子电池异常概率的影响
嵌入安全屏障的贝叶斯网络
Bow-tie模型被公认为是描述事故场景的模型，从事故原因到后果，都集中在一个关键事件上。左侧的故障树表示导致关键事件（即顶级事件）的潜在事件。右侧的事件树描绘了安全功能成功或失败对关键事件的可能结果。根据锂电池航空运输的特点，在风险分析模型中加入了安全屏障。当系统中配置了安全屏障时，每个屏障都会依次激活。三级安全屏障如下:
(1)探测器是第一道安全屏障。锂电池过热通常伴随着周围温度和烟雾浓度等物理和化学性质的变化。探测器通过检测温度和烟雾浓度的异常升高来发出警报。探测器不能及时准确地发现将导致安全措施实施的延迟。
(2)第二道安全屏障是工作人员的应急响应。当锂电池发现报警或出现异常时，能否正确采取应急措施将决定事故能否得到控制。
（3）灭火设施是最后一道屏障。
包含锂电池航空运输安全屏障失效场景的应急响应如图6所示。其组成及失效概率见表1。
表1 事件树的组成及失效概率
图6 航空锂离子电池异常事件树
图7 航空运输中锂离子电池风险控制的贝叶斯网络
结论
本文提出了一种基于物理信息与数据驱动的BN模型，用于锂离子电池事故风险分析。并选择航空运输领域的电池数据进行模型验证。基于文献和事故统计数据，我们识别了航空运输中锂离子电池事故的风险因数 (RIF)，构建了锂离子电池异常状态的故障树，并建立了相应的BN模型（基于物理信息）。根据FAA事件数据，开发了数据驱动的BN。随后，将基于物理信息的BN和数据驱动的BN融合成一种新型BN。我们根据新BN模型的结果对风险因素的重要性进行排序。通过建立锂离子电池的异常事件树和Bow-tie模型，将安全屏障集成到 BN中以控制锂离子电池的风险。随后，我们评估了安全屏障的性能，并提出了风险控制措施。
推荐阅读
基于深度隐变量状态空间模型的轴承退化预测
一种全新滚动轴承局部缺陷扩展动态更新和实时映射的数字孪生模型
推荐阅读 | 幅值调制双谱：一种微弱调制特征提取方法及其在滚动轴承故障诊断中的应用
推荐阅读 | 一种时频谱幅值调制方法及其在滚动轴承故障诊断中的应用
CBAM增强残差卷积域自适应网络在跨机滚动轴承剩余使用寿命预测中的应用
推荐阅读 | 应用Benders分解方法解决多车生产路由问题
