编辑推荐：
锂离子电池状态估计中超声分析面临结构复杂性导致的非单调特征问题，本文提出基于XGBoost分段的机制感知框架，将SOC域划分为四类物理同质区，各配以LSTM网络进行局部动态建模，有效克服 jelly-roll 结构引起的信号衰减与散射，在25℃和10℃工况下RMSE分别达1.34%和3.92%，显著优于传统单模型方法。
韩俊|林世俊|姜星华|曾振远|席梦娟|龙金焕
福建师范大学计算机与网络安全学院，福州，350117，中国
摘要
准确的电池剩余电量（SOC）估计对于电池管理至关重要。虽然超声波分析提供了一种有前景的非侵入式解决方案，但由于电池复杂的物理结构，其在圆柱形电池上的有效性受到了严重限制。与电信号不同，超声波与电池内部卷芯结构的相互作用会导致非单调的、依赖于特定工作区域的特征，而这些特征是单一模型估计器无法解析的。为了克服这种由结构引起的声学限制，本文提出了一种新型的、具有工作区域意识的分段框架。这种分层方法有效地将复杂的全局映射分解为均匀的子问题，然后通过特定于工作区域的长短期记忆（LSTM）网络进行精确建模。核心创新在于使用具有工作区域意识的建模来减轻卷芯结构引起的信号复杂性。实验验证表明，这种架构显著提高了对操作变化的鲁棒性。在25°C时，该模型的均方根误差（RMSE）为1.34%（1C）；即使在具有挑战性的低温条件（10°C）下，也能保持高精度（RMSE = 3.92%），而基线模型则因粘弹性阻尼而失效。这项工作为在各种操作条件下的无损监测提供了一种鲁棒且基于机制的解决方案。
引言
随着全球对能源需求的增长，先进储能技术的快速发展已成为许多国家的共同战略优先事项[1]。在这些技术中，锂离子电池（LIBs）因其高能量密度、高功率能力和长循环寿命而成为最有前景的候选者[2]。它们已被广泛应用于各种领域，特别是在电动汽车（EVs）中[3]。确保LIBs的安全稳定运行需要对其内部状态进行准确监测[4]。在这些状态中，电池剩余电量（SOC）是一个基本参数，它是所有其他状态估计的基础。然而，SOC受到多种因素的影响，包括充放电速率、温度和老化条件[5]。不准确的SOC估计和电池单元不平衡会阻碍电池管理系统（BMS）的有效性，并导致控制策略效率低下[6]。因此，实现精确的SOC估计对于设计最佳的充放电策略、防止过充和过放以及减轻不平衡问题至关重要，从而提高锂离子电池的安全性和寿命[7,8]。
目前，用于估计圆柱形锂离子电池剩余电量（SOC）的方法大致可以分为几类：（1）库仑计数法，通过积分随时间变化的充放电电流来确定SOC，该方法简单且具有实时性，但由于电流测量不准确和电池容量衰减容易产生累积误差[9]；（2）开路电压（OCV）法依赖于SOC和OCV之间的功能关系，通过测量休息期后的OCV来推断SOC。尽管这种方法具有较高的理论精度，但它需要较长的松弛时间，并且对温度和老化效应敏感[10]；（3）电化学阻抗谱（EIS）通过分析电池在不同频率下的阻抗特征来估计SOC，以推断内部电化学参数。然而，这种技术需要昂贵的仪器和复杂的程序，不适合在线或实时监测[11,12]；（4）基于模型的方法，包括等效电路模型（ECM）和电化学模型（如伪二维（P2D）模型），通常与卡尔曼滤波器及其变体结合使用以实现动态SOC估计。虽然这些方法可以提供高精度，但它们严重依赖于精确的参数识别，并涉及复杂的建模和计算[13,14]；（5）数据驱动的方法，如卷积神经网络（CNNs）[15]和门控循环单元（GRUs）[16]，近年来越来越受到重视。通过从大规模实验数据集中学习，这些模型可以有效地捕捉SOC预测的复杂非线性关系。然而，尽管它们具有强大的非线性拟合能力，但仍然高度依赖于训练数据的质量和多样性，限制了它们的泛化能力和可解释性。为了解决这些限制，最近的研究提出了先进的建模方法和优化策略来提高模型的鲁棒性和精度。例如，Wang等人[17]提出了一种改进的贝叶斯优化策略，通过全局优化自动调整双向LSTM的超参数，显著减少了估计误差。类似地，开发了一种抗噪声自适应LSTM框架[18]来减轻信号波动，使用双闭环策略提高鲁棒性。此外，为了解决低温挑战，引入了一种多特征电化学-热耦合模型[19]来补偿参数漂移。
然而，尽管这些先进方法成功地优化了外部电信号（电压、电流）的处理，但它们仍然是间接指标，可能会滞后于内部的物理化学演变。因此，已经研究了多种非侵入式技术来捕捉电池的内部状态。特别是机械应力分析，在补充电数据方面显示出了显著的潜力。Gong等人[20]率先提出了一种基于电压-应力的框架，利用长短期记忆（LSTM）网络有效补偿了低电压灵敏度，提高了SOC估计的准确性。在此基础上，他们进一步提取了机械-电特征来估计电池健康状态（SOH）[21]，并通过非线性自回归神经网络[22]预测老化轨迹，证明了宏观膨胀力是电池退化的可靠指标。同时，先进的成像技术，如相关中子和X射线断层扫描，可以高分辨率地可视化关键的内部变形和微观结构缺陷[23]。然而，这些方法存在明显的局限性：应力传感器主要反映外部宏观响应，常常无法捕捉局部材料演变；相反，虽然操作中的成像可以阐明内部复杂性，但其不足的时间分辨率和设备依赖性使其无法捕捉快速动态变化。相比之下，超声波测试有效地解决了这一权衡问题。通过主动探测内部弹性特性（例如杨氏模量）和界面演变，超声波信号能够辨别出在宏观应力响应中掩盖的微观相变，从而实现实时原位检测，这是时间密集型断层扫描无法实现的[[24], [25], [26]]。
