ISSA-CNN-SE-BiLSTM, ultrasonik batareya xüsusiyyətlərindən sağlamlıq vəziyyətini (state of health, SOH) qiymətləndirmək üçün lokal xüsusiyyət çıxarılması, kanal-diqqət mexanizmi, iki istiqamətli zaman modelləşdirilməsi və qlobal hiperparametr optimallaşdırmasını birləşdirən verilənlərə əsaslanan öyrənmə çərçivəsidir. Tədqiqatda 50 Ah prizmatik litium-ion hüceyrə 25°C-də dövri şəkildə yaşlandırılmış, 120 kHz PZT sensorlarla ultrasonik guided-wave cavabları ölçülmüş və Initial amplitude, Maximum amplitude, Minimum amplitude ilə Initial time of flight (TOF) xüsusiyyətləri çıxarılmışdır. Pearson korrelyasiyasına görə Initial amplitude, Initial TOF və Maximum amplitude yekun model girişləri kimi seçilmişdir.

Üç xüsusiyyəti birlikdə istifadə edən Feature Set C şəraitində təklif olunan ISSA-CNN-SE-BiLSTM modeli RMSE 0,0180%, MAE 0,0148% və \(R^2=0,9987\) dəyərlərinə çatmışdır. Eyni xüsusiyyət dəstində ISSA olmadan istifadə edilən CNN-SE-BiLSTM-nin RMSE-si 0,0825% olduğundan, ISSA optimallaşdırması RMSE-ni %78,18 azaltmışdır. Model yalnız %30 təlim verilənləri istifadə edildikdə də RMSE 0,0461% və \(R^2=0,9949\) nəticəsi vermişdir.

SHAP analizi model qərarının ən böyük hissəsinin Initial amplitude (%50,2) və Initial TOF (%39,1) tərəfindən izah edildiyini; Maximum amplitude-ın (%10,7) tamamlayıcı rol oynadığını göstərmişdir. Bununla belə, tədqiqat nəzarət olunan laboratoriya şəraitində yalnız bir 50 Ah hüceyrə üzərində aparılmışdır. Müxtəlif temperaturlar, istifadə profilləri, hüceyrələr və batareya tipləri üzrə müstəqil doğrulama aparılmadığından, bildirilən çox aşağı xəta göstəriciləri birbaşa real nəqliyyat vasitəsi və ya enerji saxlama BMS performansı kimi ümumiləşdirilməməlidir.

Tədqiqat problemi

Litium-ion batareyaların sağlamlıq vəziyyəti yaşlanma dərəcəsini və istifadə oluna bilən tutumdakı itkini izləmək üçün istifadə olunan əsas batareya idarəetmə dəyişənlərindən biridir. Batareya yaşlandıqca tutumun azalması və daxili müqavimətin artması kimi elektrik dəyişiklikləri baş verir; lakin yaşlanma eyni zamanda elektrod quruluşunda, interfeyslərdə, materialın mexaniki xüsusiyyətlərində və hüceyrədaxili təmas şəraitində də dəyişikliklər yaradır.

Gərginlik, cərəyan, temperatur və tutum kimi ənənəvi elektrik kəmiyyətləri xaricdən ölçülə bilər və BMS baxımından əlverişlidir; lakin hüceyrə daxilindəki struktur dəyişikliklərini birbaşa hiss etmir. Mənbə tədqiqatın əsas araşdırma sualı buna görə batareyanın daxili quruluşundakı yaşlanmaya həssas ultrasonik yayılma məlumatının SOH qiymətləndirilməsinə əlavə müşahidə ölçüsü verib-verməyəcəyidir.

Ultrasonik Xüsusiyyətlər Batareyanın SOH-sini Niyə Göstərə Bilər?

Ultrasonik guided-wave siqnallarının yayılma müddəti və amplitudası batareyanın elektrod, separator, elektrolit, interfeys və mexaniki təmas şəraitindən təsirləndiyi üçün yaşlanma ilə dəyişə bilər; bu tədqiqatda dövr sayı artdıqca TOF və signal-amplitude nümunələrinin dəyişməsi ultrasonik xüsusiyyətlərin elektrik xarakterli olmayan yaşlanma məlumatını daşıya bildiyini göstərmişdir.

