2026年5月，TRANS课题组最新成果《Battery Safety: Mechanisms, Monitoring, and Machine Intelligence》发表于能源领域JCR一区期刊《Advanced Energy Materials》（影响因子26）。本研究面向电动汽车和储能系统等设备中电池安全面临的关键挑战，从“机理—材料—系统—智能”多层级视角出发，凝练了融合人工智能面向下一代高安全电池系统的综合技术框架，为推动电池安全管理从被动防护向主动预测和智能决策转变提供了系统性参考。本研究的主要贡献总结如下：
- 揭示电池安全风险的底层演化机制：围绕热失控、异常衰退和突发故障等安全问题，本文系统阐释了多物理场耦合作用下的失效触发机制和跨尺度传播路径，并进一步比较液态锂离子电池、固态电池、钠离子电池和钾离子电池等下一代电池体系在热失控阈值、产气特征和毒性气体释放方面的差异，提出面向下一代电池的多维安全评价视角。
- 建立面向本征安全技术的成熟度评价体系： 针对本征安全技术路径多样、成熟度差异显著的问题，本文建立了本征安全成熟度等级（IMRL）评价框架，对材料改性、界面调控、电解质设计、热管理与结构防护等策略进行分级比较，明确不同技术距离实际应用的阶段差异，为下一代高安全电池技术发展提供系统评价依据。
- 构建面向系统级安全防护的多源感知与协同管理框架： 面向单体、模组、电池包和整车/储能系统等多层级应用场景，本文综述了多源传感、安全监测、热管理、故障隔离、车端BMS和云端电池管理等系统级防护技术，强调通过多传感器融合、实时状态感知和云边协同控制提升电池系统主动安全能力。
- 凝练人工智能赋能电池安全监测与控制的关键路径： 针对极端故障样本稀缺、机理复杂、模型泛化不足和工程部署受限等挑战，本文从多模态感知、数据高效学习、物理信息融合和边缘部署四个维度，梳理了人工智能赋能电池安全诊断、风险预测和智能控制的关键方法。
- 展望面向下一代电池安全管理的未来发展方向： 面向高能量密度电池、大规模储能和复杂交通能源系统，本文进一步展望了下一代安全测试标准、自主闭环安全管理、自修复电池技术和跨领域安全管理等方向，为电池安全从被动防护迈向主动预测、自适应调控和全生命周期智能管理提供前瞻性路线。
论文第一作者为TRANS课题组2024级博士生景浩，通讯作者为欧士琪教授、加利福尼亚大学戴维斯分校赵竟园，合作作者包括TRANS课题组2026级博士生吕志隆、科研助理郭海枫、加利福尼亚大学戴维斯分校Andrew F. Burke。该研究得到了国家重点研发计划项目资助以及广东省人才引进团队项目的支持。
1 论文摘要
电池是电子设备和电动交通的重要基础。然而，老化累积和突发故障可能诱发热失控等安全问题，使电池安全成为全球关注的焦点。本文从多物理场耦合和多尺度失效传播的角度，阐明了电池失效的触发与演化机制，并重点关注下一代电池体系中由化学体系差异引发的安全异质性。为缓解上述风险，本文系统考察了本征安全材料与结构设计，并对其技术成熟度进行了分级评价。进一步地，本文讨论了系统级主动防护技术，强调云端电池管理系统在数据治理以及云边协同监测与控制中的作用。在此架构基础上，本文从四个维度综合构建了人工智能赋能的电池安全监测与控制框架：（1）感知层面，通过多模态融合克服单一变量监测的局限，实现对电池内部状态的整体映射；（2）算法层面，采用自监督学习等数据高效范式，缓解极端故障场景下的数据稀缺问题；（3）机理层面，融合物理信息神经网络和数字孪生技术，增强模型的可解释性和物理一致性；（4）部署层面，利用边缘计算和联邦学习，在隐私约束下实现云边协同与群体智能。最后，本文展望了下一代安全测试标准、自主闭环安全管理、自修复技术以及跨领域安全管理等未来发展方向。
