ISSA-CNN-SE-BiLSTM як чаҳорчӯбаи омӯзиши ба додаҳо асосёфта аст, ки барои баҳодиҳии ҳолати саломатӣ (state of health, SOH) аз хусусиятҳои ултрасадоии батарея истихроҷи хусусиятҳои маҳаллӣ, механизми таваҷҷуҳи каналӣ, моделсозии дуҷонибаи вақтӣ ва оптимизатсияи глобалии гиперпараметрҳоро якҷо мекунад. Дар таҳқиқот як ҳуҷайраи призмавии литий-ионӣ бо иқтидори 50 Ah дар 25°C ба таври даврӣ фарсуда карда шуда, ҷавобҳои ултрасадоии guided-wave бо сенсорҳои PZT-и 120 kHz чен гардидаанд ва хусусиятҳои Initial amplitude, Maximum amplitude, Minimum amplitude ва Initial time of flight (TOF) истихроҷ шудаанд. Мувофиқи коррелятсияи Pearson, Initial amplitude, Initial TOF ва Maximum amplitude ҳамчун вурудҳои ниҳоии модел интихоб шудаанд.

Дар шароити Feature Set C, ки ҳар се хусусиятро якҷо истифода мебарад, модели пешниҳодшудаи ISSA-CNN-SE-BiLSTM ба RMSE 0,0180%, MAE 0,0148% ва \(R^2=0,9987\) расидааст. Азбаски RMSE-и CNN-SE-BiLSTM бе ISSA дар ҳамон маҷмӯи хусусиятҳо 0,0825% буд, оптимизатсияи ISSA RMSE-ро %78,18 коҳиш додааст. Ҳатто ҳангоми истифодаи танҳо %30 додаҳои омӯзишӣ модел RMSE 0,0461% ва \(R^2=0,9949\) ба даст овардааст.

Таҳлили SHAP нишон дод, ки қисми асосии қарори модел аз ҷониби Initial amplitude (%50,2) ва Initial TOF (%39,1) шарҳ дода мешавад, дар ҳоле ки Maximum amplitude (%10,7) нақши иловагиро иҷро мекунад. Бо вуҷуди ин, таҳқиқот дар шароити лаборатории назоратшаванда танҳо бо як ҳуҷайраи 50 Ah гузаронида шудааст. Азбаски дар ҳароратҳо, профилҳои истифода, ҳуҷайраҳо ва намудҳои гуногуни батарея санҷиши мустақил анҷом дода нашудааст, сатҳҳои хеле пасти хатои гузоришшуда набояд бевосита ҳамчун кори воқеии BMS-и воситаи нақлиёт ё низоми захираи энергия умумӣ карда шаванд.

Масъалаи таҳқиқот

Ҳолати саломатии батареяҳои литий-ионӣ яке аз тағйирёбандаҳои асосии идоракунии батарея мебошад, ки барои пайгирии дараҷаи фарсудашавӣ ва талафи иқтидори истифодашаванда истифода мешавад. Бо фарсуда шудани батарея тағйироти барқӣ, аз қабили коҳиши иқтидор ва афзоиши муқовимати дохилӣ ба вуҷуд меоянд; аммо фарсудашавӣ ҳамчунин дар сохтори электрод, интерфейсҳо, хусусиятҳои механикии мавод ва шароити тамоси дохили ҳуҷайра тағйирот ба вуҷуд меорад.

Бузургиҳои анъанавии барқӣ, аз қабили шиддат, ҷараён, ҳарорат ва иқтидорро аз берун чен кардан мумкин аст ва онҳо барои BMS мувофиқанд; аммо тағйироти сохтории дохили ҳуҷайраро бевосита эҳсос намекунанд. Аз ин рӯ, саволи асосии таҳқиқоти манбаъ ин аст, ки оё иттилои паҳншавии ултрасадоӣ, ки ба фарсудашавии сохтори дохилии батарея ҳассос аст, метавонад ба баҳодиҳии SOH як андозаи иловагии мушоҳидавӣ илова кунад.

Чаро Хусусиятҳои Ултрасадоӣ Метавонанд SOH-и Батареяро Нишон Диҳанд?