Ultrasonik ölçmə yanaşması

Tədqiqat pulse-echo və ya qarşılıqlı səthlərdən through-thickness transmission əvəzinə, batareya səthinə bərkidilən PZT ötürücü və qəbuledicilər arasında yayılan ultrasonik guided-wave yanaşmasından istifadə etmişdir. Guided-wave siqnalı hüceyrə korpusu və daxili laylı quruluş boyunca irəliləyərkən yayılma gecikməsini, enerji sönümlənməsini və dalğa formasındakı dəyişiklikləri birlikdə daşıyır.

Təcrübədə istifadə olunan batareya

Ultrasonik test platforması

Təcrübə sistemi 50 Ah batareya, iki PZT çeviricisi, Battery Test System, Signal Generator, Power Amplifier, Oscilloscope, Host Computer və Thermal Chamber komponentlərindən ibarət olmuşdur. PZT çeviricilərinin rezonans tezliyi 120 kHz-dir.

Signal Generator tərəfindən yaradılan həyəcanlandırma Power Amplifier ilə gücləndirilmiş və ötürücü PZT-yə tətbiq edilmişdir. Piezoelektrik çevirici elektrik siqnalını mexaniki ultrasonik dalğaya çevirmiş; dalğa hüceyrə boyunca yayıldıqdan sonra qəbuledici PZT tərəfindən yenidən elektrik siqnalına çevrilmişdir. Oscilloscope həm həyəcanlandırma, həm də cavab dalğa formasını qeydə almış, Host Computer məlumatların saxlanmasını və sonrakı emalını həyata keçirmişdir.

Yaşlandırma protokolu

Dincəltmə mərhələsi yığılmış temperatur artımının və qütbləşmə təsirlərinin sonrakı ultrasonik ölçməyə lazımsız şəkildə təsirini azaltmaq məqsədilə tətbiq edilmişdir.

DMeyer dalğacığı ilə səs-küyün aradan qaldırılması

Xam ultrasonik siqnallar ətraf mühit səs-küyü və elektromaqnit müdaxiləsi ehtiva etdiyindən, mənbə altı səviyyəli DMeyer wavelet-packet decomposition və threshold screening istifadə etmişdir. Emalın dalğa formasındakı faydalı məlumatı pozub-pozmadığı Pearson korrelyasiyası ilə yoxlanılmışdır.

\[ r= \frac{\sum_{i=1}^{n}(X_i-\bar X)(Y_i-\bar Y)} {\sqrt{\sum_{i=1}^{n}(X_i-\bar X)^2} \sqrt{\sum_{i=1}^{n}(Y_i-\bar Y)^2}} \]

Burada \(X_i\) və \(Y_i\) müqayisə edilən iki siqnalın nümunə nöqtələrini, \(\bar X\) və \(\bar Y\) isə orta qiymətləri təmsil edir. \(r\) dəyəri 1-ə yaxınlaşdıqca iki dalğa formasının xətti oxşarlığı yüksəlir. Mənbə göndərilən siqnal üçün 0,99272, qəbul edilən siqnal üçün 0,99917 dəyərlərini bildirmişdir.

TOF necə hesablandı?

Time of flight (TOF), göndərilən və qəbul edilən ultrasonik dalğa formalarının cross-correlation funksiyasının maksimum olduğu zaman gecikməsindən çıxarılmışdır.

\[ R_{XY}(\tau)= \int_{-\infty}^{+\infty} X(t)Y(t+\tau)\,dt \]

Diskret tətbiq:

\[ R_{XY}(k)= \sum_{n=0}^{\infty}X(n)Y(n+k) \]

\(R_{XY}\) maksimum olduqda ona uyğun \(\tau\) və ya diskret gecikmə \(k\), iki dalğa forması arasındakı ən güclü zaman uyğunluğunu verir və ultrasonik TOF kimi istifadə olunur.

Dörd namizəd ultrasonik xüsusiyyət

Figure 5-də SOH dövr sayı ilə ümumilikdə azalarkən Initial amplitude və Initial TOF-un SOH dəyişməsini daha ardıcıl izlədiyi; Maximum və Minimum amplitude-ın isə daha çox lokal dalğalanma göstərdiyi görünür.

