ISSA-CNN-SE-BiLSTM ni mfumo wa ujifunzaji unaoongozwa na data unaounganisha uchimbaji wa sifa za ndani, mekanizimu ya umakini wa njia, uundaji modeli wa muda wa pande mbili na uboreshaji wa kimataifa wa hyperparameter ili kukadiria hali ya afya (state of health, SOH) kutoka kwenye sifa za ultrasoniki za betri. Katika utafiti, seli moja ya lithiamu-ioni ya prismatic yenye 50 Ah ilizeeshwa kwa mizunguko katika 25°C, majibu ya ultrasoniki ya guided-wave yakapimwa kwa sensa za PZT za 120 kHz, na sifa za Initial amplitude, Maximum amplitude, Minimum amplitude pamoja na Initial time of flight (TOF) zikatolewa. Kulingana na uwiano wa Pearson, Initial amplitude, Initial TOF na Maximum amplitude zilichaguliwa kuwa ingizo za mwisho za modeli.

Chini ya Feature Set C inayotumia sifa zote tatu kwa pamoja, modeli iliyopendekezwa ya ISSA-CNN-SE-BiLSTM ilifikia RMSE 0,0180%, MAE 0,0148% na \(R^2=0,9987\). Kwa kuwa RMSE ya CNN-SE-BiLSTM iliyotumiwa bila ISSA katika seti hiyo hiyo ya sifa ilikuwa 0,0825%, uboreshaji wa ISSA ulipunguza RMSE kwa %78,18. Hata modeli ilipotumia tu %30 ya data za mafunzo, ilitoa RMSE 0,0461% na \(R^2=0,9949\).

Uchambuzi wa SHAP ulionyesha kwamba sehemu kubwa zaidi ya uamuzi wa modeli ilielezwa na Initial amplitude (%50,2) na Initial TOF (%39,1), huku Maximum amplitude (%10,7) ikiwa na jukumu la ziada. Hata hivyo, utafiti ulifanywa katika mazingira ya maabara yaliyodhibitiwa kwa seli moja tu ya 50 Ah. Kwa kuwa uthibitishaji huru haukufanywa katika halijoto, wasifu wa matumizi, seli na aina tofauti za betri, viwango vya makosa vilivyoripotiwa kuwa vidogo sana havipaswi kujumlishwa moja kwa moja kuwa utendaji wa BMS katika gari halisi au mfumo wa kuhifadhi nishati.

Tatizo la utafiti

Hali ya afya ya betri za lithiamu-ioni ni mojawapo ya vigezo vikuu vya usimamizi wa betri vinavyotumiwa kufuatilia kiwango cha kuzeeka na upotevu wa uwezo unaoweza kutumika. Betri inapozeeka, mabadiliko ya kielektriki kama kupungua kwa uwezo na kuongezeka kwa ukinzani wa ndani hutokea; lakini kuzeeka pia husababisha mabadiliko katika muundo wa elektrodi, miingiliano, sifa za kimitambo za nyenzo na hali za mgusano ndani ya seli.

Vipimo vya kawaida vya kielektriki kama volteji, mkondo, halijoto na uwezo vinaweza kupimwa kutoka nje na vinafaa kwa BMS; lakini havitambui moja kwa moja mabadiliko ya kimuundo ndani ya seli. Kwa hiyo swali kuu la utafiti wa chanzo ni iwapo taarifa ya uenezaji wa ultrasoniki inayohisi kuzeeka katika muundo wa ndani wa betri inaweza kutoa kipimo cha ziada cha uchunguzi kwa ukadiriaji wa SOH.

Kwa Nini Sifa za Ultrasoniki Zinaweza Kuonyesha SOH ya Betri?

Kwa sababu muda wa uenezaji na amplitudo ya ishara za ultrasoniki za guided-wave huathiriwa na elektrodi, kitenganishi, elektroliti, miingiliano na hali za mgusano wa kimitambo wa betri, zinaweza kubadilika kadiri betri inavyozeeka; katika utafiti huu, kuhama kwa mifumo ya TOF na signal-amplitude kadiri mizunguko ilivyoendelea kulionyesha kwamba sifa za ultrasoniki zinaweza kubeba taarifa za kuzeeka zisizo za kielektriki.