2 综述框架
图 电池安全多层级框架：失效机理、材料结构、系统监测与智能管理
3 主要内容
（1）电池失效机理与跨尺度传播
为揭示电池安全事故的内在演化规律，本文首先从失效机理层面出发，系统梳理了电化学、热和机械的多物理场相互耦合、逐步放大的复杂过程。研究指出，电池安全事故往往不是由单一因素导致，而是在过充、过放、高温、机械冲击或长期振动等滥用条件下，由多种内部反应相互诱发、持续放大所形成的系统性风险。具体而言，在上述条件下，电池内部可能发生析锂、枝晶生长、SEI膜破裂、电解液分解、正极释氧、隔膜收缩和内部短路等一系列反应。这些反应并非孤立发生，而是会通过热积累、气体释放、压力上升和局部结构破坏相互耦合，形成从局部异常到系统失控的正反馈链条。通过对电化学起源、热力学因素和机械触发因素的协同分析，本文进一步阐明了电池失效从早期局部扰动逐步演化为热失控等严重安全事件的内在机制。
图 锂离子电池安全领域多物理场耦合作用示意图：电化学失稳会引发产气与升温，机械损伤会造成内部短路，热反馈回路会加速电池老化并触发热失控
此外，电池失效具有显著的跨尺度传播特征。微观尺度上的材料缺陷、界面副反应和颗粒破裂，可能逐渐演化为电极结构衰退、单体容量异常衰减、模组不一致性加剧以及整包级热扩散。论文通过异常容量衰退和热失控传播两条典型路径，揭示了从颗粒尺度到系统尺度的非线性放大机制。其中，容量异常衰退路径体现了颗粒破裂、SEI反复重构和界面阻抗升高对单体与模组性能的长期影响；热失控路径则体现了枝晶穿透、内部短路、局部热点和电芯间热耦合对系统安全的级联放大作用。该分析为识别关键干预节点和构建多层级防护策略提供了机理基础。
图 从颗粒尺度到电极、电芯、模组再到整组电池包的多尺度失效传导链，展示了两种典型的演变路径。左侧路径对应容量异常衰减，依次经历反复体积形变、颗粒破裂、界面阻抗逐步增大、单体电池容量下降，最终引发电池模组失效。右侧路径为热失控传导，先是出现局部电化学失稳、内部短路以及单体电池间热耦合现象，各类问题不断加剧，最终造成整个电池系统失稳
（2）下一代电池体系的安全异质性
为进一步揭示下一代电池体系的差异化安全风险，本文重点比较了固态电池、钠离子电池、钾离子电池等新型体系与传统液态锂离子电池在失效行为上的差异。研究指出，不同电池体系在热失控触发温度、最高温度、产气量、有毒气体类型和反应动力学方面存在显著不同。例如，液态电解质锂离子电池主要面临HF、CO等气体释放风险，硫化物固态电池可能释放H₂S，部分采用普鲁士蓝类正极材料的钠离子和钾离子电池则可能产生HCN等有毒气体。基于上述比较，本文通过表格系统总结了不同电池体系的热失控风险和毒性气体释放特征，进一步指出下一代电池安全评价不能仅关注燃烧、爆炸和最高温度等传统指标，还需要综合考虑材料化学体系、界面稳定性、SOC状态、循环历史以及封闭空间中的毒性暴露风险。这一视角有助于推动安全测试标准从“单一滥用测试”向“化学体系差异化、服役历史相关和多风险耦合评价”转变。
（3）本征安全材料与结构设计
为从源头降低电池失效风险，本文进一步聚焦本征安全材料与结构设计，系统总结了正极材料掺杂与表面包覆、负极SEI界面调控、预锂化与活性锂补偿、固态电解质和凝胶聚合物电解质、自修复聚合物电解质、相变热管理材料、隔热材料、电气安全架构以及电池结构几何优化等多种策略。本文指出，上述策略分别从抑制副反应、提高界面稳定性、降低可燃组分、缓冲温度突升、阻断热扩散和优化系统结构等角度提升电池安全边界，体现出从材料单元到结构集成的多尺度本征安全设计思路。更重要的是，本文进一步引入本征安全成熟度等级（IMRL）方法，对不同技术路径的发展阶段进行梳理。该评价不仅关注某一策略在实验室中是否有效，也关注其是否具备全电池验证、模组级集成、制造兼容性、长期稳定性和实际应用基础，有助于区分概念验证、工程示范和成熟应用之间的差异。