Азбаски вақти паҳншавӣ ва амплитудаи сигналҳои ултрасадоии guided-wave аз электрод, сепаратор, электролит, интерфейс ва шароити тамоси механикии батарея таъсир мегиранд, онҳо метавонанд бо фарсудашавӣ тағйир ёбанд; дар ин таҳқиқот тағйир ёфтани намунаҳои TOF ва signal-amplitude бо пешрафти даврҳо нишон дод, ки хусусиятҳои ултрасадоӣ метавонанд иттилои ғайрибарқии фарсудашавиро интиқол диҳанд.

Равиши ченкунии ултрасадоӣ

Таҳқиқот ба ҷойи pulse-echo ё through-thickness transmission аз сатҳҳои муқобил, равиши ултрасадоии guided-wave-ро истифода бурдааст, ки байни фиристанда ва қабулкунандаи PZT-и ба сатҳи батарея пайвастшуда паҳн мешавад. Ҳангоми гузаштани сигнали Guided-wave аз корпуси ҳуҷайра ва сохтори қабатии дохилӣ, он ҳамзамон таъхири паҳншавӣ, коҳиши энергия ва тағйироти шакли мавҷро дар бар мегирад.

Батареяи дар таҷриба истифодашуда

Платформаи озмоиши ултрасадоӣ

Низоми таҷрибавӣ аз батареяи 50 Ah, ду табдилдиҳандаи PZT, Battery Test System, Signal Generator, Power Amplifier, Oscilloscope, Host Computer ва Thermal Chamber иборат буд. Басомади резонансии табдилдиҳандаҳои PZT 120 kHz мебошад.

Сигнали барангезишие, ки Signal Generator тавлид кардааст, тавассути Power Amplifier тақвият дода шуда ба PZT-и фиристанда татбиқ шудааст. Табдилдиҳандаи пьезоэлектрикӣ сигнали барқиро ба мавҷи механикии ултрасадоӣ табдил додааст; пас аз паҳн шудани мавҷ дар тӯли ҳуҷайра, PZT-и қабулкунанда онро дубора ба сигнали барқӣ табдил додааст. Oscilloscope ҳам шакли мавҷи барангезишӣ ва ҳам ҷавобро сабт карда, Host Computer нигоҳдорӣ ва коркарди баъдии додаҳоро анҷом додааст.

Протоколи фарсудасозӣ

Марҳилаи истироҳат барои кам кардани таъсири нолозими болоравии ҷамъшудаи ҳарорат ва таъсирҳои поляризатсия ба ченкунии ултрасадоии баъдӣ истифода шудааст.

Коҳиши садо бо мавҷчаи DMeyer

Азбаски сигналҳои хоми ултрасадоӣ садои муҳитӣ ва халали электромагнитиро дар бар мегиранд, манбаъ DMeyer wavelet-packet decomposition-и шашсатҳа ва threshold screening-ро истифода кардааст. Бо Pearson correlation санҷида шудааст, ки оё ин коркард иттилои муфиди шакли мавҷро вайрон мекунад ё не.

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

Дар ин ҷо \(X_i\) ва \(Y_i\) нуқтаҳои намунавии ду сигнали муқоисашавандаро, \(\bar X\) ва \(\bar Y\) бошад миёнаҳоро ифода мекунанд. Ҳар қадар қимати \(r\) ба 1 наздик шавад, монандии хаттии ду шакли мавҷ бештар мешавад. Манбаъ барои сигнали фиристодашуда 0,99272 ва барои сигнали қабулшуда 0,99917 гузориш кардааст.

TOF чӣ гуна ҳисоб карда шуд?

Time of flight (TOF) аз таъхири вақтӣ гирифта шудааст, ки дар он функсияи cross-correlation-и шаклҳои мавҷи ултрасадоии фиристодашуда ва қабулшуда ба максимум мерасад.

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

Татбиқи дискретӣ:

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

Ҳангоми максимум шудани \(R_{XY}\), \(\tau\)-и мувофиқ ё таъхири дискретии \(k\) мувофиқати қавитарини вақтӣ байни ду шакли мавҷро медиҳад ва ҳамчун TOF-и ултрасадоӣ истифода мешавад.