Mbinu ya kipimo cha ultrasoniki

Badala ya pulse-echo au through-thickness transmission kutoka kwenye nyuso zinazokabiliana, utafiti ulitumia mbinu ya ultrasoniki guided-wave inayosambaa kati ya kisambazaji na kipokezi cha PZT vilivyofungwa kwenye uso wa betri. Ishara ya Guided-wave inapopita kwenye ganda la seli na muundo wa ndani wenye tabaka, hubeba kwa pamoja ucheleweshaji wa uenezaji, upungufu wa nishati na mabadiliko ya umbo la wimbi.

Betri iliyotumika katika jaribio

Jukwaa la majaribio ya ultrasoniki

Mfumo wa jaribio uliundwa na betri ya 50 Ah, vibadilishaji viwili vya PZT, Battery Test System, Signal Generator, Power Amplifier, Oscilloscope, Host Computer na Thermal Chamber. Masafa ya rezonansi ya vibadilishaji vya PZT yalikuwa 120 kHz.

Msisimko uliotengenezwa na Signal Generator ulikuzwa na Power Amplifier na kupelekwa kwenye PZT ya kutuma. Kibadilishaji cha piezoelectric kilibadilisha ishara ya umeme kuwa wimbi la kimitambo la ultrasoniki; baada ya wimbi kusambaa kupitia seli, PZT ya kupokea ililibadilisha tena kuwa ishara ya umeme. Oscilloscope ilirekodi umbo la wimbi la msisimko na la jibu, huku Host Computer ikihifadhi data na kufanya uchakataji wa baadaye.

Itifaki ya kuzeesha

Hatua ya kupumzisha ilitumika kupunguza athari zisizohitajika za ongezeko la joto lililokusanyika na athari za upolarishaji kwenye kipimo cha ultrasoniki kilichofuata.

Kuondoa kelele kwa wimbi dogo la DMeyer

Kwa kuwa ishara ghafi za ultrasoniki zilikuwa na kelele za mazingira na mwingiliano wa sumakuumeme, chanzo kilitumia DMeyer wavelet-packet decomposition ya viwango sita pamoja na threshold screening. Iwapo uchakataji huo uliharibu taarifa muhimu katika umbo la wimbi ilikaguliwa kwa uwiano wa Pearson.

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

Hapa \(X_i\) na \(Y_i\) zinawakilisha nukta za sampuli za ishara mbili zinazolinganishwa, na \(\bar X\) pamoja na \(\bar Y\) zinawakilisha wastani. Kadiri thamani ya \(r\) inavyokaribia 1, ndivyo ufanano wa mstari wa maumbo mawili ya mawimbi unavyoongezeka. Chanzo kiliripoti thamani 0,99272 kwa ishara iliyotumwa na 0,99917 kwa ishara iliyopokelewa.

TOF ilihesabiwaje?

Time of flight (TOF) ilitolewa kutoka kwenye ucheleweshaji wa muda ambapo kazi ya cross-correlation ya maumbo ya mawimbi ya ultrasoniki yaliyotumwa na kupokelewa ilikuwa katika kiwango cha juu zaidi.

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

Utekelezaji wa diskreti:

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

Wakati \(R_{XY}\) iko katika maksimumu, \(\tau\) inayolingana au ucheleweshaji wa kidijitali \(k\) hutoa ulinganifu mkubwa zaidi wa muda kati ya maumbo mawili ya mawimbi na hutumiwa kama TOF ya ultrasoniki.

Sifa nne za ultrasoniki zilizoteuliwa kuwa wagombea

Katika Figure 5, huku SOH ikipungua kwa ujumla kadiri idadi ya mizunguko inavyoongezeka, Initial amplitude na Initial TOF zilifuatilia mabadiliko ya SOH kwa uthabiti zaidi, wakati Maximum na Minimum amplitude zilionyesha mabadiliko zaidi ya ndani.

Uchaguzi wa feature kwa uwiano wa Pearson

Sifa zote ziliripotiwa kuwa na uhusiano chanya wa mstari na SOH. Hata hivyo, uwiano wa Pearson pekee hauonyeshi uzito halisi wa uamuzi ndani ya modeli; kwa hiyo utafiti baadaye ulitumia SHAP kuchunguza kando jinsi modeli inavyotumia sifa hizo kwa vitendo.

Kila Sehemu Katika Modeli ya ISSA-CNN-SE-BiLSTM Inafanya Nini?

