一种基于数据的替代模型，用于利用特征丰富的引导超声波来非电气地离线估算LiFePO4电池的剩余电量

《Ultrasonics》：A data-driven surrogate model for non-electrical offline state-of-charge estimation of LiFePO4 batteries using feature-rich guided ultrasonic waves

　　

李在元|金贤俊|袁福国|金浩旭

韩国仁川市仁荷大学机械工程系，22212

摘要

本研究的目的是开发一种非电气框架，用于准确地进行锂离子电池（LIBs）的离线状态-of-charge（SOC）估计，特别关注磷酸铁锂（LiFePO₄, LFP）电池。传统的基于电压的SOC估计方法由于LFP电池的开放电路电压特性平坦，因此存在固有限制，不适合离线测量。为了克服这些限制，提出了一种仅基于引导超声波（GUW）信号的数据驱动SOC估计方法。首先使用匹配追踪（MP）算法结合定制的非对称汉宁窗啁啾字典从分散的GUW响应中提取丰富的参数特征，从而能够分离出首次到达的波包，并表征与分散相关的波形特征，超越了传统的飞行时间和幅度指标。提取的参数用于训练极端梯度提升（XGBoost）回归模型，该模型能够捕捉GUW特征与SOC之间的非线性关系。在多种放电速率下对LFP软包电池进行了实验验证。所提出的方法实现了低于4%的均方根误差，优于基于电压的模型和依赖于有限信号特征的基于GUW的模型。互信息辅助的参数筛选进一步提高了预测的鲁棒性，通过识别最优特征子集。

引言

全球电动汽车（EVs）市场正在迅速扩张，2024年的销量超过了1430万辆，并预计在未来几年将进一步增长[1]。LIBs在各种应用中不可或缺，包括电动汽车、无人机移动、移动电子产品和大规模储能系统[2]。随着电动汽车采用的加速，达到使用寿命终点（EoL）的电池数量将急剧增加，因为大多数电动汽车电池在8-12年的服务后会被报废[3]。到2030年代初，预计全球每年将有数百万块废旧电池被处理。这种废旧电池的激增凸显了回收的重要性，回收可以回收有价值的资源，如锂、钴、镍和磷酸铁，同时减轻环境影响[4]。回收越来越被认为是可持续电池供应链的基石和循环经济的关键推动者[5]。然而，缺乏可靠的诊断方法和标准化框架来评估退役电池的健康状况和可重复使用性仍然是一个主要的技术瓶颈，阻碍了大规模回收和二次利用的应用。

在各种LIB化学成分中，LFP电池因其长寿命循环、热稳定性和固有的安全结构设计而特别具有吸引力[6]。为了确保其可持续使用，不仅需要监测电气性能，还需要监测机电完整性和结构健康状况[7]、[8]。在这个框架内，准确估计SOC尤为重要，因为SOC定义了可用的工作范围，并直接影响系统级控制策略[9]、[10]。对于退役电池，准确的SOC估计也是安全拆卸和有关二次利用决策的先决条件。然而，对于LFP电池，其固有的平坦开路电压（OCV）特性严重限制了传统SOC估计方法的准确性和鲁棒性[11]，这留下了一个必须解决的关键问题。

在传统方法中，电池SOC被视为控制电压模型参数的模型状态[12]。通常，OCV在等效电路或分数阶模型中被建模为SOC的单调函数[13]，一旦确定了OCV，就可以进行SOC估计。为了提高准确性，通常将安时（Ah）计数与基于电压的模型结合在闭环框架中[14]。在这种方案中，通过Ah计数预测的SOC用于模拟电池电压，然后通过扩展卡尔曼滤波器[15]、[16]等滤波器校正模拟电压和测量电压之间的偏差。然而，这些基于模型的方法对于LFP电池来说本质上无效，因为它们的平坦OCV–SOC曲线对SOC变化的敏感性较低。

随着机器学习（ML）或人工智能（AI）的最新进展，数据驱动的SOC估计方法受到了越来越多的关注。与基于模型的方法不同，数据驱动的方法本质上是无模型的，可以捕捉SOC与电流、电压和温度等中间数据集之间的复杂非线性关系[17]、[18]。已经应用了多种ML算法进行SOC估计。例如，人工神经网络（ANNs）已被广泛用于从电信号集（如电压和电流）预测SOC[19]。然而，尽管它们的架构相对简单，ANNs经常遭受过拟合、收敛缓慢和陷入局部最小值的问题，这限制了它们的准确性和实际应用性[20]。循环神经网络（RNNs）也被引入用于实时SOC估计，通过显式建模SOC的时间变化[21]。然而，这些框架的估计准确性仍然强烈依赖于输入特征的质量和多样性，而不是算法本身的复杂性。

