深度学习方法在电池生产线上检测热失控事件.pdfVIP

©2025IEEE.允许个人使用本材料。对于其他所

有用途，包括在任何当前或未来的媒介中重新印刷/重

新发布此材料用于广告或促销目的、创建新的集体作

品、转售或重新分发到服务器或列表，或者在其他作品

中重复使用本作品的任何受版权保护的部分，必须获得

IEEE的许可。

本文于2025年5月12日至15日在德国埃姆登的

第八届IEEE工业赛博物理系统会议（ICPS）上发表。

A.Athanasopoulos,M.Mihalák和M.Pietrasik,

”深度学习方法在电池生产线上检测热失控事

件,”2025IEEE第八届工业网络物理系统国际

会议（ICPS）,德国埃姆登,2025,pp.1-6,doi:

10.1109/ICPS65515.2025

本

译

中

2

v

2

3

6

8

0

.

4

0

5

2

:

v

i

x

r

a

深度学习方法在电池生产线上检测热失控

事件

AthanasiosAthanasopoulos,MatúšMihalák,MarcinPietrasik

DepartmentofAdvancedComputingSciences

MaastrichtUniversity

Maastricht,TheNetherlands

摘要—电池制造中的一个重要安全考虑是热失控，即无法信息，并可能实现更早、更准确的检测。具体而言，我

控制的温度升高，这可能导致火灾、爆炸和有毒气体排放。因们研究了三种常见计算机视觉模型在设计用于模拟生

此，在学术和工业环境中开发能够检测此类事件的自动化系统具产环境中热失控事件的数据上的应用。据我们所知，这

有重要意义。在这项工作中，我们研究了使用深度学习来检测荷

项工作是首次在电池生产线背景下利用此类方法进行

兰汽车制造商VDLNedcar电池生产线上的热失控情况。具体

来说，我们从生产线上收集数据以表示基线（非热失控）和热失热失控检测的工作。我们的研究是在与汽车制造公司

控条件。通过使用外部热源和烟雾来源模拟热失控。数据包括光VDLNedcar的合作下完成的，该公司为我们提供了用

学图像和热图像，在输入模型之前进行了预处理并融合。在这方例并允许访问其生产线。该生产线是模块化的，并且能

面，我们在两个性能指标上评估了计算机视觉中广泛使用的三种够以最小的重新工程努力构建多种电池组。它由两个自

深度学习模型，包括浅层卷积神经网络、残差神经网络和视觉变动化站、四个手动站、一个返工站和一个装载站组成。

压器。此外，我们使用可解释性方法评估这些模型，以了解它们

我们的工作重点是在第一个自动站中检测热失控，这个

从输入中捕捉相关信息的能力。获得的结果表明，在电池生产线

上使用深度学习进行热失控检测是一种可行的方法。站紧随手动包装准备站之后。从某种意义上说，它也充

IndexTerms—热失控，深度学习，数据融合，分类，制造当了对早期人工劳动的检查。我们收集了来自电池生产

线的数据用于模型评估，并发现所有三种测试的模型都

I.介绍能够在性能指标方面取得优异结果。因此，我们得出结

热失控是在温度升高触发自增强的放热反应循环论，深度学习方法是检测电池生产线上热失控事件的一

的过程中，导致温度迅速且不可控制地上升[1]–[3]。在种可行的方法。

电池制造的背景下，这种温度上升发生在生产线上的我们的论文在第