欢迎光临美国卡特蓄电池集团总部
服务热线
全国客服热线：

153-1370-2523

新闻中心

首页 > 新闻中心

CAT蓄电池基于物理信息的学习框架：利用稀疏脉冲响应数据实现锂电池回收过程中的快速退化检测

来源：卡特蓄电池 发布时间：2026-04-18 10:51:44 点击： 次
锂电池的回收与再利用对环境保护至关重要。然而，退役电池的服务数据获取受限，因此快速现场检测其退化水平对于制定有效的回收或再利用决策极为关键。本文提出一种物理信息学习框架，能在随机退役条件下根据稀疏脉冲响应数据快速准确地评估锂电池的退化状态。具体而言，针对锂电池退化过程中内阻与极化特性的变化，我们基于一分钟脉冲检测获得的零状态与零输入电压响应设计特征参数。通过将脉冲响应期间的极化电压微分方程作为物理约束，开发出物理引导神经网络（PGNN）模型，用于实现锂电池的快速退化评估。基于锂电池先验物理特性差异，本研究构建了迁移学习的特征映射框架。该PGNN模型无需额外训练，即可在不同脉冲检测协议间实现精确的迁移估计。实验采用3类58块商用锂电池生成5316个脉冲响应样本进行交叉验证，确定系数（) 大于0.96。在不同脉冲检测协议间的退化迁移估计中，2该数值超过0.954。此外，即使在不同电池类型间的迁移估计中，该指标仍保持在0.806以上。本研究显著提升了稀疏脉冲响应数据条件下随机退役锂电池的直接退化估计与迁移退化估计精度，凸显了物理信息学习框架在锂电池回收快速退化检测中的应用潜力。2 exceeded 0.954. Furthermore, even under transfer estimation across different battery types, the R2 remained above 0.806. This work significantly advances both direct and transfer degradation estimation accuracy for randomly retired lithium batteries under sparse pulse response data conditions, highlighting the potential of the physics-informed learning framework for rapid degradation detection in lithium battery recycling.

