基于电学与超声信号特征融合的锂离子电池健康状态估计

《Batteries》:State of Health Estimation of Lithium-Ion Batteries Combining Electrical and Ultrasonic Signal Features

【字体: 大 中 小 】 时间:2026年06月27日 来源:Batteries 4.8

编辑推荐:

  健康状态(State of Health, SOH)是评估锂离子电池性能的关键指标。单一传感信号难以全面表征电池退化过程中的多物理场演化特性,这限制了SOH估计的准确性与鲁棒性。因此,研究人员提出了一种融合电学与超声特征并结合频率增强分解式Transforme

  
健康状态(State of Health, SOH)是评估锂离子电池性能的关键指标。单一传感信号难以全面表征电池退化过程中的多物理场演化特性,这限制了SOH估计的准确性与鲁棒性。因此,研究人员提出了一种融合电学与超声特征并结合频率增强分解式Transformer(Frequency-Enhanced Decomposed Transformer, FEDformer)的锂离子电池SOH估计方法。首先,通过实验构建多条件电池老化数据集,包含7828个循环的电学与超声信号数据;继而,从多视角提取20个电学与超声特征,并基于Spearman相关系数筛选出12个强相关特征;最终,采用FEDformer建立SOH估计模型,针对不同输入特征、模型及交叉老化条件对SOH估计的准确性、鲁棒性与泛化性进行对比分析。结果表明,与单独使用电学特征相比,融合超声特征使估计性能平均提升40%以上;此外,在交叉老化数据集中,SOH估计的平均绝对误差(Mean Absolute Error, MAE)和均方根误差(Root Mean Square Error, RMSE)分别为0.52%和0.63%,验证了所提方法的鲁棒性与泛化能力。
全球变暖与能源危机对人类社会构成严峻挑战,锂离子电池(Lithium-Ion Batteries, LIBs)作为能源框架脱碳化的核心技术,已广泛应用于大规模储能电站与电动汽车领域。健康状态(State of Health, SOH)是评估锂离子电池性能退化与可靠性的关键指标,其准确估计对电池系统的健康管理与安全预警具有重要意义。

现有SOH估计方法主要依赖电学信号及其衍生特征,包括增量容量(Incremental Capacity, IC)曲线、平均电压、方差与峰度、电压位移、恒流(Constant Current, CC)充电时间、恒压(Constant Voltage, CV)充电时间等。尽管电学信号能够有效反映电池老化过程中不可逆的电化学特性变化,但难以表征伴随发生的物理属性不可逆变化,包括固体电解质界面膜(Solid Electrolyte Interphase, SEI)增厚、活性材料颗粒机械强度下降、电极晶格结构体积膨胀等。单一电学信号难以实现对电池老化过程中多物理场演化的全面表征,导致SOH估计的准确性与鲁棒性受限。因此,亟需补充新型传感信号以丰富多模态特征集,突破现有SOH估计方法的性能瓶颈。

近年来,机械无损检测(Non-Destructive Testing, NDT)方法备受关注,其中超声无损检测(Ultrasonic Non-Destructive Testing, UNDT)已成为评估物理特性的高灵敏度、高效原位表征技术。研究人员观察到,尽管不同电池在特定时刻可能呈现等效的电学特征与SOH,但其后续阶段的演化老化路径可能显著分化。Huang团队发现各类电池在早期循环中电学信号曲线高度一致,表明初始老化阶段电池具有良好的电化学可逆性,但超声信号曲线呈现显著偏差,揭示了内部物理结构的不可逆演化,后续容量退化实验进一步验证了超声表征的准确性。

现有研究中,Hsieh等通过声学守恒定律模型证明了超声飞行时间(Time of Flight, TOF)表征SOH的潜力;Davies等研究了TOF与信号幅值(Signal Amplitude, SA)等超声特征与SOH的关系,结合支持向量机(Support Vector Machine, SVM)实现SOH估计,误差达1%;Ladpli等利用Gabor参数与粒子滤波(Particle Filtering, PF)构建SOH估计模型;Mei等以卡尔曼滤波(Kalman Filter, KF)替代PF,发现融合超声特征后算法可在五个循环内快速收敛;Zhao与Kim等揭示了超声导波SA与SOH的映射关系,发现SA微分曲线可作为电池相变退化的指示器;Liu等提出基于超声时频特征与广义加性神经决策集成模型的SOH估计方法,平均绝对误差达1.7%。

现有研究尚存在不足:多物理场演化特性难以被单一信号全面表征,如何综合提取超声特征以建立电学与声学信号的协同互补性,从而提升交叉老化条件下的SOH估计性能,仍需进一步探究。为此,研究人员提出融合电学与超声信号特征的FEDformer模型,构建多条件老化数据集,全面提取并筛选特征,建立SOH估计模型并对比分析其准确性、鲁棒性与泛化性能,为多维度感知的下一代智能电池研究提供新见解与 solid reference。

研究背景与技术需求

全球变暖和能源危机带来严峻挑战,锂离子电池作为能源脱碳的关键技术已大规模应用。SOH是评估电池性能退化的核心指标,准确估计SOH对电池健康管理和安全预警至关重要。现有方法主要依赖电学信号,但难以表征物理属性变化;超声无损检测可补充这一空白。然而,如何协同电学与超声信号、提升交叉老化条件下的估计性能,仍是亟待解决的问题。研究人员因此开展了本项研究,旨在突破单一信号瓶颈,发表于《Batteries》期刊。

