锂离子电池（LIBs）被广泛认为是推动全球能源结构转型和实现碳中和目标的关键技术[1]。目前，LIBs已成为电动汽车和可再生能源基础设施中储能系统的核心，支撑了低碳技术的发展[2]。作为LIBs的代表性负极材料，硅（Si）因其高达3590 mAh g?1的理论比容量（基于室温下形成的Li3.75Si）而被视为实现高能量密度的极具前景的候选材料[3]。然而，Si负极在充放电循环过程中的显著体积膨胀严重影响了其长期循环性能和安全性[4]。因此，实时监测和对基于Si的LIBs内部热机械状态演变的基本机制理解对于其实际应用至关重要。
探索用于LIBs的智能多维传感技术不仅能够深入解析电池内部状态[5]，还能提升电池管理的复杂性[6]，同时扩展了故障诊断的能力[6]。先前的综述全面总结了基于传感器的LIBs多参数监测解决方案[7]。迄今为止，可监测的参数包括温度[8]、应力/应变[9]、气体演化[10]、电位分布[11]和磁场变化[12]。这些传感技术的集成使LIBs系统具备了更高的智能化和内在安全性[13,14]。
与外部参数监测相比，内部参数监测能更真实地反映LIBs内活性材料的动态行为[15]。欧洲的“Battery 2030+”计划明确提出了集成内部传感器以开发下一代智能电池[16,17]。先进的可植入式热机械传感方法包括：通过嵌入式热敏电阻实现无线温度监测并配合无线传输模块[18]，以及使用薄膜压电传感器进行内部应力监测[19,20]。此外，光纤传感器非常适合用于LIBs的内部状态原位监测[21]。它们对温度和应变的双重敏感性[22]满足了同时测量内部热机械状态的需求。通常，通过设计具有不同灵敏度系数的两个传感元件来实现解耦的温度/应变监测，这两个元件共同植入电池中[23,24]。
电池传感技术的关键价值在于为电池管理系统（BMS）提供必要的数据[25]。BMS是确保LIBs安全高效运行的核心[26]。它需要实时准确地估计电池的健康状态（SOH）[27,28]、荷电状态（SOC）[29]和剩余使用寿命（RUL）[30]等关键参数。现有的状态估计方法大致分为基于模型的方法[31]和基于机器学习的方法[32]。锂离子电池中的复杂电化学反应严重阻碍了基于模型的SOC估计的准确性[33,34]。因此，先进的基于模型的方法需要分析涉及多变量耦合的参数影响机制[35]。
随着人工智能的快速发展，数据驱动的电池状态预测技术取得了显著突破。值得注意的是，即使是基本的神经网络架构也能提供可接受的状态估计准确性[36]。后续研究提出了混合模型来进一步提高性能，例如长短期记忆-循环神经网络（LSTM-RNN）[37]、卷积神经网络-LSTM-深度神经网络（CNN-LSTM-DNN）[38]和CNN-自注意力机制-LSTM（CNN-SAM-LSTM）[39]。这些方法通常融合了多个通用模型，能够捕捉电池测量数据的时间变化特征以及不同维度之间的特征，从而提高电池状态估计的准确性。同时，为了降低计算需求，还开发了轻量级的估计方法[40,41]。这些方法在保持低计算开销的同时实现了高准确性。
以往大多数数据驱动的SOC估计方法依赖于传统的外部电池测量数据（如电流、电压、表面温度）。然而，数据驱动算法高度依赖于输入数据的质量[42]。先进原位传感技术、多维信号和数据驱动模型的系统集成对于构建鲁棒的锂离子电池管理系统（BMS）具有巨大潜力[43]。基于这一趋势，我们假设由植入式传感器监测的原位信号可以捕获传统外部信号无法提供的独特物理特征，将其融入深度学习框架中可以进一步提高SOC估计的准确性和稳定性，尤其是在外部信号方法面临挑战的复杂工作条件下。
在本研究中，为了获得高性能的电池SOC估计方法，提出了一种基于原位传感和深度学习的系统化估计方案。在数据集构建方面，考虑了数据的多维特性和电池工作条件的多样性。在数据处理阶段，采用了特征工程（FE）和噪声增强技术来提高抗干扰性能。在模型构建阶段，通过多模型融合和优化策略进一步增强了模型的运行稳定性。本文的主要贡献如下：
(1)提出了一种新型的高精度、鲁棒的基于硅的LIBs SOC估计方法，结合了原位传感、特征工程和CGA融合模型，以克服传统方法的局限性。
(2)原位光纤布拉格光栅（FBG）传感数据和多样化的操作条件提高了SOC估计的准确性；模型融合架构确保了稳定性，特征工程抑制了复杂噪声。
(3)所提出的方法在复杂条件下表现出优异的性能（RMSE = 0.635%，具有抗噪能力、稳定性以及跨系统的泛化能力），在实用BMS应用中具有巨大潜力。
本文的其余部分结构如下：第2章详细介绍了实验设计并分析了获取的数据特征。第3章介绍了所提出方法的整体架构，阐述了数据处理流程和估计模型框架。第4章系统评估了所提出方法的性能。最后，第5章提供了结论和未来工作方向。
