ISSA-CNN-SE-BiLSTM — ультраүн батарея өзгөчөлүктөрүнөн ден соолук абалын (state of health, SOH) баалоо үчүн жергиликтүү өзгөчөлүктөрдү бөлүп алуу, каналдык көңүл буруу механизми, эки багыттуу убакыттык моделдөө жана глобалдык гиперпараметр оптималдаштырууну бириктирген маалыматка негизделген үйрөнүү алкагы. Изилдөөдө 50 Ah призмалык литий-ион уячасы 25°C температурада циклдик түрдө эскиртилген, 120 kHz PZT сенсорлору менен ультраүн guided-wave жооптору өлчөнүп, Initial amplitude, Maximum amplitude, Minimum amplitude жана Initial time of flight (TOF) өзгөчөлүктөрү алынган. Pearson корреляциясына ылайык Initial amplitude, Initial TOF жана Maximum amplitude акыркы моделдин киргизүүлөрү катары тандалган.

Үч өзгөчөлүктү бирге колдонгон Feature Set C шартында сунушталган ISSA-CNN-SE-BiLSTM модели RMSE 0,0180%, MAE 0,0148% жана \(R^2=0,9987\) маанилерине жеткен. Ошол эле өзгөчөлүктөр топтомунда ISSA колдонулбаган CNN-SE-BiLSTM моделинин RMSE мааниси 0,0825% болгондуктан, ISSA оптималдаштыруусу RMSE ни %78,18 азайткан. Модель болгону %30 окутуу маалыматы колдонулганда да RMSE 0,0461% жана \(R^2=0,9949\) натыйжасын берген.

SHAP талдоосу модель чечиминин эң чоң бөлүгү Initial amplitude (%50,2) жана Initial TOF (%39,1) аркылуу түшүндүрүлөрүн, ал эми Maximum amplitude (%10,7) толуктоочу роль аткарарын көрсөткөн. Ошол эле учурда изилдөө көзөмөлдөнгөн лабораториялык шартта бир гана 50 Ah уячада жүргүзүлгөн. Ар кандай температуралар, колдонуу профилдери, уячалар жана батарея түрлөрү боюнча көз карандысыз текшерүү жүргүзүлбөгөндүктөн, билдирилген өтө төмөн ката көрсөткүчтөрүн түздөн-түз чыныгы унаа же энергия сактоо BMS көрсөткүчтөрү катары жалпылоого болбойт.

Изилдөө көйгөйү

Литий-ион батареялардын ден соолук абалы эскирүү даражасын жана пайдаланууга жеткиликтүү сыйымдуулуктагы жоготууну көзөмөлдөө үчүн колдонулган негизги батарея башкаруу өзгөрмөлөрүнүн бири. Батарея эскирген сайын сыйымдуулуктун азайышы жана ички каршылыктын өсүшү сыяктуу электрдик өзгөрүүлөр болот; бирок эскирүү ошондой эле электрод түзүлүшүндө, интерфейстерде, материалдын механикалык касиеттеринде жана уячанын ичиндеги контакт шарттарында өзгөрүүлөрдү жаратат.

Чыңалуу, ток, температура жана сыйымдуулук сыяктуу салттуу электрдик чоңдуктарды сырттан өлчөөгө болот жана алар BMS үчүн ылайыктуу; бирок уячанын ичиндеги структуралык өзгөрүүлөрдү түздөн-түз сезбейт. Ошондуктан булак изилдөөнүн негизги суроосу батареянын ички түзүлүшүндөгү эскирүүгө сезгич ультраүн таралуу маалыматы SOH баалоосуна кошумча байкоо өлчөмүн бере алабы деген суроо болуп саналат.

Ультраүн Өзгөчөлүктөрү Батареянын SOH Абалын Эмне Үчүн Көрсөтө Алат?

Ультраүн guided-wave сигналдарынын таралуу убактысы жана амплитудасы батареянын электрод, сепаратор, электролит, интерфейс жана механикалык контакт шарттарынан таасир алгандыктан, эскирүү менен өзгөрүшү мүмкүн; бул изилдөөдө циклдер илгерилеген сайын TOF жана signal-amplitude үлгүлөрүнүн жылышы ультраүн өзгөчөлүктөрү электрдик эмес эскирүү маалыматын ташый аларын көрсөткөн.