关键技术方法

实验构建多条件电池老化数据集,采用9只磷酸铁锂(LiFePO4, LFP)软包电池(B1–B9),在25°C环境下进行3C、2C、1C恒流充放电老化测试,同步采集电学与超声信号,共7828个循环。超声检测采用5 MHz压电探头对置透射模式,以高真空硅脂为耦合介质。信号预处理采用Savitzky–Golay滤波(窗长30,多项式阶数2)。特征提取涵盖电学微分特征(IC曲线峰值、DV/dt曲线特征)、统计特征(CC充放电时间),以及超声时域特征(SPP与TOF曲线的统计量、波形特征)和频域特征(基于快速傅里叶变换(Fast Fourier Transform, FFT)的谱熵、方差、脉冲因子、裕度因子)。特征选择采用Spearman相关性分析(阈值ρs ≥ 0.98)。SOH估计模型采用FEDformer,包含频率增强模块、频率增强注意力模块与混合专家(Mixture-of-Experts, MOE)分解块,利用离散傅里叶变换(Discrete Fourier Transform, DFT)捕捉长程依赖。评估指标为MAE、RMSE及相对变化率(Relative Change, RC)。

研究结果

超声表征原理:基于LFP电池层状结构,推导了锂含量、锂离子浓度与密度、杨氏模量的函数关系,进而建立声学指标(声速、声阻抗、TOF、SA)与结构参数的关联。老化过程中SEI膜致密化与阳极刚度降低导致密度下降、杨氏模量增加,超声指标可敏感捕捉这些物理结构演变。

特征提取与选择:提取20个特征后,Spearman分析筛选出12个强相关特征。电学特征HF1–HF8与SOH相关性均大于0.9;超声特征中,HF9(SPP均值)、HF13(TOF均值)、HF17(SP谱熵)、HF20(SP裕度因子)的Spearman系数分别达0.9847、0.9907、0.9833、0.9787,超过电学特征平均水平0.9651,且跨电池波动小于0.1,表现出更强相关性与稳健性。

不同输入特征分析:以B1、B2训练、B3测试,对比四类电学特征组及其融合超声特征后的表现。融合后SOH估计曲线贴合真实值更优,相对误差普遍低于2%,误差分布箱线图显示电学特征误差主要集中于?1.00%–0.49%,而电-超声特征收紧至?0.26%–0.35%,中位更接近零且呈正态分布。四组平均MAE为0.31%、平均RMSE为0.36%,MAE与RMSE平均降幅达40.2%和43.75%,第二组MAE和RMSE相对降幅分别达72.55%和81.06%。

不同估计模型分析:以最优电-超声特征集(8个电学特征+4个超声特征)为输入,在3C、2C、1C三组条件下对比CNN、LSTM、Transformer、Informer、FEDformer五种模型。FEDformer在各倍率下MAE与RMSE均为最低(3C:0.28%、0.34%;2C:0.17%、0.22%;1C:0.19%、0.25%),误差分布最集中。相比另四种模型,FEDformer使MAE平均降低61.96%,RMSE平均降低59.93%。其优势源于傅里叶频率增强模块对长程依赖的捕捉,以及自注意力机制对多模态特征的动态全局加权融合。

交叉老化泛化分析:设计六组交叉老化实验,前三组同倍率训练异倍率测试、后三组两倍率训练另一倍率测试。电-超声特征输入时,估计曲线与实际值重叠度更高,相对误差基本低于1%(后三组)或2%(前三组);误差分布:电学特征为?1.33%–1.28%,电-超声特征前三组为?0.73%–0.73%、后三组进一步收紧至?0.38%–0.23%。电特征输入时交叉老化MAE和RMSE均值分别为0.99%和1.37%,电-超声特征分别降至0.48%和0.59%,平均降幅51.75%和57.06%。前三组电-超声特征MAE均值为0.52%、RMSE均值为0.63%,后三组分别为0.38%和0.51%。

研究结论与讨论

研究结论部分指出,依赖单一传感信号难以全面表征电池退化的多物理场演化,限制了SOH估计的准确性与鲁棒性。据此,研究人员提出融合电学与超声特征并结合FEDformer的锂离子电池SOH估计方法,主要结论如下:构建的多条件多模态老化数据集涵盖7828个循环,为SOH估计提供丰富数据基础;从多视角提取20个特征并经Spearman分析筛选出12个强相关特征,其中4个超声特征(SPP均值、TOF均值、SP谱熵、SP裕度因子)相关系数超过0.98;所提方法相比单独使用四类电学特征,SOH估计准确性与鲁棒性平均提升40%以上,FEDformer相比四种常用深度网络模型进一步将估计性能提升59ivic%以上;交叉老化条件下MAE和RMSE分别为0.52%和0.63%,表现出优异的泛化性能,相比仅用??电学特征性能提升超过51%,该方法适用于交叉老化条件下的SOH估计。

未来研究方向包括:数据层面扩展动态放电倍率、环境温度、放电深度等交叉老化因素,构建更全面的多物理场老化数据集;特征层面采用动态自适应充电特征滑窗机制,从任意局部SOC区间精确提取高相关多模态特征;模型层面利用知识蒸馏技术实现现有模型架构的轻量化压缩,在保证估计精度前提下显著降低算法成本,全面提升所提SOH估计方法在实际应用中的速度、精度与鲁棒性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号