Katika ISSA-CNN-SE-BiLSTM, CNN huchimba mifumo ya ndani kati ya sifa nyingi za ultrasoniki, moduli ya SE husisitiza njia muhimu za feature kwa uzito mkubwa, BiLSTM huchakata mahusiano ya mbele na nyuma katika mfuatano wa kuzeeka, na ISSA huboresha kimataifa hyperparameter saba muhimu vya mtandao/mafunzo kwa namna inayopunguza validation RMSE.

Uchimbaji wa sifa za ndani kwa CNN

Vekta ya sifa za ultrasoniki katika hatua moja ya muda imefafanuliwa kama:

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

Mgeuzo wa kwanza wa convolutional:

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

na main convolutional branch inayofuata:

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

iko katika umbo hili. Hapa \(*\) inawakilisha operesheni ya convolution, \(BN\) batch normalization na \(\delta\) uamilishaji wa ReLU.

Mekanizimu ya umakini wa njia ya SE

Moduli ya Squeeze-and-Excitation kwanza hukandamiza taarifa ya kimataifa ya kila njia kwa kutumia average pooling:

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

Kisha hutengeneza uzito wa njia kupitia mabadiliko mawili ya fully connected:

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

na hupima upya feature representation kuu kwa msingi wa kila njia:

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

Lengo la mekanizimu hii ni kusisitiza njia za feature za ultrasoniki zenye taarifa zaidi kwa SOH badala ya kuchukulia kila njia kuwa na uzito sawa.

Uundaji modeli wa muda kwa BiLSTM

Feature map iliyokuzwa na SE kwanza husawazishwa kuwa mstari mmoja:

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

BiLSTM huunganisha taarifa ya hidden-state ya mwelekeo wa mbele na wa nyuma:

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

Baada ya Dropout, ukadiriaji wa SOH hutolewa na fully connected output layer:

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

ISSA iliboresha hyperparameter gani?

Chanzo hakiripoti mchanganyiko wa mwisho wa nambari ulio bora wa vigezo hivi saba katika jedwali tofauti.

Kazi ya fitness ya ISSA

Ili kutathmini michanganyiko ya hyperparameter, validation RMSE ilitumika kama fitness:

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

Fitness ya chini inawakilisha mchanganyiko wa hyperparameter ambao modeli hutoa makadirio yaliyo karibu zaidi na thamani za validation SOH.

ISSA inatofautianaje na SSA ya kawaida?

Katika Sparrow Search Algorithm ya kawaida, idadi ya viumbe hugawanywa katika makundi ya producers, scroungers na warners. Chanzo kinaeleza hasa kwamba uanzishaji wa nasibu wa hyperparameter vyenye viwango tofauti vya ukubwa unaweza kufunika search space kwa njia isiyo na uwiano.

ISSA kwanza hutathmini masafa ya kiwango cha ukubwa wa kila kigezo-juu kwa:

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

Kisha husambaza sampuli kwa uwiano zaidi katika masafa tofauti ya order-of-magnitude na kutumia Tent chaotic mapping kufanya usambazaji wa idadi ya kuanzia ndani ya nafasi uwe sawia zaidi.

Katika hatua ya mwisho, sampuli zilizoundwa kutoka masafa tofauti huunganishwa na kuchanganywa kwa nasibu:

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

Figure 8 inaonyesha kwamba nukta za kuanzia za SSA ya kawaida zilikusanyika katika baadhi ya maeneo, huku ISSA ikipunguza maeneo tupu na kutoa ufunikaji wa kuanzia wenye uwiano zaidi.

Mbinu na Matokeo ya Utafiti

Feature set tatu

Vipimo vya tathmini

Modeli zilitathminiwa kwa RMSE, MAE na coefficient of determination \(R^2\):

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

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

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

RMSE na MAE zilizo chini zinaonyesha kosa dogo la ukadiriaji, huku \(R^2\) inapokaribia 1 ikimaanisha makadirio yanaeleza sehemu kubwa zaidi ya mabadiliko halisi ya SOH.

Kutumia Sifa Tatu za Ultrasoniki kwa Pamoja Kulileta Faida Gani?

Katika ISSA-CNN-SE-BiLSTM, kuongeza Initial TOF kwenye Initial amplitude na kisha Maximum amplitude kulipunguza RMSE kutoka 0,0389% hadi 0,0285% na hatimaye 0,0180%, na kuongeza \(R^2\) kutoka 0,9940 hadi 0,9968 na 0,9987; chanzo kinahusisha hili na ukweli kwamba sifa tofauti za ultrasoniki hubeba taarifa za kuzeeka zinazokamilishana.