基于这些优势，最近的研究在基于超声波的电池传感方面取得了显著进展。例如，Yang等人[27]将反向传播神经网络（BPNN）与超声波诊断相结合，开发了一种联合算法，能够同时估计SOC和电池健康状态，显著提高了预测精度和稳定性。Cai等人[28]将经验模式分解（EMD）和希尔伯特变换应用于超声波信号分析，提取了时频域特征（如能量熵），并将它们与相关性向量机模型结合使用，从信号特征的角度提高了SOC估计的准确性。Zhang等人[29]使用单个超声波传感器同时估计SOC和温度，通过滑动窗口相关分析和虚拟样本生成优化了特征间隔，有效地提高了BP神经网络在数据有限条件下的泛化能力。尽管这些研究初步证明了利用超声波特征进行SOC估计的可行性，但大多数研究仍然依赖于单一模型架构，这些架构无法完全捕捉不同SOC范围内超声波特征的非线性变化和动态差异，导致在复杂操作条件下的鲁棒性有限。此外，关于圆柱形电池单元的研究仍然很少。由于它们的卷芯结构，超声波在传播过程中会经历多次反射和散射，导致信号显著衰减和建模难度增加[30,31]。为了系统地解决由结构引起的声学复杂性，本研究提出了一种基于机制的分段框架，采用分层的“分而治之”策略。具体来说，首先使用极端梯度提升（XGBoost）分类器将全局SOC域划分为均匀的工作区域，有效分离了由卷芯结构引起的非线性特征冲突。在此基础上，构建了特定于工作区域的长短期记忆（LSTM）网络，以精确捕捉每个段内的局部粘弹性演变。这种具有工作区域意识的架构将基于机制的分层与深度时间建模相结合，确保估计器适应电池循环的不同物理阶段，显著提高了对各种操作条件的鲁棒性。
本文的其余部分组织如下：第2节描述了实验设置、超声波测量系统、循环协议、SOC标记和数据集构建协议。第3节介绍了超声波原理和特征工程，包括预处理、多特征提取、SOC分割和特征选择。第4节详细介绍了基于XGBoost分类和特定于段的LSTM回归的分段SOC估计模型。第5节报告了在不同C率和温度下的实验结果和比较评估。第6节总结了本文。
部分摘录
实验
本节描述了本研究中使用的实验配置和数据采集程序。首先使用X射线计算机断层扫描（XCT）来表征圆柱形电池的内部结构，并说明了对稳定超声波耦合的需求。然后引入了定制的夹具和透射式超声波测量平台，以实现可重复的探头-电池接触和同步的电化学-声学测量。
超声波传播的基础
超声波是指频率超过20 kHz的机械波，其特点是具有强穿透性和高定向性[32]。当超声波在材料中传播时，遇到界面、缺陷或不连续性时会被部分反射或散射，而剩余的能量则继续穿过介质。通过接收和分析反射和透射信号，可以提取关于材料内部结构和应力的信息
分段模型的构建
为了系统地解决超声波特征中的非单调性问题，我们提出了一种分层的“分而治之”估计框架。如图7所示，该架构包括三个集成阶段：（1）SOC分割，使用XGBoost分类器将全局操作窗口划分为均匀的段；（2）局部回归，利用特定于段的LSTM网络捕捉依赖于特定工作区域的时间动态；以及（3）全局整合
SOC分割的性能
为了量化所提出的基于机制的分割策略的精度，系统评估了XGBoost模型在四个定义的工作区域（S1–S4）中的分类性能。该阶段执行基于机制的分层，将实时超声波特征准确地映射到其特定的电化学工作区域，以便进行精确的局部回归。
表2总结了四个工作区域（S1–S4）在不同条件下的准确性、召回率和F1分数
结论
本研究提出了一种新型的、具有工作区域意识的分段框架，以解决圆柱形锂离子电池中非单调超声波特征映射的关键问题。通过将声学机制分析与数据驱动的建模相结合，所提出的方法克服了传统单一模型估计器所面临的由结构引起的声学限制。本研究的主要创新和贡献总结如下：
1.构建专门的超声波SOC
CRediT作者贡献声明
韩俊：撰写——原始草稿、验证、方法论、资金获取、正式分析。林世俊：撰写——原始草稿、可视化、调查、数据管理。姜星华：撰写——审阅与编辑。曾振远：撰写——审阅与编辑。席梦娟：撰写——审阅与编辑。龙金焕：撰写——审阅与编辑、监督、概念化。
资金来源
本工作部分得到了福建省科学技术厅的支持，资助编号为2024T3045、2024QZFX02和2025T3007。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
