基于费雪信息优化的闭环电化学阻抗谱系统辨识

《Automatica》:Closed-loop electrochemical impedance spectroscopy system identification based on fisher information optimization

【字体: 大 中 小 】 时间:2026年08月28日 来源:Automatica 6.2

编辑推荐:

   **摘要** 电化学阻抗谱(EIS)是一种在工程和科学领域广泛用于系统表征和测试的强大工具。在经典或传统EIS中,激励过程作为开环系统,在对数尺度上均匀分布的频率范围内进行,且不引入来自前序步骤的任何反馈。频率点的数量基于试错法选择,这会增加EIS测试的时间和成本。为解决经

  

**摘要**

电化学阻抗谱(EIS)是一种在工程和科学领域广泛用于系统表征和测试的强大工具。在经典或传统EIS中,激励过程作为开环系统,在对数尺度上均匀分布的频率范围内进行,且不引入来自前序步骤的任何反馈。频率点的数量基于试错法选择,这会增加EIS测试的时间和成本。为解决经典EIS中的不足,本文提出了一种基于Fisher信息矩阵(FIM)行列式优化(D-最优)问题的、可实际实施的闭环EIS框架,其中激励频率通过迭代选择,以在给定先前观测和估计数据的情况下,最大化基于电化学的等效电路模型(ECM)对估计参数的灵敏度。所提出的FIM EIS框架包括基于估计参数逐次收敛的终止准则。本文详细阐述了多种FIM D-最优EIS公式,其偏导数(p.d.)分别相对于ECM的时间常数或电容进行计算。作为基准系统,本文提出了基于FIM特征值优化(E-最优)的EIS、采用均匀采样的经典EIS以及采用混合均匀-随机采样的顺序EIS。通过各种常数和分数阶ECM模型,利用合成数据和实验数据对以上方法的效能进行了广泛评估和比较。结果证实,FIM EIS方法从信息量最大的位置采集样本,可在不降低估计精度的前提下减少EIS测试的时间和成本。

**引言**

通过测量频率相关的阻抗,电化学阻抗谱(EIS)一直是研究和表征储能系统和生物医学系统中电化学反应的有效工具(Aghdam等,2022;Lazanas和Prodromidis,2023)。

例如,在储能系统中,EIS用于电池、燃料电池和超级电容器中荷电状态(SOC)的估计(Blanke等,2015;Tian等,2019)、内部温度(Richardson等,2014;Zhu等,2015)、退化机理(Jiang等,2022;Pastor-Fernández等,2017;Pastor-Fernández等,2019)、老化与剩余使用寿命(Gasper等,2022;Guha和Patra,2018;Tr?ltzsch等,2006;Zhang等,2020)以及健康状态(SOH)(Hu等,2023;Jones等,2022)的估计。对于生物医学系统,EIS用于神经刺激(Besancon等,2020;Lempka等,2009;Mercanzini等,2009)的体外和体内研究,以及前列腺(Halter等,2007;Mishra等,2012)、乳腺(Haeri等,2016)和皮肤(Braun等,2017;Zhang等,2018)癌症检测。

EIS通过将激励或输入信号注入系统并测量其响应或输出来实现。在恒流EIS中,电流为输入,电压为输出;而在恒压EIS中,电压为输入,电流为测量输出(Hallemans等,2023)。每台EIS设备都有一个测量或数据采集组件,记录原始数据,即电流和电压随时间的变化。随后对数据进行处理,以计算阻抗谱和等效电路模型(ECM)(Py等,2023;Santoni等,2024)。

通常,EIS技术可分为频域法和时域法。在频域EIS中,电流和电压原始数据被转换到频域,然后在复平面上计算阻抗谱。最后,使用曲线拟合技术估计ECM参数(Howey等,2014)。在时域EIS中,直接使用电流和电压原始数据及系统辨识方法估计ECM,然后利用ECM参数计算阻抗谱(Alavi等,2015)。

EIS实验的一个关键方面是激励信号的选择。已有各种激励信号用于EIS,包括伪随机二进制序列(PRBS)脉冲、一组单频正弦信号、正弦信号之和以及随机信号(Alavi等,2015;Alavi等,2017;Birkl和Howey,2013;Howey等,2014;Jacob等,2018;Sadeghi等,2020)。尽管持续激励的概念(Ljung,1987;S?derstr?m和Stoica,1989)为相对于ECM结构的激励信号选择提供了一些见解(Alavi等,2017),但信号及其相应参数(如幅度、持续时间和频率)的选择通常基于试错法(Hallemans等,2023)。

信号的幅度主要设定为确保线性度的值,即系统对正弦激励的响应也是正弦的,只是在同一频率下具有不同的幅度和相位。此外,激励信号的持续时间被选择为确保输入-输出响应达到稳态,从而满足平稳性条件。

在经典EIS中,这是一种非迭代、开环方法,激励频率在测试前选定,随机或在对数尺度上在感兴趣的频率范围内均匀分布,具体取决于应用。一旦计算完所有频率下的总阻抗谱,则通过曲线拟合技术估计ECM参数。因此,经典EIS设备存在若干缺点:(i)没有来自先前数据和EIS频率选择的反馈,(ii)需要对所有单频激励信号进行注入并计算所有频率下的阻抗谱后才能进行ECM曲线拟合,(iii)不明确需要多少激励频率才能达到令人满意的精度。