然而，基于模型和数据驱动的方法几乎都依赖于电压和电流等电气信号。这些传统数据集需要直接连接到电池，这对于即时和非侵入式的SOC估计是不利的，特别是在回收或二次利用电池的背景下。作为一种替代方案，超声波因其无化学物质、非破坏性、深入探测的能力以及快速操作和成本效益而受到积极研究[22]、[23]、[24]。超声波已被证明是电池状态的有效指标，包括对于LFP电池，其中传统的SOC估计特别具有挑战性[25]。此外，超声波辅助技术不仅可以在操作期间应用，也可以在无负载条件下应用，使它们成为开发离线SOC估计模型的有吸引力的候选者。在我们之前的研究中，我们提出了一种使用GUWs和稀疏分布的活性换能器来监测LIBs健康状态的新方法[26]，与许多依赖于点对点检查的厚度方向波的传统方法相反[27]、[28]、[29]。然而，大多数现有的基于超声波的方法仍然仅使用有限的特征，如信号幅度和飞行时间（ToF）[30]、[31]、[32]，尽管可以从超声波信号中提取更丰富的信息（例如，分散特性、波形不对称性或频率调制）。具体来说，由于电池的多层和机械柔顺结构，传播在LIBs中的GUWs表现出明显的分散和波形失真。因此，与分散相关的额外信号特征可以提供关于SOC依赖的化学机械变化的补充信息，超出传统幅度和ToF特征所包含的信息。

因此，本研究提出了一种利用GUW信号中丰富的参数信息的新颖离线SOC估计框架，用于LFP电池。由于SOC与电化学和化学机械转变密切相关[33]、[34]，相应的变化预计会体现在GUW响应中。为了充分利用这种关系，从GUW信号中提取了一组广泛的参数特征，包括传统的幅度和ToF等指标，以及通过基于MP的贪婪算法识别的其他特征[35]。然后使用这些丰富的特征数据集训练基于XGBoost的替代ML模型，选择它是因为其高准确性和计算效率，能够针对LFP电池进行精确的SOC估计，这对回收和二次利用应用特别相关。使用实际经历受控充放电循环的LFP电池对所提出框架的可行性进行了实验验证。图1提供了所提出方法的示意图概述。

部分片段

参数提取

我们假设通过LIBs传播的GUW响应中嵌入的多个信号参数可以提供与其内部化学机械行为相关的丰富和内在信息。图2展示了使用一对表面粘合的压电晶圆换能器从不同SOC下的LFP电池测量的代表性GUW信号。结果清楚地表明，GUW响应对SOC变化敏感，因此可以用于间接SOC估计

参数提取

图8展示了使用MP算法在20%间隔的0%到100%的SOC范围内分离出的首次到达波包。使用带有非对称汉宁窗啁啾字典的MP算法，从LFP电池的GUW响应中提取了总共七个信号参数。图9显示了这些参数随SOC在不同放电条件下的变化。几个提取的参数显示出明显的SOC依赖趋势。例如，

结论

本研究提出了一种基于从GUW信号中提取的丰富参数信息的离线SOC估计的数据驱动框架。为此，采用了结合了非对称汉宁窗啁啾函数的MP算法进行信号分解。基于MP的方法能够有效分离出首次到达的波包并可靠地提取相关信号参数，包括不仅传统的特征

CRediT作者贡献声明

李在元：撰写 – 原始草稿、可视化、验证、方法论、形式分析、数据整理、概念化。金贤俊：撰写 – 原始草稿、验证、软件、方法论、形式分析、数据整理、概念化。袁福国：撰写 – 审稿与编辑、验证、方法论、调查、资金获取。金浩旭：撰写 – 审稿与编辑、撰写 – 原始草稿、验证、监督、资源、项目管理、方法论，

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：金浩旭报告称获得了空中客车工程研究（AIER）计划的财务支持。金浩旭报告称获得了由韩国政府（MSIT）资助的韩国国家研究基金会（NRF）的资助（编号RS-2023-00239845）。袁福国报告称获得了玉山研究员计划的财务支持

致谢

本工作由空中客车工程研究（AIER）计划资助。本工作还得到了韩国国家研究基金会（NRF）（由韩国政府MSIT资助）（编号RS-2023-00239845）的资助。袁福国教授希望感谢台湾教育部的玉山研究员计划的支持。