▲共同第一作者：博士生张韬略，博士生谭瑞锋
共同通讯作者：黄加强教授，张统一院士
通讯单位：香港科技大学（广州）
论文DOI：10.1021/acsenergylett.4c03054
（点击文末「阅读原文」，直达链接）
退役电池具有重要的经济和环境意义，是锂离子电池生命周期中不可缺少的一环。然而，现有评估退役电池健康状态的方法既费时又耗资源，阻碍了后续对退役电池回收或二次利用的过程。本文将光纤传感器与可解释机器学习（
ML
）技术相结合，针对
265
个退役电池（
LiFePO
4
/
石墨、
LiMn
2
O
4
/
石墨）建立数据驱动框架，实现了
3 min
内的超快速健康状态诊断，在两个数据集上的平均绝对误差分别为
1.17%
和
2.78%
。我们构建的数据驱动框架能够识别出多变量时间序列中的重要区域，并有助于揭示潜在的热力学
/
动力学老化机制。我们还证明了通过光纤获得的产热信息能够提高预测精度和模型抗噪声能力，弥补电压信号在较短时间内的信息不足。这项工作不仅展示了电池传感在退役电池诊断中的潜力，而且还为各种电池应用解锁了传感和可解释机器学习之间的协同作用。
锂离子电池的需求预计将以每年
33%
的速度增长，到
2040
年将达到
5,500 GWh
。在如此巨大的需求下，全球每年将产生大量的退役电池，预计到
2030
年将超过
250GWh
。在未来如何处理这些退役电池是全球面临的紧迫挑战。参照对于废旧物回收处置的层级，锂离子电池在退役后的处理方式，按照最环保到最不环保来分，包括二次利用、修复、回收和丢弃。从电池可持续性角度出发，二次利用和回收为关键支柱。在面对退役电池的处置是选择采用二次利用或回收时，电池当下健康状态的信息（
State of health, SOH
）具有很高的参考价值。传统情况下，对于电池当下健康状态的评估需要做完整的充放电测试，但容量测量是耗时的，这可能成为分类过程的瓶颈。不少研究者采用了数据驱动方法，通过复杂的充放电协议设计或特征工程的构建，来缩短诊断时间。然而，上述数据驱动的方法更多的采用电化学数据，如电流和电压等，这些信息很可能难以充分的体现电池的健康状态，同时如何去解释模型背后的物理化学信息，也是一个尚未很好解决的问题。
为了克服上述问题，我们采用光纤布拉格光栅（
FBG
）传感器获得的温度信息结合电压信息来共同诊断电池健康状态。为了充分挖掘利用收集到的物理化学信息，我们构建了一个可解释机器学习模型，通过显著性图，获得对电池健康状态诊断最为关键的数据片段，从而简化了从大量数据输入中筛选重要特征的过程，有效缩短电池诊断时间。我们的方法在两个不同化学体系、不同健康状态分布下的电池数据集上（磷酸铁锂
/
石墨，锰酸锂
/
石墨）都取得了成效，并且我们发现光纤捕获到的温度信息不仅能够弥补电化学信息在快速诊断时的不足，提升模型诊断效果，还能提升模型的抗噪声能力。最后，我们从电池老化的动力学过程和热力学过程特点出发，通过对于在充电过程中电池的电压和产热变化分解，解释了所取电压、温度信息的有效性和合理性。
图
1
：退役电动汽车电池的光纤辅助诊断方法示意
通过将光纤传感器布置在软包电池表面，在对磷酸铁锂
/
石墨退役电池充电过程中可以同时获得电压、温度随时间变化的曲线。从收集到数据可以大致看出，高
SOH
电池的充电电压一般比低
SOH
电池的充电电压低，温度变化小，说明更健康的电池阻抗更低，而图
1d
（右）显示，
SOH
在
78%-87%
之间的电池在
30min
内具有相似的电压和温度变化，这对
SOH
的预测提出了一定的挑战。因此，我们开发了更复杂的机器模型来利用物理化学信息进行诊断。
图
2
：建构的数据驱动框架
从收集到的电压和温度变化的时间曲线中，人工很难建立起温度
/
电压变化与
SOH
的关系。因此，我们设计了一个可以生成显著性图的可解释神经网络，这些显著性图是通过可训练的显著性生成器（