Pearson korrelyasiyası ilə feature seçimi

Bütün xüsusiyyətlərin SOH ilə müsbət xətti əlaqəsi bildirilmişdir. Lakin Pearson korrelyasiyası təkbaşına model daxilindəki real qərar çəkisini göstərmir; buna görə tədqiqat daha sonra SHAP vasitəsilə modelin xüsusiyyətlərdən faktiki olaraq necə istifadə etdiyini ayrıca araşdırmışdır.

ISSA-CNN-SE-BiLSTM Modelində Hər Komponent Nə Edir?

ISSA-CNN-SE-BiLSTM-də CNN çoxsaylı ultrasonik xüsusiyyətlər arasındakı lokal nümunələri çıxarır, SE modulu mühüm feature kanallarını daha yüksək çəki ilə vurğulayır, BiLSTM yaşlanma ardıcıllığındakı irəli və geri istiqamətli əlaqələri emal edir və ISSA yeddi kritik şəbəkə/təlim hiperparametrini validation RMSE-ni minimuma endirəcək şəkildə qlobal optimallaşdırır.

CNN lokal xüsusiyyət çıxarılması

Bir zaman addımındakı ultrasonik xüsusiyyət vektoru:

\[ x_t\in\mathbb{R}^{f\times1\times1} \]

kimi müəyyən edilmişdir. İlk convolutional çevrilmə:

\[ U_t=f(W_1*x_t+b_1) \]

və davamındakı əsas convolutional branch:

\[ V_t= \delta\left( BN\left(W_2*\delta(U_t)+b_2\right) \right) \]

şəklindədir. Burada \(*\) convolution əməliyyatını, \(BN\) batch normalization-ı və \(\delta\) ReLU aktivləşdirməsini təmsil edir.

SE kanal-diqqət mexanizmi

Squeeze-and-Excitation modulu əvvəlcə hər kanalın qlobal məlumatını orta pooling ilə sıxır:

\[ z_{t,c}= \frac{1}{H\times W} \sum_{i=1}^{H}\sum_{j=1}^{W}U_{t,c}(i,j) \]

Daha sonra iki fully connected çevrilmə vasitəsilə kanal çəkisi yaradır:

\[ s_t= \sigma\left( W_4\delta(W_3z_t+b_3)+b_4 \right) \]

və əsas feature representation-ı kanal üzrə yenidən miqyaslandırır:

\[ \tilde V_t=s_t\odot V_t \]

Bu mexanizmin məqsədi hər ultrasonik feature kanalını bərabər qəbul etmək əvəzinə SOH baxımından daha məlumatlandırıcı kanalları vurğulamaqdır.

BiLSTM zaman modelləşdirilməsi

SE tərəfindən gücləndirilmiş feature map əvvəlcə yastılaşdırılır:

\[ g_t=\mathrm{Flatten}(\tilde V_t) \]

BiLSTM irəli və geri istiqamətli hidden-state məlumatını birləşdirir:

\[ h_t^{bi}= [\overrightarrow{h_t};\overleftarrow{h_t}] \]

Dropout-dan sonra SOH qiymətləndirilməsi fully connected output layer ilə yaradılır:

\[ \hat y=W_ph^{bi}+b_p \]

ISSA hansı hiperparametrləri optimallaşdırdı?

Mənbə bu yeddi dəyişənin yekun optimal ədədi kombinasiyasını ayrıca cədvəldə bildirmir.

ISSA-nın fitness funksiyası

Hiperparametr kombinasiyalarını qiymətləndirmək üçün validation RMSE fitness kimi istifadə edilmişdir:

\[ Fitness=RMSE= \sqrt{ \frac{1}{N} \sum_{i=1}^{N} (\hat y_i-y_i)^2 } \]

Daha aşağı fitness modelin validation SOH dəyərlərinə daha yaxın qiymətləndirmə verdiyi hiperparametr kombinasiyasını təmsil edir.

ISSA klassik SSA-dan necə fərqlənir?

Klassik Sparrow Search Algorithm-də populyasiya producers, scroungers və warners qruplarına bölünür. Mənbə xüsusilə fərqli böyüklük mərtəbələrinə malik hiperparametrlərin təsadüfi başlanğıcının search space-i qeyri-bərabər əhatə edə biləcəyini qeyd etmişdir.

