首页

钛深科技助力电池状态研究 | 《基于力学-电信号融合特征的机器学习在锂离子电池健康状态（SOH）估计中的应用》

发布时间：

2024-05-22 13:35

作者信息及文章摘要

近期，针对当前SOH估测方法通常仅通过电压、电流和温度来进行，而忽略了能反映锂离子电池膨胀特性的机械应力，中国科技大学谈鹏课题组（第一作者Lili Gong）和钛深科技（深圳）有限公司合作在《Batteries & Supercaps》期刊上发表题为“State of Health Estimation of Lithium-ion Batteries Based on Machine Learning with Mechanical-Electrical Features”的文章。文章选取融合的力学及电信号而非单一电信号，基于不同场景下的老化试验构建了包含电压和压力信号的数据集，随后从压力和电压曲线中选取了五个关键参数作为健康特征因子，并引入长短期记忆网络（LSTM）以估测软包型锂离子电池的SOH。

试验方案

1、软包电池参数如下表所示

2、压力测量方案 | 触觉阵列系统

触觉阵列系统：采用钛深科技SA-6464-2525A阵列式压力传感器，对电池表面膨胀总力及力分布数据进行测量及收集，相关参数如下。压力采集系统配备校准功能，可通过外设进行漂移校准，确保压力数据的可靠性。压力测量方案如图1所示。

▲图1

3、文章提出的软包锂离子电池SOH估测方法流程图

结果讨论

作者首先展示了在带预加载和不带预加载情况下，锂离子电池在循环过程中的容量保持曲线。结果表明在两种工作条件下衰退趋势有很大不同，即不考虑电池力学膨胀特性进行的传统SOH估测结果与实际应用情况不符。

其次，通过对比在不同循环次数下电压和压力的变化情况，发现随着循环次数的增加，总体压力呈现出增大的趋势，同时电压曲线也在变化，但变化幅度不大，这说明随着电池老化，其内部不仅发生电化学性能的衰退，导致电压变化，还伴随有膨胀力的累积增加，二者共同反映了电池健康状态(SOH)的下降。通过监控这些参数，可以更全面地理解和评估电池的老化过程。

类似于电压变化的分析，作者对压力演变进行了微分分析，以便进一步研究电化学反应与力学响应之间的关联。结果显示电压的差分曲线在低SOC和高SOC时变化较大，而压力的差分曲线则在中段SOC时展现出显著的波动。在电池老化过程中，压力差分曲线的变化仍然比电压差分曲线更为明显。这说明力学响应与电化学响应相结合可以丰富电池老化的信息，有助于更全面地理解电池状态的变化。

为筛选出对目标变量（此处为最大可用容量，直接反映电池健康状态）影响最大的特征，作者进一步探讨了每个健康特征因子与最大可用容量之间的相关性。结果表明所有提取的健康特征因子与容量之间均存在一定的关系，其中力学特性与容量之间的关联性比电化学特性更为显著。

为了分析和验证本节提出的SOH估测方法，作者设置了以下三个操作案例：

案例1：使用电池1的数据集对所提方法进行验证。

案例2：使用电池2的数据集对所提方法进行验证。

案例3：整合电池1和电池2的数据集，然后使用新构建的数据集对所提方法进行验证。

最终，作者对三个案例均通过LSTM建立了健康特征因子与SOH之间的非线性关系，其中健康特征因子(HF1, HF2, HF3, HF4, HF5)定义为输入，而估算的SOH定义为输出。从结果的一致性程度来看，基于LSTM的估测方法能够实现令人满意的准确性。所有案例的SOH估测绝对误差都不超过1.5%，这证明了所提方法对于不同老化轨迹的电池的有效性和鲁棒性。试验证明，当结合力学响应时，估测模型在计算SOH方面具有更广泛的应用潜力，能够更加精准地反映电池的健康状态。

总结

作者提出了一种融合电池力学和电学特性的SOH估算方法，结果显示基于融合特征的SOH估测方法在所有案例中都能很好地跟踪真实值，这种方法的提出及良好的结果表现，拓宽了软包锂离子电池SOH估测方法的多样性，为电池健康管理领域提供了新的思路和方法。

钛深压力分布测量系统