saliency generator
）生成的（绿色，图
2
）。基于显著性图，序列显著性（
series saliency
）保留了原始输入的关键部分，并用噪声替代了其他部分（橙色，图
2
）。在训练过程中，优化模型以最大化
SOH
预测精度（蓝色，图
2
）并降低总显著性。显著性表明了用于预测
SOH
数据片段的有效性。因此，直接从每个显著区域提取
7
个统计特征
(
如均值和方差
)
，并采用最大信息系数（
MIC
）对与
SOH
值的
MIC>0.5
的特征进行特征选择，可以免除复杂的特征工程，获得有效的特征。在特征工程中，可以施加时间约束来探索快速诊断。最后，将选择的特征输入到经典机器模型中进行
SOH
预测。
通过机器学习框架，首先可以获得两个数据集用于预测
SOH
输入前
30
的分钟信号
(
温度，
ΔT
；电压
V;
容量，
Q)
对应的的显著性图（图
3a,3e
）。温度和电压在诊断的开始阶段（
V-I
和
T-I
区域）和结束阶段（
V-II
和
T-II
区域）显著性较高。而早期阶段的电压和温度变化的显著性预示着超快速诊断的可能性。图
3b,3f
显示了两类电池在
30min
内的电压和温度变化。比较有趣的是，在一些高
SOH
电池的初始诊断阶段，温度变化出现了负值，这是由可逆熵热引起的吸热过程引起的。在诊断过程中，除吸热区外，各区电压和温度均呈单调非线性增长。但是可以大体看出，电池的
SOH
越低，温度和电压的变化值通常会更高。同时，从显著性区域选择的电压温度特征之间，以及它们各自与
SOH
的
MIC
值来看，电压和温度特征互为补充，并且与
SOH
高度相关。总的来说，电池之间
V
和
ΔT
的可区分差异表明了丰富的有关电池老化的信息，为推断电池的健康状态奠定了基础。
随后，将选取的特征输入到包括支持向量回归（
SVR
）、高斯过程回归（
GPR
）、随机森林、
AdaBoost
、决策树和
ElasticNet
等经典机器模型中进行预测，将它们的模型效果与神经网络模型直接预测退役电池的
SOH
的结果相比较（图
3i
）。为了保证比较的合理性，所有模型的训练和测试都采用相同的数据集分割。从预测结果上看，
ElasticNet
的表现优于神经网络模型：在
LFP/C
和
LMO/C
数据集中，
ElasticNet
与神经网络的平均绝对误差（
MAEs
）分别为
0.88%
对
1.03%
和
0.88%
对
1.62%
。与神经网络相比，
ElasticNet
的优势还表现在绝对误差的中位数更低，预测波动更小，这表明该模型从显著区域中选择的特征是有效的。此外，经典机器模型需要更少的计算资源，提供更快的诊断速度，突出了对退役电池诊断的优越性。
图
3:
通过显著性图揭示关键数据时间区段及其有效性
随后，我们探索了模型能否在更短的时间内完成对于健康状态的诊断（图
4
）。通过减少用于构特特征的时间区间，获得了模型预测效果随时间的变化曲线。通过图
4a
可以看出，随着用于预测的数据时间区段的减少，磷酸铁锂数据集的预测误差并没有出现较大的波动，但是锰酸锂数据集的平均预测误差最高增大到了
7.7%
，说明对于小数据集、并且面临更复杂失效机理的化学体系，仍需要更多的信息帮助电池的诊断。但是随着诊断时间增大至
2min
处，锰酸锂的预测误差能低至
2.6%
，这也体现了短时间内诊断退役电池的可行性。同时，通过对于只用电化学信息和补充温度信息后的预测效果的比较，可以看出，光纤提供的温度信息能够在数据较为有限的前
3
分钟提供较高的预测效果提升，突出了其价值。此外，通过图
4b
和图
4c
可以看出温度信号的引入能够提升模型的抗噪声能力，提升模型鲁
棒性。
图
4
退役电池的快速诊断探索与光纤传感的作用分析
在短时间内实现对于退役电池的准确诊断离不开合理的特征选取，我们对于所选取特征挖掘了背后的与电池老化相关的原理。对于电池的电压来说（图
5