Ультраүн өлчөө ыкмасы

Изилдөө pulse-echo же карама-каршы беттер аркылуу through-thickness transmission ыкмасынын ордуна батарея бетине бекитилген PZT жибергичи менен кабылдагычынын ортосунда тараган ультраүн guided-wave ыкмасын колдонгон. Guided-wave сигналы уячанын корпусу жана ички катмарлуу түзүлүш аркылуу тараганда, таралуу кечигүүсүн, энергиянын басаңдоосун жана толкун формасынын өзгөрүштөрүн бирге алып жүрөт.

Экспериментте колдонулган батарея

Ультраүн тест платформасы

Эксперименттик система 50 Ah батареядан, эки PZT өзгөрткүчтөн, Battery Test System, Signal Generator, Power Amplifier, Oscilloscope, Host Computer жана Thermal Chamber компоненттеринен турган. PZT өзгөрткүчтөрүнүн резонанстык жыштыгы 120 kHz.

Signal Generator түзгөн козгоо сигналы Power Amplifier аркылуу күчөтүлүп, жибергич PZT ге берилген. Пьезоэлектрдик өзгөрткүч электр сигналын механикалык ультраүн толкунуна айландырган; толкун уяча аркылуу тарагандан кийин кабылдагыч PZT аны кайра электр сигналына айландырган. Oscilloscope козгоо жана жооп толкун формаларын тең каттаган, Host Computer маалыматтарды сактоону жана кийинки иштетүүнү аткарган.

Эскиртүү протоколу

Эс алдыруу этабы топтолгон температура өсүшүнүн жана поляризация таасирлеринин кийинки ультраүн өлчөөгө керексиз таасирин азайтуу үчүн колдонулган.

DMeyer толкунчасы менен ызы-чууну азайтуу

Чийки ультраүн сигналдары айлана-чөйрөнүн ызы-чуусун жана электромагниттик тоскоолдуктарды камтыгандыктан, булак алты деңгээлдүү DMeyer wavelet-packet decomposition жана threshold screening колдонгон. Иштетүү толкун формасындагы пайдалуу маалыматты бузабы же жокпу Pearson корреляциясы менен текшерилген.

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

Бул жерде \(X_i\) жана \(Y_i\) салыштырылган эки сигналдын үлгү чекиттерин, ал эми \(\bar X\) жана \(\bar Y\) орточо маанилерин билдирет. \(r\) мааниси 1 ге жакындаган сайын эки толкун формасынын сызыктуу окшоштугу жогорулайт. Булак жиберилген сигнал үчүн 0,99272, кабыл алынган сигнал үчүн 0,99917 маанилерин билдирген.

TOF кантип эсептелген?

Time of flight (TOF) жиберилген жана кабыл алынган ультраүн толкун формаларынын cross-correlation функциясы максимум болгон убакыт кечигүүсүнөн алынган.

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

Дискреттик колдонуу:

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

\(R_{XY}\) максимум болгондо ага туура келген \(\tau\) же дискреттик кечигүү \(k\) эки толкун формасынын ортосундагы эң күчтүү убакыт дал келүүсүн берет жана ультраүн TOF катары колдонулат.

Төрт талапкер ультраүн өзгөчөлүк

Figure 5 те цикл саны көбөйгөн сайын SOH жалпы төмөндөп турганда Initial amplitude жана Initial TOF SOH өзгөрүшүн ырааттуураак ээрчигени, Maximum жана Minimum amplitude болсо көбүрөөк жергиликтүү термелүүлөрдү көрсөткөнү көрүнөт.

Pearson корреляциясы менен feature тандоо

Бардык өзгөчөлүктөрдүн SOH менен оң сызыктуу байланышы билдирилген. Бирок Pearson корреляциясы жалгыз өзү моделдин ичиндеги чыныгы чечим салмагын көрсөтпөйт; ошондуктан изилдөө кийин SHAP аркылуу модель өзгөчөлүктөрдү иш жүзүндө кандай колдоноорун өзүнчө караган.

ISSA-CNN-SE-BiLSTM Моделинде Ар Бир Компонент Эмне Кылат?