Чор хусусияти номзади ултрасадоӣ

Дар Figure 5 дида мешавад, ки SOH бо зиёд шудани шумораи даврҳо дар маҷмӯъ коҳиш меёбад, дар ҳоле ки Initial amplitude ва Initial TOF тағйироти SOH-ро пайвастатар пайгирӣ мекунанд; Maximum ва Minimum amplitude бошад тағйирёбии маҳаллии бештар нишон медиҳанд.

Интихоби feature бо коррелятсияи Pearson

Барои ҳамаи хусусиятҳо робитаи хаттии мусбат бо SOH гузориш шудааст. Аммо коррелятсияи Pearson танҳо худ аз худ вазни воқеии қарорро дар дохили модел нишон намедиҳад; бинобар ин, таҳқиқот баъдан бо SHAP алоҳида санҷидааст, ки модел хусусиятҳоро дар амал чӣ гуна истифода мебарад.

Ҳар Як Ҷузъ Дар Модели ISSA-CNN-SE-BiLSTM Чӣ Кор Мекунад?

Дар ISSA-CNN-SE-BiLSTM, CNN намунаҳои маҳаллиро байни хусусиятҳои сершумори ултрасадоӣ истихроҷ мекунад, модули SE каналҳои муҳими feature-ро бо вазни бештар таъкид мекунад, BiLSTM робитаҳои пешрав ва қафогарди пайдарпаии фарсудашавиро коркард мекунад ва ISSA ҳафт гиперпараметри муҳимми шабака/омӯзишро ба таври глобалӣ оптимизатсия мекунад, то validation RMSE коҳиш ёбад.

Истихроҷи хусусиятҳои маҳаллӣ бо CNN

Вектори хусусиятҳои ултрасадоӣ дар як қадами вақт:

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

муайян карда шудааст. Табдили аввалини convolutional:

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

ва main convolutional branch-и баъдӣ:

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

мебошад. Дар ин ҷо \(*\) амали convolution, \(BN\) batch normalization ва \(\delta\) фаъолсозии ReLU-ро ифода мекунад.

Механизми таваҷҷуҳи каналии SE

Модули Squeeze-and-Excitation аввал иттилои глобалии ҳар каналро бо pooling-и миёна фишурда мекунад:

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

Сипас тавассути ду табдили fully connected вазни каналро месозад:

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

ва feature representation-и асосиро аз рӯйи канал дубора миқёс мекунад:

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

Ҳадафи ин механизм он аст, ки ба ҷойи баробар ҳисоб кардани ҳар як канали feature-и ултрасадоӣ, каналҳои барои SOH иттилоотноктарро таъкид кунад.

Моделсозии вақтӣ бо BiLSTM

Feature map-и тавассути SE тақвиятёфта аввал ҳамвор карда мешавад:

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

BiLSTM иттилои hidden-state-и самтҳои пеш ва ақибро якҷо мекунад:

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

Пас аз Dropout, баҳодиҳии SOH тавассути fully connected output layer ҳосил мешавад:

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

ISSA кадом гиперпараметрҳоро оптимизатсия кард?

Манбаъ комбинатсияи ниҳоии оптималии ададии ин ҳафт тағйирёбандаро дар ҷадвали алоҳида гузориш намекунад.

Функсияи fitness-и ISSA

Барои баҳодиҳии комбинатсияҳои гиперпараметрҳо validation RMSE ҳамчун fitness истифода шудааст:

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

Fitness-и пасттар комбинатсияи гиперпараметреро ифода мекунад, ки модел бо он ба қиматҳои validation SOH наздиктар баҳогузорӣ мекунад.

ISSA аз SSA-и классикӣ чӣ фарқ дорад?

Дар Sparrow Search Algorithm-и классикӣ популятсия ба гурӯҳҳои producers, scroungers ва warners тақсим мешавад. Манбаъ махсусан қайд мекунад, ки оғозкунии тасодуфии гиперпараметрҳои дорои тартиби бузургии гуногун метавонад search space-ро нобаробар пӯшонад.

ISSA аввал диапазони тартиби бузургии ҳар як гиперпараметрро:

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

баҳо медиҳад. Сипас намунаҳоро дар диапазонҳои гуногуни order-of-magnitude мутавозинтар тақсим мекунад ва бо истифода аз Tent chaotic mapping паҳншавии популятсияи ибтидоиро дар фазо яксонтар мегардонад.

