锂离子电池安全性检测技术是锂离子电池生产、使用过程中发现安全性隐患、预防安全性风险的关键技术之一,而传统的锂离子电池安全性检测技术难以满足在线检测和检测精度的要求,基于机器学习的锂离子电池安全性检测技术的实现,满足了这两方面的需求。目前,机器学习从最早应用于纯粹的互联网企业,已经发展到应用于更多其他工业场景之中,但是基于机器学习的锂离子电池安全性检测技术在国内尚处于研究和发展阶段。本课题以锂离子电池化成过程中存在的安全性隐患为对象,从锂离子电池充放电特性和检测技术两方面对锂离子电池安全性检测进行研究。首先研究锂离子电池化成过程,分析锂离子电池化成过程存在的安全性隐患,并对其中的内短路安全性隐患进行建模,得出内短路情况下的充放电电压特性;其次研究基于机器学习的锂离子电池安全性检测的关键算法,深入研究了锂离子电池内短路和一致性检测算法,并对算法进行了实验分析并在锂离子电池化成系统中实现了安全性检测模块。针对锂离子电池化成过程中的内短路问题,本文在研究了锂离子电池内短路的形成机制基础之上,建立了锂电池内短路模型,并通过实验验证了模型的精确性。基于锂离子电池内短路模型,研究了锂离子电池正常工作和存在内短路时的充放电特性,通过充放电电压曲线分析其安全性特征,为内短路检测提供理论基础。对化成数据去噪预处理得到充电电压曲线,提取充电电压曲线的安全性特征,结合支持向量机理论,对内短路安全性隐患进行检测。为了满足检测精度的要求,分析对比多种常用的核函数的检测效果,选取准确率最高者建立分类模型,建立模型之后,采用网格搜索法、留一交叉法和遗传算法优化分类模型的参数,同时,在matlab中仿真和验证内短路检测系统的检测精度及效果。最终,根据实验结果,对比不同方法的检测精度,在此基础之上提出适合锂离子电池内短路安全性隐患检测的最优方案。锂离子电池组之间的一致性问题是成组使用过程中带来安全性问题的主要因素。为了解决锂离子电池化成过程中存在的电池组之间的不一致的问题,提出将FCM聚类算法运用于锂离子电池的一致性检测。通过模糊聚类算法,根据化成过程中的锂离子电池单体充电电压特性,可以将锂离子电池单体分为不同的类别,筛选出最多电池所属的类之后,由实验结果可知,一致性检测算法的检测效果良好,并在最后运用统计学的标准差和样本极差对一致性结果评价。最后,将安全性检测算法在化成系统的上位机实现,并对系统进行了测试,以及对算法检测结果进行了评价。测试结果显示,锂离子电池安全性检测系统运行稳定,性能指标满足系统要求。