​亚琛工业大学EnSM: AI+现场数据实现锂离子电池在线衰减诊断

监测锂离子电池（LIBs）的衰减状况，即所谓的健康状态（SOH），对于电池系统的安全可靠运行至关重要。通过从现场采集电池数据并在云端建立电池数字孪生，可在电极层面在线监测电池的衰减情况，并从数据中提取衰减模式信息。

在此，德国亚琛工业大学Weihan Li等人首次提出了一种物理和人工智能相结合的在线电极级衰减诊断方法，即布谷鸟搜索算法（CSA）。通过集成基于阻抗的模型和开路电压（OCV）重建模型，开发的混合模型由代表电池阻抗和老化过程中OCV变化的参数组成。

基于低动态和高动态的现场数据，该衰减诊断方法可通过考虑参数敏感性差异的多步CSA准确识别全寿命模型参数，从而可以指示电池的老化程度，模型的高保真度和识别的快速收敛性通过以NCA为正极材料、石墨和硅混合为负极材料的电池单元在整个生命周期内的实验测试得到验证。使用确定的模型参数，考虑容量和功率衰减的SOH估计的平均绝对误差分别小于0.5% 和1.5%。在线重建电池的电化学阻抗谱和OCV，可同时定性和定量地识别衰减模式，即锂离子库存损失、正/负极活性材料损失。

图1. 识别和测量的电池健康指标之间的比较

此外，传感器噪声下的鲁棒性分析证明了该方法的高稳定性，数据采样率分析为考虑性能、计算成本和数据存储成本之间的权衡，为云衰减诊断选择最佳采样时间提供了方法。

作为LIB的下一代云衰减分析的概念验证，这项工作在未来可向不同的方向扩展。首先，温度对电池动力学的影响将使衰减识别更具挑战性，需要根据现场数据进行研究。其次，衰减诊断，特别是基于小放电深度现场数据的容量估计和衰减模式识别将值得进一步研究。第三，考虑SOC依赖性的功率衰减参数识别对于理解衰减机制很有意义，而基于物理的模型（如电化学模型）在在线衰减诊断中的应用可能有助于进一步深入了解衰减。总之，这项工作突出了通过电池建模和人工智能在现场进行在线电极级衰减诊断的机会，可在云端应用于不同应用场景下不同材料的电池。

图2. 该诊断方法在各种传感器噪声水平下的鲁棒性

Battery degradation diagnosis with field data, impedance-based modeling and artificial intelligence, Energy Storage Materials 2022. DOI: 10.1016/j.ensm.2022.08.021