Дар марҳилаи охир намунаҳои аз диапазонҳои гуногун сохташуда якҷо карда шуда, ба таври тасодуфӣ омехта мешаванд:

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

Дар Figure 8 нишон дода шудааст, ки нуқтаҳои ибтидоии SSA-и классикӣ дар баъзе минтақаҳо гурӯҳбандӣ мешаванд, дар ҳоле ки ISSA минтақаҳои холиро кам карда, фарогирии ибтидоии мутавозинтар ба вуҷуд меорад.

Усул ва Натиҷаҳои Таҳқиқот

Се feature set

Метрикаҳои баҳодиҳӣ

Моделҳо бо RMSE, MAE ва coefficient of determination \(R^2\) баҳогузорӣ шудаанд:

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

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

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

Пасттар будани RMSE ва MAE маънои хатои камтари баҳодиҳиро дорад, дар ҳоле ки ба 1 наздик шудани \(R^2\) нишон медиҳад, ки баҳодиҳиҳо тағйироти воқеии SOH-ро бо ҳиссаи бештар шарҳ медиҳанд.

Истифодаи Якҷояи Се Хусусияти Ултрасадоӣ Чӣ Фоида Дод?

Дар ISSA-CNN-SE-BiLSTM илова кардани Initial TOF ба Initial amplitude ва сипас Maximum amplitude RMSE-ро аз 0,0389% ба 0,0285% ва ниҳоят ба 0,0180% поён оварда, \(R^2\)-ро аз 0,9940 ба 0,9968 ва 0,9987 баланд кардааст; манбаъ инро бо он вобаста мекунад, ки хусусиятҳои гуногуни ултрасадоӣ иттилои фарсудашавии якдигарро пурра мекунанд.

Feature Set C нисбат ба A RMSE-ро тақрибан %53,73 ва MAE-ро %54,18; нисбат ба B RMSE-ро %36,84 ва MAE-ро %42,19 кам кардааст.

Table 2: муқоисаи пурраи шаш меъмории модел

Аблятсияи меъмории модел чӣ нишон дод?

Дар Feature Set C, CNN-SE-BiLSTM нисбат ба танҳо CNN-SE ё CNN-BiLSTM хатои камтар ба даст овардааст. Манбаъ инро ҳамчун бартарии истифодаи якҷояи local feature extraction, SE channel attention ва temporal modeling шарҳ медиҳад.

Аммо муаллифон як маҳдудияти муҳимро таъкид мекунанд: муқоисаи сохторҳое, ки ISSA дар онҳо истифода нашудааст, иҷрои ҳадди назариявии ҳар меъмориро дар шароити гиперпараметрҳои идеалии худ нишон намедиҳад. Натиҷаҳо таъсири муштараки сохтори модел ва конфигуратсияи параметрҳои истифодашударо инъикос мекунанд.

Саҳми иловагии ISSA

Коҳиши MAE барои ҳамин се сохтор мутаносибан %49,95, %14,22 ва %78,36 гузориш шудааст.

Таҳлили додаҳои маҳдуди омӯзишӣ

Ҳангоми гузариш аз %20 ба %30 хато якбора коҳиш ёфта, пас аз %40 беҳбудии RMSE маҳдудтар шудааст. Манбаъ инро чунин шарҳ медиҳад, ки фарогирии васеътари намунаҳо омӯзиши моделро беҳтар мекунад, аммо ҳатто дар таносуби омӯзиши %30 ҳам каҷи умумии таназзули SOH ба андозаи маънонок пайгирӣ мешавад.

Таҳлили SHAP Нишон Дод, Ки Модел Ба Кадом Хусусиятҳои Ултрасадоӣ Такя Мекунад?

Натиҷаҳои глобалии SHAP нишон доданд, ки %50,2 саҳми миёнаи мутлақ дар баромади моделро Initial amplitude, %39,1-ро Initial TOF ва %10,7-ро Maximum amplitude ташкил медиҳад; бинобар ин модел асосан ба амплитудаи ибтидоӣ ва таъхири паҳншавӣ такя мекунад, дар ҳоле ки Maximum amplitude иттилои иловагӣ медиҳад.