ISSA-CNN-SE-BiLSTM моделинде CNN көптөгөн ультраүн өзгөчөлүктөрүнүн арасындагы жергиликтүү үлгүлөрдү бөлүп алат, SE модулу маанилүү feature каналдарын жогору салмак менен баса белгилейт, BiLSTM эскирүү тизмегиндеги алдыга жана артка багытталган байланыштарды иштетет, ал эми ISSA жети маанилүү тармак/окутуу гиперпараметрин validation RMSE ни азайта тургандай глобалдык оптималдаштырат.

CNN жергиликтүү өзгөчөлүктөрдү бөлүп алуу

Бир убакыт кадамындагы ультраүн өзгөчөлүк вектору:

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

деп аныкталган. Биринчи convolutional өзгөртүү:

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

жана андан кийинки негизги convolutional branch:

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

түрүндө. Бул жерде \(*\) convolution операциясын, \(BN\) batch normalization ды жана \(\delta\) ReLU активдешүүсүн билдирет.

SE каналдык көңүл буруу механизми

Squeeze-and-Excitation модулу алгач ар бир каналдын глобалдык маалыматын орточо pooling менен кысат:

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

Андан кийин эки fully connected өзгөртүү аркылуу канал салмагын түзөт:

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

жана негизги feature representation ды каналдар боюнча кайра масштабдайт:

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

Бул механизмдин максаты ар бир ультраүн feature каналын тең деп кабыл албастан, SOH үчүн маалыматтуураак каналдарды баса белгилөө болуп саналат.

BiLSTM убакыттык моделдөө

SE тарабынан күчөтүлгөн feature map алгач тегизделет:

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

BiLSTM алдыга жана артка багытталган hidden-state маалыматын бириктирет:

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

Dropout тан кийин SOH баасы fully connected output layer аркылуу алынат:

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

ISSA кайсы гиперпараметрлерди оптималдаштырды?

Булак бул жети өзгөрмөнүн акыркы оптималдуу сандык айкалышын өзүнчө таблицада бербейт.

ISSA нын fitness функциясы

Гиперпараметр айкалыштарын баалоо үчүн validation RMSE fitness катары колдонулган:

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

Төмөн fitness моделдин validation SOH маанилерине жакыныраак баа берген гиперпараметр айкалышын билдирет.

ISSA классикалык SSA дан эмнеси менен айырмаланат?

Классикалык Sparrow Search Algorithm ичинде популяция producers, scroungers жана warners топторуна бөлүнөт. Булак ар кандай чоңдук тартибиндеги гиперпараметрлерди туш келди баштапкы абалга келтирүү search space ти тең эмес камтышы мүмкүн экенин өзгөчө белгилеген.

ISSA адегенде ар бир гиперпараметрдин чоңдук тартиби диапазонун:

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

аркылуу баалайт. Андан кийин үлгүлөрдү ар кандай order-of-magnitude диапазондоруна тең салмактуураак бөлүштүрүп, Tent chaotic mapping колдонуу менен баштапкы популяциянын мейкиндиктеги таралышын бир тектүүрөөк кылат.

Акыркы этапта ар түрдүү диапазондордон түзүлгөн үлгүлөр бириктирилип, туш келди аралаштырылат:

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

Figure 8 де классикалык SSA баштапкы чекиттери айрым аймактарда топтолгону, ISSA болсо бош аймактарды азайтып, баштапкы камтууну тең салмактуураак кылганы көрсөтүлгөн.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Үч feature set

Баалоо метрикалары

Моделдер RMSE, MAE жана coefficient of determination \(R^2\) менен бааланган:

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

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

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

RMSE жана MAE канчалык төмөн болсо, баалоо катасы ошончолук аз; ал эми \(R^2\) 1 ге жакындаган сайын баалар чыныгы SOH өзгөрүшүн көбүрөөк түшүндүрөт.

Үч Ультраүн Өзгөчөлүгүн Бирге Колдонуу Эмне Берди?

ISSA-CNN-SE-BiLSTM моделинде Initial amplitude га Initial TOF, андан кийин Maximum amplitude кошуу RMSE ни 0,0389% дан 0,0285% га жана акырында 0,0180% га чейин түшүрүп, \(R^2\) ни 0,9940 тан 0,9968 жана 0,9987 ге чейин көтөргөн; булак муну ар кандай ультраүн өзгөчөлүктөрү бири-бирин толуктаган эскирүү маалыматын ташышы менен байланыштырат.