ISSA əvvəlcə hər hiperparametrin böyüklük mərtəbəsi aralığını:

\[ N_{\mathrm{diff}} = \log_{10}(U_j)-\log_{10}(L_j) \]

ilə qiymətləndirir. Daha sonra nümunələri müxtəlif order-of-magnitude aralıqlarına daha balanslı paylayır və Tent chaotic mapping istifadə edərək ilkin populyasiyanın məkan daxilində yayılmasını daha homogen edir.

Son mərhələdə müxtəlif aralıqlardan yaradılan nümunələr birləşdirilir və təsadüfi qarışdırılır:

\[ X_j=\mathrm{Shuffle}(S_j) \]

Figure 8-də klassik SSA başlanğıc nöqtələrinin bəzi bölgələrdə qruplaşdığı, ISSA-nın isə boş sahələri azaldaraq daha balanslı ilkin əhatə yaratdığı göstərilir.

Tədqiqatın Metodu və Nəticələri

Üç feature set

Qiymətləndirmə metrikləri

Modellər RMSE, MAE və coefficient of determination \(R^2\) ilə qiymətləndirilmişdir:

\[ RMSE= \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat y_i)^2} \]

\[ MAE= \frac{1}{n}\sum_{i=1}^{n}|y_i-\hat y_i| \]

\[ R^2= 1- \frac{\sum_{i=1}^{n}(y_i-\hat y_i)^2} {\sum_{i=1}^{n}(y_i-\bar y)^2} \]

RMSE və MAE-nin daha aşağı olması daha kiçik proqnoz xətasını, \(R^2\)-nin 1-ə yaxınlaşması isə proqnozların real SOH dəyişməsini daha yüksək nisbətdə izah etməsini bildirir.

Üç Ultrasonik Xüsusiyyətin Birlikdə İstifadəsi Nə Qazandırdı?

ISSA-CNN-SE-BiLSTM-də Initial amplitude-a Initial TOF və daha sonra Maximum amplitude əlavə edilməsi RMSE-ni 0,0389%-dan 0,0285% və sonda 0,0180%-a endirmiş, \(R^2\)-ni 0,9940-dan 0,9968 və 0,9987-yə yüksəltmişdir; mənbə bunu müxtəlif ultrasonik xüsusiyyətlərin bir-birini tamamlayan yaşlanma məlumatı daşıması ilə əlaqələndirir.

Feature Set C, A ilə müqayisədə RMSE-ni təxminən %53,73 və MAE-ni %54,18; B ilə müqayisədə RMSE-ni %36,84 və MAE-ni %42,19 azaltmışdır.

Table 2: altı model arxitekturasının tam müqayisəsi

Model arxitekturasının ablasiyası nə göstərdi?

Feature Set C altında CNN-SE-BiLSTM yalnız CNN-SE və ya CNN-BiLSTM-dən daha aşağı xəta yaratmışdır. Mənbə bunu local feature extraction, SE channel attention və temporal modeling-in birlikdə istifadə olunmasının üstünlüyü kimi şərh edir.

Lakin müəlliflər mühüm bir məhdudiyyət qoyurlar: ISSA tətbiq edilməmiş strukturların müqayisəsi hər arxitekturanın öz ideal hiperparametrləri altındakı nəzəri maksimum performansını göstərmir. Nəticələr model quruluşu ilə istifadə olunan parametr konfiqurasiyasının birgə təsirini əks etdirir.

ISSA-nın əlavə töhfəsi

MAE azalması eyni üç struktur üçün müvafiq olaraq %49,95, %14,22 və %78,36 kimi bildirilmişdir.

Məhdud təlim verilənlərinin analizi

%20-dən %30-a keçdikdə xəta kəskin azalmış, %40-dan sonra RMSE yaxşılaşması daha məhdud olmuşdur. Mənbə bunu daha geniş nümunə əhatəsinin model öyrənməsini yaxşılaşdırması, buna baxmayaraq %30 təlim nisbətində belə ümumi SOH deqradasiya əyrisinin mənalı dərəcədə izlənə bilməsi kimi şərh edir.

SHAP Analizi Modelin Hansı Ultrasonik Xüsusiyyətlərə Əsaslandığını Göstərdi?