Feature Set C ilipunguza RMSE kwa takriban %53,73 na MAE kwa %54,18 ikilinganishwa na A; na ikilinganishwa na B, ilipunguza RMSE kwa %36,84 na MAE kwa %42,19.

Table 2: ulinganisho kamili wa miundo sita ya modeli

Ablation ya muundo wa modeli ilionyesha nini?

Chini ya Feature Set C, CNN-SE-BiLSTM ilitoa kosa la chini kuliko CNN-SE au CNN-BiLSTM pekee. Chanzo kinafasiri hili kama faida ya kutumia pamoja local feature extraction, SE channel attention na temporal modeling.

Hata hivyo, waandishi wanaweka kikomo muhimu: kulinganisha miundo ambayo ISSA haikutumika hakuonyeshi kiwango cha juu cha kinadharia cha kila muundo chini ya hyperparameter vyake bora. Matokeo yanaonyesha athari ya pamoja ya muundo wa modeli na usanidi wa vigezo vilivyotumiwa.

Mchango wa ziada wa ISSA

Upungufu wa MAE uliripotiwa kuwa %49,95, %14,22 na %78,36 kwa miundo hiyo mitatu mtawalia.

Uchambuzi wa data chache za mafunzo

Wakati uwiano uliongezeka kutoka %20 hadi %30, kosa lilipungua kwa kasi; baada ya %40, uboreshaji wa RMSE ukawa mdogo zaidi. Chanzo kinafasiri hili kuwa upana mkubwa wa sampuli huboresha ujifunzaji wa modeli, huku hata kwa uwiano wa mafunzo wa %30 mkondo wa jumla wa uharibifu wa SOH ukiweza kufuatiliwa kwa kiwango chenye maana.

Uchambuzi wa SHAP Ulionyesha Modeli Inategemea Sifa Gani za Ultrasoniki?

Matokeo ya kimataifa ya SHAP yalionyesha kwamba %50,2 ya mchango wa wastani wa thamani kamili katika pato la modeli ilitokana na Initial amplitude, %39,1 na Initial TOF na %10,7 na Maximum amplitude; hivyo modeli inategemea hasa amplitudo ya mwanzo na ucheleweshaji wa uenezaji, huku Maximum amplitude ikitoa taarifa ya ziada.

Je, Correlation na SHAP hupima kitu kilekile?

Hapana. Uwiano wa Pearson hupima uhusiano wa mstari kati ya sifa ya ultrasoniki na SOH katika seti nzima ya data. SHAP huhesabu jinsi modeli iliyofunzwa inavyotumia sifa fulani wakati wa ukadiriaji, kwa mwelekeo gani na kwa ukubwa gani. Kwa hiyo correlation ilitumiwa kwa feature-selection, huku SHAP ikitumika kufasiri mekanizimu ya uamuzi wa modeli.

Mifano ya SHAP ya eneo maalum

Kwa Sample 40, baseline model output iliyosawazishwa ni 0,075. Initial amplitude ilichangia +0,126, Initial TOF +0,090, huku Maximum amplitude ikichangia −0,052, na model output ya mwisho iliyosawazishwa ikawa 0,239.

Katika Sample 80, Initial amplitude ilichangia −0,360, Initial TOF −0,231 na Maximum amplitude +0,077; output ya mwisho ilikuwa −0,439. Matokeo haya yanaonyesha kwamba feature ileile inaweza kubadilisha mwelekeo na ukubwa wa mchango wake katika sampuli tofauti.

Mahusiano ya SHAP dependence

Kadiri Initial amplitude na Initial TOF zilivyoongezeka, SHAP contribution kwa ujumla iliongezeka; mwelekeo wa mchango ulibadilika kutoka hasi hadi chanya katika nafasi ya feature iliyosawazishwa karibu na thamani −0,012 na 0,049. Maximum amplitude ilitenda kinyume na kubadilika kutoka chanya hadi hasi karibu na −0,104.

Vizingiti hivi si thamani ghafi za volteji au muda. Kwa kuwa chanzo kinaeleza wazi kwamba ingizo za modeli na pato la SOH zilisawazishwa, thamani za SHAP na vizingiti vya dependence ni za nafasi ya modeli iliyosawazishwa.