Feature Set C, A га салыштырганда RMSE ни болжол менен %53,73 жана MAE ни %54,18; B ге салыштырганда RMSE ни %36,84 жана MAE ни %42,19 азайткан.

Table 2: алты модель архитектурасынын толук салыштырылышы

Модель архитектурасынын абляциясы эмнени көрсөттү?

Feature Set C шартында CNN-SE-BiLSTM жалгыз CNN-SE же CNN-BiLSTM моделдерине караганда төмөн ката берген. Булак муну local feature extraction, SE channel attention жана temporal modeling компоненттерин бирге колдонуунун артыкчылыгы катары түшүндүрөт.

Бирок авторлор маанилүү чектөөнү белгилешет: ISSA колдонулбаган түзүлүштөрдү салыштыруу ар бир архитектуранын өзүнүн идеалдуу гиперпараметрлериндеги теориялык эң жогорку көрсөткүчтү көрсөтпөйт. Натыйжалар модель түзүлүшү менен колдонулган параметр конфигурациясынын биргелешкен таасирин чагылдырат.

ISSA нын кошумча салымы

MAE азайышы ушул үч түзүлүш үчүн тиешелүүлүгүнө жараша %49,95, %14,22 жана %78,36 деп билдирилген.

Чектелген окутуу маалыматынын талдоосу

%20 дан %30 га өткөндө ката кескин азайып, %40 тан кийин RMSE жакшыртуусу чектелүүрөөк болгон. Булак муну кеңири үлгү камтуусу модель үйрөнүүсүн жакшыртканы, ошого карабастан %30 окутуу үлүшүндө да жалпы SOH деградация ийри сызыгын маңыздуу деңгээлде ээрчүүгө мүмкүн болгону менен түшүндүрөт.

SHAP Талдоосу Модель Кайсы Ультраүн Өзгөчөлүктөрүнө Таянарын Көрсөттүбү?

Глобалдык SHAP натыйжалары модель чыгышындагы орточо абсолюттук салымдын %50,2 бөлүгүн Initial amplitude, %39,1 бөлүгүн Initial TOF жана %10,7 бөлүгүн Maximum amplitude түзөрүн көрсөткөн; демек, модель негизинен баштапкы амплитудага жана таралуу кечигүүсүнө таянат, Maximum amplitude болсо толуктоочу маалымат берет.

Correlation менен SHAP бир эле нерсени өлчөйбү?

Жок. Pearson корреляциясы ультраүн өзгөчөлүктүн SOH менен маалымат топтому боюнча сызыктуу байланышын өлчөйт. SHAP болсо үйрөтүлгөн модель белгилүү бир өзгөчөлүктү баалоо учурунда кайсы багытта жана кандай өлчөмдө колдонорун эсептейт. Ошондуктан correlation feature-selection үчүн, SHAP болсо моделдин чечим механизмин түшүндүрүү үчүн колдонулган.

Жергиликтүү SHAP мисалдары

Sample 40 үчүн нормалдаштырылган baseline model output 0,075. Initial amplitude +0,126, Initial TOF +0,090 салым кошсо, Maximum amplitude −0,052 салым берип, акыркы нормалдаштырылган model output 0,239 болгон.

Sample 80 де Initial amplitude −0,360, Initial TOF −0,231 жана Maximum amplitude +0,077 салым берген; акыркы output −0,439 болгон. Бул натыйжа бир эле feature ар башка үлгүлөрдө салым багытын жана чоңдугун өзгөртө аларын көрсөтөт.

SHAP dependence байланыштары

Initial amplitude жана Initial TOF өскөн сайын SHAP contribution жалпысынан көбөйгөн; салым багыты нормалдаштырылган feature мейкиндигинде болжол менен −0,012 жана 0,049 маанилеринде терстен оңго өткөн. Maximum amplitude тескери багытта болуп, болжол менен −0,104 чамасында оңдон терске өткөн.

Бул чектер чийки чыңалуу же убакыт маанилери эмес. Булак моделдин киргизүүлөрүн да, SOH чыгышын да нормалдаштырганын ачык билдиргендиктен, SHAP маанилери жана dependence чектери нормалдаштырылган модель мейкиндигине тиешелүү.