Qlobal SHAP nəticələri model çıxışındakı orta mütləq töhfənin %50,2-sini Initial amplitude-ın, %39,1-ni Initial TOF-un və %10,7-sini Maximum amplitude-ın təşkil etdiyini göstərmişdir; beləliklə model əsasən başlanğıc amplitudaya və yayılma gecikməsinə əsaslanır, Maximum amplitude isə tamamlayıcı məlumat verir.

Correlation və SHAP eyni şeyi ölçür?

Xeyr. Pearson korrelyasiyası bir ultrasonik xüsusiyyətin SOH ilə verilənlər dəsti üzrə xətti əlaqəsini ölçür. SHAP isə öyrədilmiş modelin müəyyən bir xüsusiyyətdən proqnoz zamanı hansı istiqamətdə və hansı böyüklükdə istifadə etdiyini hesablayır. Buna görə correlation feature-selection üçün, SHAP isə modelin qərar mexanizmini şərh etmək üçün istifadə edilmişdir.

Lokal SHAP nümunələri

Sample 40 üçün normallaşdırılmış baseline model output 0,075-dir. Initial amplitude +0,126, Initial TOF +0,090 töhfə verərkən Maximum amplitude −0,052 töhfə vermiş və yekun normallaşdırılmış model output 0,239 olmuşdur.

Sample 80-də Initial amplitude −0,360, Initial TOF −0,231 və Maximum amplitude +0,077 töhfə vermiş; yekun output −0,439 olmuşdur. Bu nəticə eyni feature-ın müxtəlif nümunələrdə töhfə istiqamətinin və böyüklüyünün dəyişə biləcəyini göstərir.

SHAP dependence əlaqələri

Initial amplitude və Initial TOF artdıqca SHAP contribution ümumilikdə artmış; töhfə istiqaməti normallaşdırılmış feature məkanında təxminən −0,012 və 0,049 dəyərlərində mənfidən müsbətə keçmişdir. Maximum amplitude əks istiqamətdə davranmış və təxminən −0,104 ətrafında müsbətdən mənfiyə keçmişdir.

Bu hədlər xam gərginlik və ya zaman dəyərləri deyil. Mənbə həm model girişlərini, həm də SOH çıxışını normallaşdırdığını açıq şəkildə bildirdiyinə görə SHAP dəyərləri və dependence hədləri normallaşdırılmış model məkanına aiddir.

Tədqiqatın dəstəklədiyi nəticələr

• 120 kHz PZT guided-wave siqnallarından çıxarılan ultrasonik xüsusiyyətlər nəzarət olunan yaşlandırma təcrübəsində SOH ilə güclü əlaqə göstərmişdir.
• Initial amplitude, Initial TOF və Maximum amplitude birlikdə istifadə edildikdə bir və ya iki feature istifadəsindən daha aşağı proqnoz xətası əldə edilmişdir.
• CNN + SE + BiLSTM kombinasiyası mənbə təcrübə quruluşunda daha yaxşı ümumi proqnoz performansı təmin etmişdir.
• ISSA hiperparametr optimallaşdırması xüsusilə CNN-SE-BiLSTM üçün xəta səviyyəsini nəzərəçarpacaq dərəcədə azaltmışdır.
• Feature Set C altında RMSE 0,0180%, MAE 0,0148% və R² 0,9987 bildirilmişdir.
• %30 training ratio altında belə mənbə verilənlər dəstində RMSE 0,0461% və R² 0,9949 əldə edilmişdir.
• SHAP modelin ən çox Initial amplitude və Initial TOF-a əsaslandığını göstərmişdir.

Tədqiqatın dəstəkləmədiyi nəticələr

• Modelin müxtəlif istehsalçıların və ya müxtəlif kimyaların bütün litium-ion hüceyrələrində eyni dəqiqliklə işlədiyi göstərilməmişdir.
• Müxtəlif temperaturlarda eyni xəta səviyyəsinin qorunduğu göstərilməmişdir.
• Real elektrik avtomobilində və ya şəbəkə saxlama BMS-ində online sahə doğrulaması aparılmamışdır.
• Tək bir feature-ın batareya yaşlanmasının müəyyən fiziki mexanizmini səbəb-nəticə əsasında ölçdüyü sübut edilməmişdir.
• Yüksək Pearson korrelyasiyası səbəbiyyət demək deyil.
• SHAP contribution bioloji/elektrokimyəvi səbəbiyyət demək deyil; model qərarını izah edir.
• 0,9987 R² müxtəlif hüceyrələr arasında generalization zəmanəti deyil.