图形摘要

一种基于物理信息的学习框架通过一分钟主动脉冲响应预测电池衰减状况，该方法能实现跨测试协议与电池化学体系的精确且可迁移的性能评估，为快速回收决策提供支持。

引言

锂电池已成为现代生活中不可或缺的组成部分，为从便携式电子设备到电动汽车及微电网系统的广泛应用提供动力[1][2]。然而，锂电池产量与消费量的指数级增长引发了关于资源可持续性与环境影响的重大关切[3][4][5]。锂电池的不当处置会释放有毒成分和重金属，进而污染生态系统[3][4]。此外，锂电池中使用的锂、钴、镍等关键材料储量有限且高度集中于特定地区，由此引发地缘政治与经济脆弱性问题[5]。鉴于这些挑战，锂电池的回收与再利用已成为关键解决方案[6][7][8][9]。全球锂电池回收市场规模预计到2027年将达到110.7亿美元[3]。高效的回收工艺不仅能回收有价值的材料，还可降低对原材料挖矿的依赖，从而缓解环境退化[6][7]。与此同时，退役电池梯次利用等再应用策略，通过延长锂电池使用寿命为循环经济做出贡献[8][9]。锂电池的回收与再利用对推动可持续能源转型、实现全球碳中和目标至关重要。
锂电池回收与再利用的关键环节在于决策流程，该流程决定了退役电池的适宜处理路径[10][11][12]。此决策过程的基础在于对电池健康状态(SOH)的精确检测[11]。对于仍具有显著剩余容量的锂电池，可改造应用于低功率平稳场景，如微电网储能系统；而严重劣化的电池通常通过拆解实现有价材料回收[12]。然而，锂电池会经历复杂的退化机制[13][14][15][16][17]，包括固体电解质界面层破裂[13][14]、电极结构破坏[15]以及电解质分解[16][17]，这些退化现象均会因使用模式和环境条件的不同而有所差异。采用电化学阻抗谱[18]、非侵入式成像[19]和数据驱动模型[20]的技术，已成为实现精确健康状态检测的有效解决方案。在这些技术中，数据驱动模型因其成本效益高、部署简便且具有实时性优势[20][21]而广受青睐。
通常，从锂电池服役过程中获取的数据被用于特征提取和数据驱动模型训练[22][23][24]。相较于多样化应用场景中的复杂工况，采用固定协议的充电数据更能有效揭示锂电池性能退化的潜在征兆[25]。已有研究表明，恒流充电阶段增量容量（IC）曲线的峰值演化特征与锂电池内部锂析出行为存在密切关联[26]。源自IC峰值的特征参数，如峰高[27]、峰位[28]、峰斜率[29]和峰面积[30]，已与多种机器学习算法相结合，用于有效估算锂电池的SOH。然而在实际应用中，充电模式与实验室理想实验条件存在差异。Lin等学者针对实际应用中非恒流充电条件与数据缺失问题，将三分钟充电数据特征与高斯过程回归(GPR)相结合，实现了快速SOH估算[31]。此外，考虑到电池类型的多样性，Wang等学者从电池完全充电前的短时数据中提取通用特征，并提出了一种基于物理信息的神经网络（PINN）模型用于健康状态（SOH）估算[32]。随着多模态学习的发展，通过融合温度[33]、力学[34]和超声信号[35]等信息，模型能够更全面地理解锂电池的服务状态。Tian等研究人员将IC特征与电池表面温度数据相结合，采用支持向量回归（SVR）进行SOH估算[36]。相较于基于电压的方法，该方法展现出更高的精度与鲁棒性。
然而，上述方法严重依赖服役数据，必须与电池管理系统（BMS）集成。这种依赖性给第三方检测机构带来了挑战，因为它们通常无法直接获取嵌入式电池数据[37][38]。为解决这一局限，亟需开发不依赖服役数据的快速、准确SOH估算方法。退役电池的容量重新校准可提供精确的SOH评估，但该过程的时间成本过高。近期研究已开始探索针对回收场景设计的无历史数据诊断框架[39][40][41]。Tao等[40]开发了一种联邦机器学习策略，仅利用报废充放电特征实现隐私保护的阴极材料分选，解决了分布式回收系统中的数据异构性和协作约束问题。Huang等[41]提出了一种可解释的专家混合框架(iMOE)，该框架利用无需历史循环记录的部分现场可获取信号预测长期二次寿命退化轨迹，在不确定的未来运行条件下展现出高泛化能力。此外，含有与电池内部老化机制紧密关联的极化效应的主动脉冲检测数据被用于健康状态(SOH)评估[42][43]。Tao等学者[44]提出将快速脉冲测试与随机森林学习相结合，实现了对442个无历史运行数据的异构退役电池快速SOH诊断，显著缩短了测试时间。然而脉冲响应数据通常较为短暂，且直接受电池荷电状态(SOC)影响[45]。脉冲测试存在粒度粗糙问题，无法全面覆盖所有SOH和SOC状态，导致数据集稀疏。此外，电池类型与容量设计的多样性为将退化知识整合至数据驱动模型带来了额外挑战。因此，开发一种利用有限脉冲响应数据样本实现快速健康状态（SOH）估算的方法成为迫切需求。
本文提出了一种基于物理信息的学习框架，用于实现锂电池回收过程中的快速健康状态（SOH）估计。该框架由物理引导神经网络（PGNN）模型与特征映射框架构成，能够利用稀疏脉冲响应数据实现精确的直接及迁移SOH估计。除采用公开数据集外，我们在多种工况下对多组商用锂电池进行了老化循环测试，同时以固定循环间隔执行混合脉冲功率特性（HPPC）实验。此外，本研究建立了一个包含58块3种不同类型商用锂电池的脉冲响应数据集，样本量达5316个。基于脉冲测试中电压的零状态响应与零输入响应，我们设计了以下特征参数：开路电压（OCV）、脉冲后电压、弛豫后电压、阶跃电压增量、脉冲电压增量以及弛豫电压增量。这些特征仅需一分钟脉冲测试即可采集，能够有效捕捉锂电池退化过程中内阻变化与极化特性演变。随后开发了一种基于极化电压微分方程脉冲响应约束的PGNN模型用于健康状态(SOH)估算。该模型即便在插值和外推场景下也能实现精确的SOH预测。进一步地，通过利用先验物理信息的差异性，可将不同类型锂电池的特征映射到统一特征空间。该模型无需额外训练即可实现针对不同脉冲检测协议与电池类型的精确迁移估算。多组数据集验证结果表明，所提出的物理信息学习框架在直接SOH估算和迁移SOH估算中均具卓越性能。本研究彰显了物理信息学习框架在解决锂电池回收过程中脉冲响应数据稀疏性、实现快速退化检测方面的巨大潜力。
上一条：CAT蓄电池基于液冷大面接触式电池模组的热失控传播抑制与外壳形变实验及模拟研究 下一条：返回列表

相关新闻

产品分类

新闻中心

联系我们

美国卡特蓄电池（中国）营销总部

手 机：15313702523（微信同号）