表 本征电池安全性材料与结构策略的综述及IMRL分级评价
（4）系统安全设计与云边协同BMS
为进一步阐明系统层面的电池安全防护路径，本文指出，电池安全不仅依赖材料本身，也需要系统层面的主动监测、数据治理和协同控制。传统 BMS 主要依赖电压、电流和温度等少量变量进行阈值报警，在面对局部隐性故障、复杂耦合风险和长期老化效应时，往往存在感知不足和响应滞后的问题。针对这一局限，本文系统梳理了多源感知与系统级防护技术的发展方向，强调电池安全监测需要进一步融合电流、电压、温度、压力、气体、声学、阻抗、红外热成像以及量子传感等多维信息。上述多源感知信息还需要与热管理、故障隔离、均衡控制和紧急保护策略协同工作。此外，随着车辆运行数据、储能运行数据和云端计算能力不断积累，本文进一步讨论了云端 BMS 和云边协同架构在电池安全管理中的作用。该架构有助于推动安全防护从单点阈值判断逐步走向多源状态感知、风险趋势识别和动态策略优化。
图 融合车载电池管理系统与云端电池管理系统用于多层级安全诊断的混合式电池管理架构示意图。车载电池管理系统负责在车辆端完成实时监测、安全研判以及快速故障处置。云端电池管理系统汇总车队数据，开展大规模趋势分析、深度安全模型训练，并向各系统推送更新内容。两大体系相结合，既能实现快速响应，也能推动智能能力的长期迭代升级
在该架构下，边缘端负责实时采集、快速判断和初步响应，云端平台则承担大规模数据汇聚、模型训练、群体分析、状态校准和策略更新等任务。通过云端建模、数字孪生仿真、远程诊断和OTA参数更新，系统可以针对不同车型、气候区域、电池材料体系和使用场景制定差异化安全管理策略。例如，云端可基于车队级数据识别异常车辆、对比不同工况下的热管理效果，并将优化后的阈值、功率限制和均衡策略安全下发至边缘端。由此，电池管理可以从单车局部监控进一步拓展为车队级、生命周期级和云边协同的智能管理体系。
图 面向提升电池安全性的云端电池管理系统整体架构与功能机制。(a) 云端监测与数据清洗，包含多源信号采集、分布分析及数据预处理。(b) 车队级对比分析与模式识别，涵盖影响因素分析、相关性分析与聚类分析等。(c) 云端大模型训练与边云协同校准，融合云端学习与边缘端推理能力。(d) 全生命周期智能运维，包括数据辅助设计、在线监测与远程在线升级、溯源分析，以及电池回收与梯次利用的分级和价值评估
（5）人工智能赋能电池安全监测与部署
为进一步总结人工智能在电池安全监测中的作用，本文从“感知—算法—机理—部署”四个维度梳理了相关核心技术体系。在感知层面，本文指出电池安全监测正在从单一电压、电流、温度信号向多模态融合感知扩展。其中，多模态融合主要包括特征级融合和决策级融合两种方式：前者通过提取不同传感信号中的关键特征并进行统一表征，以捕捉多源信息之间的关联关系；后者则将不同传感通道或模型的诊断结果进行综合判断，从而提高安全预警的可靠性和鲁棒性。在算法层面，由于热失控和极端故障样本稀缺，传统全监督学习难以支撑模型的可靠泛化，因此少样本学习、半监督学习和自监督学习等数据高效范式成为重要方向。在机理层面，本文重点关注物理信息神经网络和数字孪生技术，强调将电化学、热传导、老化动力学和等效电路等领域知识融入模型训练，以提升预测结果的物理一致性和可解释性。在部署层面，边缘计算和联邦学习有助于在保护用户隐私和数据安全的前提下，实现跨系统和跨区域的群体智能安全管理。