Bu Nəticələr Real Batareya İdarəetmə Sistemində Eyni Performansı Sübut Edirmi?

Xeyr. Bildirilən nəticələr 25°C-də nəzarət olunan laboratoriya mühitində yaşlandırılan tək 50 Ah prizmatik hüceyrədən yaradılmış verilənlər üzərində əldə edilmişdir; tədqiqat müxtəlif temperaturlar, iş rejimləri, batareya tipləri və online monitoring tətbiqlərində doğrulamanı gələcək iş kimi saxlayır.

Əsas metodoloji məhdudiyyətlər

Birinci məhdudiyyət hüceyrə müxtəlifliyidir. Mənbə təcrübə quruluşunda tək 50 Ah prizmatik hüceyrə təsvir edilir; müstəqil hüceyrələr arasında cross-cell validation bildirilmir. Eyni hüceyrənin yaşlanma ardıcıllığını öyrənmək, müxtəlif hüceyrələrin istehsal tolerantlıqlarına qarşı generalization ilə eyni şey deyil.

İkinci məhdudiyyət temperaturdur. Əsas təcrübə 25°C termal kamera şəraitində aparılmışdır. Ultrasonik yayılma həm material xüsusiyyətlərinə, həm də temperatura həssas olduğundan, fərqli termal şəraitlər ayrıca doğrulanmalıdır.

Üçüncü məhdudiyyət iş profilidir. Təcrübə nəzarət olunan constant-current dövründən istifadə edir. Real nəqliyyat vasitəsi və ya enerji saxlama sistemi dəyişən cərəyan, dinamik yük, geniş SOC aralığı, temperatur dəyişikliyi, mexaniki vibrasiya və sensor coupling dəyişkənliyi ehtiva edə bilər.

Dördüncü məhdudiyyət modelin təkrar istehsal oluna bilməsidir. Mənbə ISSA-nın optimallaşdırdığı yeddi hiperparametri açıq şəkildə müəyyən etsə də, yekun optimal hiperparametr dəyərlərinin hamısını ayrıca ədədi cədvəldə bildirmir.

Beşinci məhdudiyyət performansın verilənlərdən asılılığıdır. Feature selection, model training və performance evaluation eyni eksperimental batareya yaşlanması verilənlər ekosistemindən törədilmişdir. Buna görə çox aşağı RMSE müstəqil batareya populyasiyasında əldə edilmiş external-validation xətası kimi oxunmamalıdır.

Gələcək iş

Mənbə müəllifləri gələcəkdə müxtəlif temperaturlar, iş şəraitləri və batareya tiplərində doğrulama aparılmasını və metodun online monitoring ssenarilərində mühəndislik tətbiqolunma imkanının qiymətləndirilməsini təklif edirlər.

Buna görə tədqiqatın ən güclü töhfəsi “ultrasəslə bütün batareyalarda hazır SOH məhsulu əldə edildi” nəticəsi deyil; guided-wave ultrasonik xüsusiyyətlərin nəzarət olunan yaşlandırma ardıcıllığında SOH qiymətləndirilməsi üçün güclü, elektrik xarakterli olmayan və şərh edilə bilən məlumat mənbəyi ola bildiyini göstərən eksperimental-modelləşdirmə çərçivəsidir.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Ultrasonic feature-driven interpretable state-of-health estimation for lithium-ion batteries using a hybrid attention-enhanced learning framework

Müəlliflər: Junhao Shu; Limin Geng; Haoyuan Ji; Hao Huang; Xunquan Hu.

Məsul müəllif: Limin Geng.

Qurum: Shaanxi Key Laboratory of New Transportation Energy and Automotive Energy Saving, School of Energy and Electrical Engineering, Chang’an University, Xi’an, Shaanxi, China.

Mənbə növü: Eksperimental batareya yaşlandırması + verilənlərə əsaslanan SOH modelləşdirmə preprinti.

Platforma: SSRN.

Yüklənmiş versiya: 23 səhifə; SSRN Abstract ID 6929579.

SSRN DOI: 10.2139/ssrn.6929579.