Оё Correlation ва SHAP як чизро чен мекунанд?

Не. Коррелятсияи Pearson робитаи хаттии хусусияти ултрасадоиро бо SOH дар тамоми маҷмӯи додаҳо чен мекунад. SHAP бошад ҳисоб мекунад, ки модели омӯзонидашуда хусусияти муайянро ҳангоми баҳодиҳӣ дар кадом самт ва бо чӣ бузургӣ истифода мебарад. Аз ин рӯ, correlation барои feature-selection ва SHAP барои шарҳи механизми қарори модел истифода шудааст.

Намунаҳои маҳаллии SHAP

Барои Sample 40 baseline model output-и нормализатсияшуда 0,075 аст. Initial amplitude +0,126 ва Initial TOF +0,090 саҳм гузоштаанд, дар ҳоле ки Maximum amplitude −0,052 саҳм додааст ва model output-и ниҳоии нормализатсияшуда 0,239 шудааст.

Дар Sample 80, Initial amplitude −0,360, Initial TOF −0,231 ва Maximum amplitude +0,077 саҳм додаанд; output-и ниҳоӣ −0,439 шудааст. Ин натиҷа нишон медиҳад, ки ҳамон feature метавонад дар намунаҳои гуногун самт ва бузургии саҳми худро тағйир диҳад.

Муносибатҳои SHAP dependence

Бо зиёд шудани Initial amplitude ва Initial TOF, SHAP contribution дар маҷмӯъ афзудааст; самти саҳм дар фазои нормализатсияшудаи feature тақрибан дар қиматҳои −0,012 ва 0,049 аз манфӣ ба мусбат гузаштааст. Maximum amplitude баръакс рафтор карда, тақрибан дар атрофи −0,104 аз мусбат ба манфӣ гузаштааст.

Ин остонаҳо қиматҳои хоми шиддат ё вақт нестанд. Азбаски манбаъ ошкоро мегӯяд, ки ҳам вурудҳои модел ва ҳам баромади SOH нормализатсия шудаанд, қиматҳои SHAP ва остонаҳои dependence ба фазои нормализатсияшудаи модел тааллуқ доранд.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Хусусиятҳои ултрасадоие, ки аз сигналҳои 120 kHz PZT guided-wave гирифта шудаанд, дар таҷрибаи назоратшавандаи фарсудасозӣ бо SOH робитаи қавӣ нишон додаанд.
• Ҳангоми истифодаи якҷояи Initial amplitude, Initial TOF ва Maximum amplitude нисбат ба истифодаи як ё ду feature хатои камтари баҳодиҳӣ ба даст омадааст.
• Комбинатсияи CNN + SE + BiLSTM дар тарҳи таҷрибавии манбаъ иҷрои умумии беҳтари баҳодиҳиро таъмин кардааст.
• Оптимизатсияи гиперпараметрҳои ISSA махсусан барои CNN-SE-BiLSTM сатҳи хаторо ба таври назаррас коҳиш додааст.
• Дар Feature Set C, RMSE 0,0180%, MAE 0,0148% ва R² 0,9987 гузориш шудааст.
• Ҳатто дар %30 training ratio, дар маҷмӯи додаҳои манбаъ RMSE 0,0461% ва R² 0,9949 ба даст омадааст.
• SHAP нишон дод, ки модел бештар ба Initial amplitude ва Initial TOF такя мекунад.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

• Нишон дода нашудааст, ки модел дар ҳамаи ҳуҷайраҳои литий-ионии истеҳсолкунандагон ё таркибҳои химиявии гуногун бо ҳамон дақиқӣ кор мекунад.
• Нишон дода нашудааст, ки дар ҳароратҳои гуногун ҳамон сатҳи хато нигоҳ дошта мешавад.
• Дар BMS-и воқеии воситаи нақлиёти барқӣ ё захираи шабакавӣ online санҷиши саҳроӣ гузаронида нашудааст.
• Исбот нашудааст, ки як feature механизми муайяни физикии фарсудашавии батареяро ба таври сабабӣ чен мекунад.
• Коррелятсияи баланди Pearson маънои сабабиятро надорад.
• SHAP contribution маънои сабабияти биологӣ/электрохимиявиро надорад; он қарори моделро шарҳ медиҳад.
• 0,9987 R² кафолати generalization байни ҳуҷайраҳои гуногун нест.

