领声科技为您解读电池领域前沿技术

背景介绍

锂离子电池(LIB)是一种广泛使用的电化学储能装置，理想情况下，整个电池荷电状态（SoC）应该均匀分布，然而SoC实际在电池不同位置并不相同。不均匀的SoC分布对循环寿命有害，因为这意味着电池的某些部分总是在相对较高的SoC工作，这可能会加速电极劣化、电解质消耗和活性锂损失。目前已使用各种方法来表征不同尺度下电极的非均匀SoC分布，包括拉曼光谱、中子衍射、扫描透射X射线显微镜、高能同步辐射X射线、同步辐射X光衍射等。这些方法证明了非均匀SoC分布确实是LIB中的一个常见问题，在单个电池上SoC差异可高达20%。然而，由于光、电子束甚至X射线的低透射率，这些方法通常需要在测试前拆解电池，并不适用于商业电池SoC在线成像。LIB封闭式结构导致SoC分布可视化是一项极具挑战性的任务。目前已有研究通过将SoC与声学飞行时间（ToF）直接拟合得到的SoC估算值的RMSE是11.07%，但由于超声透射信号受到除SoC之外的许多因素的影响，因此很难通过直接拟合简单的超声特性（例如ToF、强度或频率）来获得不同电池准确的SoC。

成果简介

鉴于以上难点，无锡领声科技有限公司开发了一种深度学习算法来分析超声透射信号，并成功地从复杂的超声波形中挖掘出与之对应的SoC。结合步进式扫描技术，该方法可以实现对软包电池的无损原位SoC分布成像，并拥有1 mm的平面内分辨率。与其他方法相比，该方法具有无损、高分辨率、低成本和与商用大型电池良好兼容性的优点，更能揭示锂离子电池内部SoC分布的不均匀性，有助于LIB制造商了解电池故障机制，从而开发高性能LIB电池。相关研究成果“Precise State-of-Charge Mapping via Deep Learning on Ultrasonic Transmission Signals for Lithium-Ion Batteries”发表在著名期刊《ACS Applied Materials & Interfaces》上。

1.开发了一种深度学习算法来分析超声透射信号，并成功地从复杂的超声波形中挖掘出与之对应的SoC；

2.结合步进式扫描技术，该方法可以实现对软包电池的无损原位SoC分布成像，并拥有1 mm的平面内分辨率。与其他方法相比，该方法具有无损、高分辨率、低成本和与商用大型电池良好兼容性的优点，更能揭示锂离子电池内部SoC分布的不均匀性；

3.此方法得到的SoC估算值的均方根误差（RMSE）可降低到3.02%，而通过将SoC与声学飞行时间（ToF）直接拟合的方法得到的SoC估算值的RMSE是11.07%。

图1.SoC与声学之间的响应。(a,b) 在充放电过程中，穿过不同荷电状态下的1号锂离子电池的超声信号在时域上的表现；(c,d) 在频域上的表现；(e)  在1号，2号和3号电池上，SoC与超声信号飞行时间之间的相关性；(f,g) SoC 与0.7 MHz附近的肩峰强度(f)和肩峰频率(g)之间的相关性。

首先，研究充放电过程中超声透射信号与SoC之间的关系。在TOPS-LD50A电池超声扫描系统中，使用1 MHz宽带聚焦超声束测试了三个卷绕结构的LiCoO2/石墨软包电池。图1是电池#1某个位置随SoC变化的声学相应。在时域图（图1a，b）中，可以发现，超声波的ToF在充电期间移到较低的值，而在放电期间移向较高值。同时，PPV变化不大。LixCoO2正极和石墨负极的脱锂/嵌锂行为会导致电极厚度（d）、密度（ρ）、杨氏模量（E）和泊松比（σ）的变化，这些因素将进一步改变整个电池的声阻抗，并影响ToF和透射的声强度。通过对时域曲线进行傅里叶变换获得（图1c，d），曲线呈现出宽的频带。频带的峰值在0.8 MHz左右，在充电/放电期间没有显著变化。同时，在0.7 MHz附近有一个肩峰，在充电过程中，肩峰移向更高的频率，峰值强度显著增加。在放电过程中，这些变化是完全可逆的。说明从时域曲线的ToF、频域曲线上的肩峰的频率和强度是可能适用于预测电池SoC的三个独立特性。

为了评估哪个特性与SoC的相关性最强，将超声测量扩展到不同软包电池的不同位置上来测试一致性。不同声学特性与SoC之间的相关性如图1e−g所示，特定ToF对应的SoC差异非常大，SoC与0.7 MHz肩峰附近的强度/频率之间的相关性甚至更差，说明尽管透射超声波的某些特性随SoC变化，但这些特性与SoC之间的相关性不足以获得准确的SoC。 

为了解决上述问题，引入深度学习算法来分析整个波形，而不是用简单的声学特性拟合。   

图2.(a) FNN结构示意图；(b,c) 训练数据集(b)和验证数据集(c)上的损失收敛趋势。

深度学习算法基于前馈神经网络（FNN），该FNN包含三个卷积层和三个汇集层的卷积神经网络（CNN）以及完全连接的神经网络（FCNN），如图2a所示。CNN可以自提取重要特征，在权重优化过程中具有非常高的效率，而FCNN具有非常强的非线性拟合能力。这些优点对于SoC估算很重要。并且采用方差滤波、权重初始化、学习速率动态调整和添加适当的正则化项来优化神经网络结构和超参数。损失函数在训练集和验证集上的收敛趋势如图2b所示。

图3.通过深度学习和ICP-OES两种方法确定的局部SoC结果对比，所研究的SoC位点选自于4号，5号和6号电池上的不同位置，三块电池所处的理论SoC分别为30%，50%和70%。

用ICP-OES测量获得的负极颗粒的锂含量，进一步可以得到SoC。FNN估算的SoC和ICP-OES测量的SoC非常一致，所有数据点都分布在图3中灰色对角线附近。SoC估算的均方根误差（RMSE）降低到3.02%，表明优化的FNN算法具有解析复杂超声波形和从中获取SoC值的优异能力。

图4.(a) 充电期间电池#4的SoC分布成像。(b) 不同理论SoC下，#4电池实际SoC的概率密度直方图。

将FNN算法与超声扫描技术相结合，可以获得充电/放电期间的SoC分布图。由于极耳严重干扰超声传输，因此从SoC图中滤除了近极耳区域。充电过程中获得的电池#4的SoC分布如图4a所示。图中的颜色表示各空间位置处的FNN估算SoC和理论SoC之间的差异，其中蓝色表示局部SoC小于理论SoC，红色表示局部SoC高于理论SoC。在中等SoC阶段的图中，颜色区间跨度更大，表明这些阶段的SoC分布更广。图4b显示了各个理论SoC时刻对应的局部SoC的统计分布。在每个理论SoC上，局部SoC的直方图大致符合高斯分布。随着理论SoC的增加，局部SoC分布跨度首先变宽，随后变窄。在中间理论SoC区域，一个电池的SoC分布的标准偏差（STD）达到5.5%左右的最大值。造成这种现象的原因是电压-SoC曲线斜率在中间SoC段表现得更平缓，电池电压对SoC的变化不敏感，导致在此电压区间内电池各处SoC的差异可能更大。

总结与展望

Precise State-of-Charge Mapping via Deep Learning on Ultrasonic Transmission Signals for Lithium-Ion Batteries. ACS Applied Materials & Interfaces, 2023.

DOI:10.1021/acsami.2c22210

文献链接：https://doi.org/10.1021/acsami.2c22210