本文专注于解决这些问题,提出了一种基于Fisher信息矩阵(FIM)优化的闭环EIS框架,该框架在给定先前观测和估计数据的情况下,最大化似然函数对ECM参数的灵敏度。在所提出的方法中,EIS频率通过求解闭环系统中的FIM行列式优化(D-最优)问题来选择。每选择一个频率后,更新阻抗谱和ECM估计,直到满足终止准则,该准则基于ECM参数的逐次收敛。所提出的闭环FIM EIS基于单频正弦激励,使其能够以低成本集成到商用EIS设备中,无需任何硬件更改。本文提供了广泛的合成和实验结果,说明了所提出的闭环FIM EIS相对于经典EIS的有效性。

FIM D-最优问题此前已用于电池建模和辨识(Doosthosseini等,2024;Lin和Stefanopoulou,2015;Mendoza等,2016;Rothenberger和Fathy,2015)以及非侵入式脑刺激工程(Alavi等,2019;Alavi等,2021;Alavi等,2023;Alavi等,2022)中的其他应用。本文将该方法应用于电池系统。

在Sovljanski和Paolone(2024)中,提出了一种基于特征值优化(E-最优)问题的EIS方法,该方法最大化FIM的最小特征值,所使用的计算算法与本文提出的算法不同。

也有尝试开发基于统计、学习或自适应的EIS技术。例如,Py等(2023)开发了一种高斯主动学习框架,通过最大化Mackay或Cohn预测方差来选择EIS频率。在Seoane等(2012)中,EIS频率根据测量谱中表现出的变化进行自适应间隔设置。然而,Seoane等(2012)中提出的方法需要关于负载的先验信息,这限制了其实际应用。

需要注意的是,闭环系统辨识的范围传统上仅限于需要反馈控制系统来限制或稳定系统响应以进行参数估计的情况。在传统闭环辨识中,激励信号及其参数仍在测试前选择(Forssell和Ljung,1991;Ljung,1987;S?derstr?m和Stoica,1989)。从这一背景出发,本文扩展了闭环系统辨识的传统定义,其中激励参数在反馈回路内迭代更新。

本文的贡献总结如下:

- 本文提出了一种闭环FIM D-最优EIS框架,重点关注电池系统。
- 还实现并比较了使用E-最优框架的FIM EIS。
- 根据可辨识性分析(Alavi等,2017),首先辨识ECM的电阻和时间常数,然后利用时间常数公式τ = R·C计算电容。因此,提出了一个问题:是相对于时间常数还是电容计算FIM的偏导数。这两种方法均已实现并进行了比较。
- 提出了另一种基于混合均匀-随机采样技术的顺序EIS基准系统,并将结果与FIM和经典EIS方法的结果进行了比较。
- 本文将闭环系统辨识的范围扩展到其传统定义之外,利用先前的估计和输入来获取新的样本或激励频率。
- 通过三种不同的常数和分数阶ECM的大量合成和实验数据,评估了所提出的FIM和基准EIS系统的有效性。

本文中,向量和矩阵以粗体表示。估计参数以下方加"?"符号表示。

本文其余部分组织如下。第2节EIS等效电路模型(ECM)和第3节问题陈述概述了EIS ECM和问题。第4节详述了闭环D-最优FIM EIS。第5节解释了基准技术。第6节提供了合成和实验结果并进行讨论。第7节总结本研究并提出未来工作方向。

**EIS等效电路模型(ECM)**

图1展示了通过电池EIS采集的样本阻抗谱,绘制在复平面上,也称为Nyquist图。横轴和纵轴分别代表阻抗的实部和虚部负值。图中的每一部分代表一个不同的物理现象。低于x轴的阻抗谱代表感性区域,通常用电感L建模,其阻抗模型为:Z_L(f) = j·2π·f·L,其中f为频率。

**问题陈述**

考虑由式(8)给出的EIS ECM,其参数向量?θ包含所有需要通过EIS估计的未知ECM参数。根据ECM模型(8),?θ的维度可以变化。设?θ∈?^l,这意味着ECM包含l个未知参数。

在实践中,由于可辨识性问题(Alavi等,2017),可能首先估计基于时间常数的参数向量,然后使用τ_k = R_k·C_k计算电容C_k。

本文中,θ∈?^l表示……

**基于FIM优化的闭环EIS**

FIM EIS的目标是通过当前信号i_n(n=1,2,3,…)依次激励系统,测量输出电压v_Z_n,并更新阻抗谱数据和ECM参数估计,直到满足终止准则。以下基于基于时间常数的参数向量θ描述FIM EIS。

图2展示了该过程,按以下步骤实现:初始化、EIS测试……

**基准技术**

本节详述用于比较研究的基准系统。

**结果与讨论**

所提出的FIM EIS通过三个基于合成数据和实验数据的例子进行评估,使用各种在电池储能应用中广泛使用的常数和分数阶ECM(Birkl和Howey,2013;Hallemans等,2023;Jacob等,2018;Sadeghi等,2020)。仿真在Matlab R2019a(The MathWorks, Inc.)上运行,使用Intel(R) Core(TM) i7-10850H CPU @ 2.70 GHz。

**结论与未来工作**

本文将闭环辨识的传统定义扩展为基于系统先前数据顺序选择激励信号。提出了一种基于FIM优化框架的闭环EIS,以解决经典EIS在采样频率和终止规则方面的不足,通过从系统先前数据获取反馈来选择激励信号,而非开环系统辨识中不存在此类反馈。

**Yasaman Masoudi** 获得Sharif大学机械工程学士学位和滑铁卢大学系统设计工程硕士学位,目前是滑铁卢大学系统设计工程博士候选人。此外,她担任Stellantis(FCA US LLC)北美电池空中(OTA)经理。她的研究兴趣包括电池管理系统、电化学阻抗谱、电池……

Yasaman Masoudi | S.M. Mahdi Alavi | Damoon Soudbakhsh | Nasser L. Azad
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