图 面向智能电池安全监测的系统级人工智能框架。(a) 用于安全诊断的多模态传感器输入与模型训练。(b) 适用于数据高效型安全预测的学习范式：小样本学习、半监督学习与自监督学习。(c) 融合物理信息的机器学习与数字孪生技术。(d) 依托边缘计算与联邦学习实现规模化部署
其中，本文重点关注了物理信息神经网络（physics-informed neural networks, PINNs）在电池安全监测与故障诊断中的典型融合范式。首先，PINNs可将电化学反应、热传导、SEI生长或退化动力学等物理约束嵌入损失函数，使模型在拟合数据的同时满足基本机理规律。其次，PINNs可将等效电路模型、电化学模型等具有明确物理含义的结构嵌入神经网络，并通过神经网络参数化难以显式表达的隐式组件，从而提升模型的可解释性和少样本适应能力。此外，PINNs还可将物理模型推导得到的内阻、极化电容、表面锂离子浓度和热生成率等状态或参数作为模型输入，增强模型对复杂工况和内部状态的表征能力。相较于纯数据驱动模型，PINNs能够在故障样本稀缺、工况差异显著和机理约束较强的场景下提升预测结果的物理一致性、可解释性和泛化能力，因此也是本文在“机理融合”维度中重点讨论的重要技术路径。
图 物理信息神经网络（PINNs）在电池安全监测与故障诊断中的典型应用。(a) 范式一：将物理约束嵌入损失函数。(b) 范式二：对物理结构模型中的隐式组件进行神经参数化。(c) 范式三：将物理模型推导得到的状态或参数变量作为神经网络输入
4 结论与展望
本综述围绕电池安全这一关键问题，系统构建了涵盖失效机理、本征安全设计、系统级监测和机器智能管理的综合分析框架。本文指出，电池热失控和安全事故本质上是多物理场耦合、多尺度传播和多因素共同作用的结果，其防控不能仅依赖材料层面的被动防护或BMS阈值报警，而需要在材料、结构、传感、算法、云端平台和工程部署之间形成协同闭环。未来，电池安全研究仍需围绕测试标准、主动管理、材料自修复和跨场景应用等方向持续深化。一方面，面向下一代电池体系的安全测试标准有待进一步完善，需要将多物理场耦合、长期老化效应、毒性气体释放以及AI模型可信性等因素纳入评价体系。另一方面，电池安全管理也将逐步从被动响应走向自主闭环控制，使电池系统能够实时感知运行状态、预测潜在风险，并根据风险等级动态采取降流、冷却、隔离等干预策略。此外，自修复材料和智能结构有望进一步提升电池系统的自适应防护能力，推动安全防护从外部保护向内部主动修复延伸。面向电动汽车、储能电站、便携电子设备和电池回收利用等不同场景，构建贯穿全生命周期的跨领域安全管理框架，也将成为未来电池安全研究的重要方向。
图 智能自主化电池安全管理框架。(a) 现有检测方案在实际运行工况与新型电池体系下存在的局限性。(b) 基于数字孪生与全生命周期验证的新一代人工智能融合检测流程。(c) 融合多模态感知、智能预测、预防性维护以及具备自修复能力的主动故障消解技术的一体化主动式电池安全框架。(d) 可适配不同电池化学体系、应用场景与地域环境的跨领域安全智能体系及可迁移模型
原文链接：
https://doi.org/10.1002/aenm.71093
CITATION:
Jing, H., Ou, S., Lv, Z., Guo, H., Burke, A. F., & Zhao, J. (2026). Battery Safety: Mechanisms, Monitoring, and Machine Intelligence. Advanced Energy Materials, e71093. https://doi.org/10.1002/aenm.71093.
感谢您的关注，敬请期待更多团队动态！
初稿：景浩
排版：高伟敏
终审：欧士琪