Hitimisho zinazoungwa mkono na utafiti

• Sifa za ultrasoniki zilizotolewa kutoka ishara za 120 kHz PZT guided-wave zilionyesha uhusiano mkubwa na SOH katika jaribio la kuzeesha lililodhibitiwa.
• Initial amplitude, Initial TOF na Maximum amplitude zilitumika pamoja na kutoa kosa dogo la ukadiriaji kuliko kutumia feature moja au mbili.
• Mchanganyiko wa CNN + SE + BiLSTM ulitoa utendaji bora wa jumla wa ukadiriaji katika mpangilio wa jaribio wa chanzo.
• Uboreshaji wa hyperparameter kwa ISSA ulipunguza kiwango cha kosa kwa kiasi kikubwa hasa kwa CNN-SE-BiLSTM.
• Chini ya Feature Set C, RMSE 0,0180%, MAE 0,0148% na R² 0,9987 ziliripotiwa.
• Hata chini ya %30 training ratio, RMSE 0,0461% na R² 0,9949 zilipatikana katika seti ya data ya chanzo.
• SHAP ilionyesha kwamba modeli ilitegemea zaidi Initial amplitude na Initial TOF.

Hitimisho ambazo utafiti hauungi mkono

• Haijaonyeshwa kwamba modeli hufanya kazi kwa usahihi uleule katika seli zote za lithiamu-ioni kutoka kwa watengenezaji au kemia tofauti.
• Haijaonyeshwa kwamba kiwango kilekile cha kosa hudumishwa katika halijoto tofauti.
• Hakujafanywa uthibitishaji wa uwanjani online katika BMS ya gari halisi la umeme au mfumo wa kuhifadhi nishati wa gridi.
• Haijathibitishwa kwamba feature moja hupima kwa namna ya kisababishi utaratibu maalum wa kimwili wa kuzeeka kwa betri.
• Uwiano mkubwa wa Pearson haumaanishi usababishi.
• SHAP contribution haimaanishi usababishi wa kibayolojia/kielektrokemia; inaeleza uamuzi wa modeli.
• 0,9987 R² si hakikisho la generalization kati ya seli tofauti.

Je, Matokeo Haya Yanathibitisha Utendaji Uleule Katika Mfumo Halisi wa Usimamizi wa Betri?

Hapana. Matokeo yaliyoripotiwa yalipatikana kwenye data iliyoundwa kutoka seli moja ya prismatic ya 50 Ah iliyozeeshwa katika mazingira ya maabara yaliyodhibitiwa katika 25°C; utafiti unaacha uthibitishaji katika halijoto, hali za uendeshaji, aina za betri na matumizi ya online monitoring kuwa kazi ya baadaye.

Vikwazo vikuu vya mbinu

Kikomo cha kwanza ni utofauti wa seli. Chanzo kinaeleza seli moja ya prismatic ya 50 Ah katika mpangilio wa jaribio; cross-cell validation kati ya seli huru haijaripotiwa. Kujifunza mfuatano wa kuzeeka wa seli hiyo hiyo si sawa na generalization dhidi ya tofauti za utengenezaji wa seli tofauti.

Kikomo cha pili ni halijoto. Jaribio kuu lilifanywa katika Thermal Chamber ya 25°C. Kwa kuwa uenezaji wa ultrasoniki ni nyeti kwa sifa za nyenzo na pia halijoto, hali tofauti za joto zinahitaji kuthibitishwa kando.

Kikomo cha tatu ni wasifu wa uendeshaji. Jaribio hutumia mzunguko wa constant-current uliodhibitiwa. Gari halisi au mfumo wa kuhifadhi nishati unaweza kuwa na mkondo unaobadilika, mzigo wenye mabadiliko, masafa mapana ya SOC, mabadiliko ya halijoto, mtetemo wa kimitambo na utofauti wa sensor coupling.

Kikomo cha nne ni uwezo wa kuzalisha upya modeli. Ingawa chanzo kinafafanua wazi hyperparameter saba vilivyoboreshwa na ISSA, hakiripoti thamani zote za mwisho zilizo bora za hyperparameter katika jedwali tofauti la nambari.

Kikomo cha tano ni utegemezi wa utendaji kwa data. Feature selection, model training na performance evaluation zilitokana na mfumo huo huo wa data za majaribio ya kuzeeka kwa betri. Kwa hiyo RMSE ndogo sana haipaswi kusomwa kama kosa la external-validation lililopatikana katika idadi huru ya betri.

Kazi ya baadaye

Waandishi wa chanzo wanapendekeza uthibitishaji wa baadaye katika halijoto, hali za uendeshaji na aina tofauti za betri, pamoja na kutathmini uwezekano wa kihandisi wa kutumia mbinu katika hali za online monitoring.