Изилдөө колдогон жыйынтыктар

• 120 kHz PZT guided-wave сигналдарынан алынган ультраүн өзгөчөлүктөр көзөмөлдөнгөн эскиртүү экспериментинде SOH менен күчтүү байланыш көрсөткөн.
• Initial amplitude, Initial TOF жана Maximum amplitude бирге колдонулганда бир же эки feature колдонууга караганда төмөн баалоо катасы алынган.
• CNN + SE + BiLSTM айкалышы булак эксперименттик түзүлүшүндө жалпы баалоо көрсөткүчүн жакшырткан.
• ISSA гиперпараметр оптималдаштыруусу айрыкча CNN-SE-BiLSTM үчүн ката деңгээлин олуттуу азайткан.
• Feature Set C шартында RMSE 0,0180%, MAE 0,0148% жана R² 0,9987 билдирилген.
• %30 training ratio шартында да булак маалымат топтомунда RMSE 0,0461% жана R² 0,9949 алынган.
• SHAP модель эң көп Initial amplitude жана Initial TOF ка таянарын көрсөткөн.

Изилдөө колдобогон жыйынтыктар

• Модель ар башка өндүрүүчүлөрдүн же ар башка химиялык курамдагы бардык литий-ион уячаларында бирдей тактыкта иштей турганы көрсөтүлгөн эмес.
• Ар кандай температураларда ошол эле ката деңгээли сакталаары көрсөтүлгөн эмес.
• Чыныгы электр унаасында же тармактык энергия сактоо BMS системасында online талаа текшерүүсү жүргүзүлгөн эмес.
• Бир feature батарея эскирүүсүнүн белгилүү бир физикалык механизмин себептик түрдө өлчөй турганы далилденген эмес.
• Жогорку Pearson корреляциясы себептүүлүктү билдирбейт.
• SHAP contribution биологиялык/электрохимиялык себептүүлүктү билдирбейт; ал модель чечимин түшүндүрөт.
• 0,9987 R² ар башка уячалар арасында generalization кепилдиги эмес.

Бул Натыйжалар Чыныгы Батарея Башкаруу Системасында Ошол Эле Көрсөткүчтү Далилдейби?

Жок. Билдирилген натыйжалар 25°C температурада көзөмөлдөнгөн лабораториялык чөйрөдө эскиртилген бир 50 Ah призмалык уячадан түзүлгөн маалыматтарда алынган; изилдөө ар кандай температуралар, иштөө шарттары, батарея түрлөрү жана online monitoring колдонмолорундагы текшерүүнү келечектеги иш катары калтырат.

Негизги методикалык чектөөлөр

Биринчи чектөө — уяча ар түрдүүлүгү. Булак эксперименттик түзүлүшүндө бир 50 Ah призмалык уячаны сүрөттөйт; көз карандысыз уячалар арасында cross-cell validation билдирилген эмес. Ошол эле уячанын эскирүү тизмегин үйрөнүү ар башка уячалардын өндүрүштүк толеранттуулуктарына карата generalization менен бирдей эмес.

Экинчи чектөө — температура. Негизги эксперимент 25°C термокамера шартында жүргүзүлгөн. Ультраүн таралышы материал касиеттерине да, температурага да сезгич болгондуктан, ар башка жылуулук шарттары өзүнчө текшерилиши керек.

Үчүнчү чектөө — иштөө профили. Эксперимент көзөмөлдөнгөн constant-current циклин колдонот. Чыныгы унаа же энергия сактоо системасы өзгөрмө токту, динамикалык жүктү, кең SOC диапазонун, температура өзгөрүшүн, механикалык титирөөнү жана sensor coupling өзгөрмөлүүлүгүн камтышы мүмкүн.

Төртүнчү чектөө — моделдин кайра өндүрүлүүчүлүгү. Булак ISSA оптималдаштырган жети гиперпараметрди так аныктаганы менен, акыркы оптималдуу гиперпараметр маанилеринин баарын өзүнчө сандык таблицада бербейт.

Бешинчи чектөө — көрсөткүчтүн маалыматка көз карандылыгы. Feature selection, model training жана performance evaluation бир эле эксперименттик батарея эскирүү маалымат экосистемасынан алынган. Ошондуктан өтө төмөн RMSE көз карандысыз батарея популяциясында алынган external-validation катасы катары кабыл алынбашы керек.

Келечектеги иш

Булак авторлору келечекте ар кандай температураларда, иштөө шарттарында жана батарея түрлөрүндө текшерүү жүргүзүүнү, ошондой эле ыкманын online monitoring сценарийлериндеги инженердик колдонулушун баалоону сунушташат.