Yüklənmiş versiyanın təqdimetmə tarixi: 13 iyun 2026.

Rəyçilik statusu: Həmkar rəyindən keçməmiş preprint.

Versiya qeydi: SSRN eyni tədqiqat üçün 24 iyun 2026 tarixli daha yeni 24 səhifəlik versiyanı da göstərir; bu Verianla məqaləsinin elmi məzmunu yüklənmiş 23 səhifəlik versiyaya əsaslanır.

Lisenziya/hüquq statusu: SSRN qeydi All Rights Reserved; icazə olmadan təkrar istifadənin qadağan olduğu bildirilir.

Təcrübə hüceyrəsi: 50 Ah prizmatik litium-ion; LiNi_0.8Co_0.1Mn_0.1O₂ katod / qrafit anod.

PZT rezonans tezliyi: 120 kHz.

Yaşlandırma temperaturu: 25°C.

Dövr cərəyanı: 40 A.

Dövr gərginlik aralığı: 2,9–4,2 V.

Ümumi yaşlandırma: 220 dövr, 23 ultrasonik ölçmə mərhələsi.

Ön emal: DMeyer wavelet, altı səviyyəli wavelet-packet decomposition və threshold screening.

TOF: Transmitted/received signal cross-correlation maksimumundan çıxarılmışdır.

Namizəd feature-lar: Initial amplitude, Maximum amplitude, Minimum amplitude, Initial TOF.

Yekun feature-lar: Initial amplitude, Initial TOF, Maximum amplitude.

Model: ISSA-CNN-SE-BiLSTM.

CNN rolu: Lokal multidimensional ultrasonic feature əlaqələrini çıxarmaq.

SE rolu: Feature-channel importance-ı adaptiv şəkildə yenidən çəkiləndirmək.

BiLSTM rolu: Yaşlanma boyunca zaman feature dependency-lərini modelləşdirmək.

ISSA rolu: Yeddi əsas network/training hiperparametrini validation RMSE əsasında qlobal optimallaşdırmaq.

ISSA təkmilləşdirməsi: Order-of-magnitude equal partitioning + Tent chaotic mapping əsaslı ilkin populyasiya.

Performans metrikləri: RMSE, MAE, R².

Yekun Feature Set C nəticəsi: RMSE 0,0180%; MAE 0,0148%; R² 0,9987.

ISSA təsiri: CNN-SE-BiLSTM RMSE-si 0,0825%-dən 0,0180%-a düşmüş; azalma %78,18.

%30 training nəticəsi: RMSE 0,0461%; MAE 0,0402%; R² 0,9949.

SHAP: Initial amplitude %50,2; Initial TOF %39,1; Maximum amplitude %10,7 mean absolute contribution.

SHAP verilənlər miqyası: Girişlər və SOH normallaşdırılmışdır; dependence hədləri fiziki xam ölçmə vahidləri deyil.

CRediT: Junhao Shu — Writing-review & editing, Writing-original draft, Validation, Resources, Methodology, Formal analysis, Data curation; Limin Geng — Writing-review & editing, Supervision, Resources, Methodology, Project administration; Haoyuan Ji — Writing-review & editing, Methodology, Data curation; Hao Huang — Writing-review & editing, Methodology, Investigation, Data curation; Xunquan Hu — Writing-review & editing, Investigation.

Maliyyələşdirmə: Key Project of Shaanxi Provincial Natural Science Foundation–Key Project of Laboratory, Grant 2025SYS-SYSZD-117; Key Industrial Chain Technology Cluster Research Program of Xi’an, Grant 25ZDLJQ00001; Fundamental Research Funds for the Central Universities, CHD, Grant 300102384201.

Verilənlərin əlçatanlığı: Yüklənmiş preprintdə ayrıca Data Availability Statement yoxdur.

Maraqlar toqquşması: Yüklənmiş versiyanın son bölməsində ayrıca Declaration of Competing Interest bəyanatı görünmür; onun olmaması fərz edilməmişdir.

Əsas metodoloji məhdudiyyət: Tək hüceyrə, 25°C nəzarət olunan laboratoriya yaşlandırması; müstəqil fərqli hüceyrə, temperatur, batareya tipi və real online BMS doğrulaması aparılmamışdır.