），其可分解为和电池热力学相关的平衡电势与和动力学相关的过电势（图
5b
）。可以看出对于磷酸铁锂电池来说，随着电池老化的程度升高，平衡电势和过电势均在升高，但过电势变化的幅度更大。而过电势又可以分解成与
iR
电压降、离子输运以及弛豫相关的部分，在其中
iR
电压降是主要影响过电势的因素，这也说明在这类过电势主导的化学体系中，只用
iR
电压降来诊断健康状态也是可行的。而在锰酸锂数据集上，平衡电势的变化则影响总电压变化更大，这与两种电池的衰老模式密切相关，在锰酸锂
/
石墨电池里不仅有活性锂的损失，还有正负极活性材料的损失，导致平衡电势变化幅度更大。
对于温度变化来说（图
6
），电池充电过程中的温度变化是电池吸热放热的累积。我们利用光纤量热方法，将温度变化转变成为产热功率的变化，进一步将总产热功率分解成为熵变热功率和过电势热功率（图
6b
），这两部分分别对应电池的热力学和动力学过程。对于磷酸铁锂电池，高
SOH
的电池过电势热是很接近的，而熵变热功率存在差异，为高
SOH
电池健康状态的区分提供了参考。而对于锰酸锂电池，过电势热功率随
SOH
的降低而不断升高，但熵变热功率的变化趋势却与之相反。通过对于正负极熵热曲线的分析，我们发现这种不同的熵热功率变化趋势也与电池的化学体系密切相关，体现了产热信息与电池衰老的深度联系，解释了温度信息的引入对于模型预测效果提升的背后机制。
图
5.
电压信号与电池
SOH
的关系
图
6.
温度信号电池
SOH
的关系
总之，我们的工作为退役电池提供了一种超快速、准确的诊断方法。此外，我们通过热力学和动力学分析揭示了电压和温度的诊断机制，强调了针对不同化学体系电池指定诊断协议的必要性。展望未来，快速发展的电池传感技术将为退役电池的诊断提供更多的帮助。除温度外，光纤传感器还具有以高空间和时间分辨率监测电池内部应力的能力。同时，无损超声传感可以对电池内部缺陷和电解质耗尽进行探测，这将确实为推断电池状态提供了补充信息。然而，在未来揭示各种传感信号与电池状态之间的联系对于诊断仍是必不可少的。
黄加强，香港科技大学（广州）可持续能源与环境学域助理教授，国家高层次青年人才，博士生导师。他于
2013
年毕业于上海交通大学机械工程及其自动化专业，于
2017
年取得香港科技大学机械工程博士学位。他先后在香港理工大学和法兰西公学院从事博士后研究。长期致力于提升电池的能量密度、安全性以及可持续性
,
重点研究材料、电化学、光学、机器学习等学科交叉基础问题与技术应用。迄今共发表论文
57
篇，其中以第一作者及通讯作者在
Nature Energy
、
Nature Sustainability
、
Energy & Environmental Science
（
2
）、
Advanced Energy Materials
、
Energy Storage Materials
（
3
）、
Advanced Functional Materials
（
2
）等国际能源与材料领域权威期刊发表
22
篇论文，相关研究成果申请发明专利
14
项。
张统一，中国科学院院士，香港工程科学院院士，香港科技大学（广州）讲座教授，广东院士联合会会员，材料科学与固体力学专家，中国材料基因组工程、材料信息学和力学信息学的推动者，上海大学材料基因组工程研究院创院院长，中国材料学会材料基因组工程分会首任主任，广州市材料信息学重点实验室主任，
Journal of Materials Informatics
主编，国际断裂学会副主席。他大力推动材料信息学、材料
/
力学
GPT
、材料
/
力学多模态大模型、
AI4S(AI for science)
和
AI4M (AI for materials)
的发展。
课题组长期招聘优秀科研助理、博士以及博士后，感兴趣的同学请把简历、成绩单及相关英语成绩（如有）发至此邮箱：
seejhuang[at]ust.hk