Kwa hiyo mchango mkubwa zaidi wa utafiti si hitimisho kwamba “bidhaa ya SOH iliyo tayari kwa betri zote imepatikana kwa ultrasoniki”; bali ni mfumo wa majaribio na uundaji modeli unaoonyesha kwamba sifa za ultrasoniki za guided-wave zinaweza kuwa chanzo chenye nguvu, kisicho cha kielektriki na kinachoweza kufasiriwa cha taarifa kwa ukadiriaji wa SOH katika mfuatano wa kuzeeka uliodhibitiwa.

Maelezo ya Chanzo na Mbinu

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

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

Mwandishi wa mawasiliano: Limin Geng.

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

Aina ya chanzo: Kuzeesha betri kwa majaribio + preprint ya uundaji modeli wa SOH unaoongozwa na data.

Jukwaa: SSRN.

Toleo lililopakiwa: kurasa 23; SSRN Abstract ID 6929579.

SSRN DOI: 10.2139/ssrn.6929579.

Tarehe ya kuwasilishwa kwa toleo lililopakiwa: 13 Juni 2026.

Hali ya mapitio ya wenzao: Preprint ambayo haijapitia mapitio ya wenzao.

Dokezo la toleo: SSRN pia inaonyesha toleo jipya zaidi la kurasa 24 la utafiti huo huo la tarehe 24 Juni 2026; maudhui ya kisayansi ya makala hii ya Verianla yanategemea toleo lililopakiwa la kurasa 23.

Hali ya leseni/haki: Rekodi ya SSRN ni All Rights Reserved; matumizi tena bila permission yameelezwa kuwa marufuku.

Seli ya jaribio: 50 Ah lithiamu-ioni ya prismatic; LiNi_0.8Co_0.1Mn_0.1O₂ katodi / grafiti anodi.

Masafa ya rezonansi ya PZT: 120 kHz.

Halijoto ya kuzeesha: 25°C.

Mkondo wa mzunguko: 40 A.

Masafa ya volteji ya mzunguko: 2,9–4,2 V.

Jumla ya kuzeesha: mizunguko 220, hatua 23 za vipimo vya ultrasoniki.

Uchakataji wa awali: DMeyer wavelet, wavelet-packet decomposition ya viwango sita na threshold screening.

TOF: Imetolewa kutoka maksimumu ya Transmitted/received signal cross-correlation.

Feature zilizoteuliwa: Initial amplitude, Maximum amplitude, Minimum amplitude, Initial TOF.

Feature za mwisho: Initial amplitude, Initial TOF, Maximum amplitude.

Modeli: ISSA-CNN-SE-BiLSTM.

Jukumu la CNN: Kuchimba mahusiano ya ndani ya multidimensional ultrasonic feature.

Jukumu la SE: Kupima upya kwa kujirekebisha Feature-channel importance.

Jukumu la BiLSTM: Kuunda modeli ya feature dependency za muda katika kipindi cha kuzeeka.

Jukumu la ISSA: Kuboresha kimataifa hyperparameter saba vikuu vya network/training kwa kutumia validation RMSE.

Uboreshaji wa ISSA: Idadi ya kuanzia inayotegemea Order-of-magnitude equal partitioning + Tent chaotic mapping.

Vipimo vya utendaji: RMSE, MAE, R².

Matokeo ya mwisho ya Feature Set C: RMSE 0,0180%; MAE 0,0148%; R² 0,9987.

Athari ya ISSA: RMSE ya CNN-SE-BiLSTM ilishuka kutoka 0,0825% hadi 0,0180%; upungufu %78,18.

Matokeo ya %30 training: 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.

Kiwango cha data za SHAP: Ingizo na SOH zilisawazishwa; vizingiti vya dependence si vitengo halisi vya vipimo ghafi.

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.

Ufadhili: 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.

Upatikanaji wa data: Preprint iliyopakiwa haina Data Availability Statement tofauti.

Mgongano wa maslahi: Katika sehemu ya mwisho ya toleo lililopakiwa, Declaration of Competing Interest tofauti haionekani; kutokuwepo kwake hakukudhaniwa.

Kikomo kikuu cha mbinu: Seli moja, kuzeesha katika maabara iliyodhibitiwa kwa 25°C; hakuna uthibitishaji huru katika seli tofauti, halijoto, aina za betri au BMS halisi ya online.