Ошондуктан изилдөөнүн эң күчтүү салымы “ультраүн менен бардык батареялар үчүн даяр SOH продуктусу алынды” деген жыйынтык эмес; guided-wave ультраүн өзгөчөлүктөрү көзөмөлдөнгөн эскирүү тизмегинде SOH баалоосу үчүн күчтүү, электрдик эмес жана түшүндүрүлүүчү маалымат булагы боло аларын көрсөткөн эксперименттик-моделдөө алкагы.

Булак жана Ыкма Жөнүндө Эскертүү

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

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

Жооптуу автор: Limin Geng.

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

Булак түрү: Эксперименттик батарея эскирүүсү + маалыматка негизделген SOH моделдөө боюнча preprint.

Платформа: SSRN.

Жүктөлгөн версия: 23 бет; SSRN Abstract ID 6929579.

SSRN DOI: 10.2139/ssrn.6929579.

Жүктөлгөн версиянын жөнөтүлгөн датасы: 13 июнь 2026.

Рецензиялоо абалы: Рецензиядан өтпөгөн preprint.

Версия эскертүүсү: SSRN ушул эле изилдөө үчүн 24 июнь 2026 датасындагы жаңыраак 24 беттик версияны да көрсөтөт; бул Verianla макаласынын илимий мазмуну жүктөлгөн 23 беттик версияга негизделет.

Лицензия/укук абалы: SSRN жазуусу All Rights Reserved; уруксатсыз кайра колдонууга тыюу салынганы көрсөтүлгөн.

Эксперименттик уяча: 50 Ah призмалык литий-ион; LiNi_0.8Co_0.1Mn_0.1O₂ катод / графит анод.

PZT резонанстык жыштыгы: 120 kHz.

Эскиртүү температурасы: 25°C.

Цикл тогу: 40 A.

Цикл чыңалуу аралыгы: 2,9–4,2 V.

Жалпы эскиртүү: 220 цикл, 23 ультраүн өлчөө этабы.

Алдын ала иштетүү: DMeyer wavelet, алты деңгээлдүү wavelet-packet decomposition жана threshold screening.

TOF: Transmitted/received signal cross-correlation максимумунан алынган.

Талапкер feature лар: Initial amplitude, Maximum amplitude, Minimum amplitude, Initial TOF.

Акыркы feature лар: Initial amplitude, Initial TOF, Maximum amplitude.

Модель: ISSA-CNN-SE-BiLSTM.

CNN ролу: Жергиликтүү multidimensional ultrasonic feature байланыштарын бөлүп алуу.

SE ролу: Feature-channel importance ты адаптивдүү түрдө кайра салмактоо.

BiLSTM ролу: Эскирүү боюнча убакыттык feature dependency лерди моделдөө.

ISSA ролу: Жети негизги network/training гиперпараметрин validation RMSE аркылуу глобалдык оптималдаштыруу.

ISSA жакшыртуусу: Order-of-magnitude equal partitioning + Tent chaotic mapping негизиндеги баштапкы популяция.

Көрсөткүч метрикалары: RMSE, MAE, R².

Акыркы Feature Set C натыйжасы: RMSE 0,0180%; MAE 0,0148%; R² 0,9987.

ISSA таасири: CNN-SE-BiLSTM RMSE си 0,0825% дан 0,0180% га түшкөн; азайуу %78,18.

%30 training натыйжасы: 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 маалымат масштабы: Киргизүүлөр жана SOH нормалдаштырылган; dependence чектери физикалык чийки өлчөө бирдиктери эмес.

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.

Каржылоо: 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.

Маалымат жеткиликтүүлүгү: Жүктөлгөн preprint те өзүнчө Data Availability Statement жок.

Кызыкчылыктардын кагылышы: Жүктөлгөн версиянын акыркы бөлүмүндө өзүнчө Declaration of Competing Interest билдирүүсү көрүнбөйт; анын жок экени болжолдонгон эмес.

Негизги методикалык чектөө: Бир уяча, 25°C көзөмөлдөнгөн лабораториялык эскиртүү; көз карандысыз ар башка уяча, температура, батарея түрү жана чыныгы online BMS текшерүүсү жүргүзүлгөн эмес.