Оё Ин Натиҷаҳо Ҳамон Иҷроро Дар Низоми Воқеии Идоракунии Батарея Исбот Мекунанд?

Не. Натиҷаҳои гузоришшуда аз додаҳои як ҳуҷайраи призмавии 50 Ah, ки дар муҳити лаборатории назоратшаванда дар 25°C фарсуда карда шудааст, ба даст омадаанд; таҳқиқот санҷиш дар ҳароратҳо, шароити корӣ, намудҳои батарея ва барномаҳои online monitoring-ро барои кори оянда мегузорад.

Маҳдудиятҳои асосии методологӣ

Маҳдудияти аввал гуногунии ҳуҷайраҳо мебошад. Манбаъ дар тарҳи таҷрибавӣ як ҳуҷайраи призмавии 50 Ah-ро тавсиф мекунад; cross-cell validation байни ҳуҷайраҳои мустақил гузориш нашудааст. Омӯхтани пайдарпаии фарсудашавии ҳамон як ҳуҷайра бо generalization нисбат ба таҳаммулҳои истеҳсолии ҳуҷайраҳои гуногун як чиз нест.

Маҳдудияти дуюм ҳарорат аст. Таҷрибаи асосӣ дар шароити камераи ҳароратии 25°C гузаронида шудааст. Азбаски паҳншавии ултрасадо ҳам ба хусусиятҳои мавод ва ҳам ба ҳарорат ҳассос аст, шароити гуногуни ҳароратӣ бояд алоҳида санҷида шаванд.

Маҳдудияти сеюм профили кор аст. Таҷриба даври назоратшавандаи constant-current-ро истифода мекунад. Воситаи нақлиёти воқеӣ ё низоми захираи энергия метавонад ҷараёни тағйирёбанда, бори динамикӣ, диапазони васеи SOC, тағйири ҳарорат, ларзиши механикӣ ва тағйирёбии sensor coupling-ро дар бар гирад.

Маҳдудияти чорум бозтавлидпазирии модел аст. Гарчанде манбаъ ҳафт гиперпараметри оптимизатсиякардаи ISSA-ро возеҳ муайян мекунад, ҳамаи қиматҳои ниҳоии оптималии гиперпараметрҳоро дар ҷадвали алоҳидаи ададӣ гузориш намекунад.

Маҳдудияти панҷум вобастагии иҷро аз додаҳо мебошад. Feature selection, model training ва performance evaluation аз як экосистемаи додаҳои таҷрибавии фарсудашавии батарея гирифта шудаанд. Аз ин рӯ, RMSE-и хеле паст набояд ҳамчун хатои external-validation, ки дар популятсияи мустақили батарея ба даст омадааст, хонда шавад.

Кори оянда

Муаллифони манбаъ дар оянда санҷиш дар ҳароратҳо, шароити корӣ ва намудҳои гуногуни батареяро, инчунин арзёбии қобили татбиқи муҳандисии усулро дар сенарияҳои online monitoring пешниҳод мекунанд.

Аз ин рӯ, саҳми пурқуввати таҳқиқот натиҷаи “бо ултрасадо барои ҳамаи батареяҳо маҳсулоти омодаи SOH ба даст омад” нест; балки чаҳорчӯбаи таҷрибавӣ-моделсозиест, ки нишон медиҳад хусусиятҳои ултрасадоии guided-wave метавонанд дар пайдарпаии назоратшавандаи фарсудашавӣ барои баҳодиҳии SOH манбаи қавӣ, ғайрибарқӣ ва шарҳпазири иттилоот бошанд.

Ёддошт оид ба Манбаъ ва Усул

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

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

Муаллифи масъул: Limin Geng.

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

Навъи манбаъ: Фарсудасозии таҷрибавии батарея + preprint-и моделсозии SOH-и ба додаҳо асосёфта.

Платформа: SSRN.

Версияи боршуда: 23 саҳифа; SSRN Abstract ID 6929579.

SSRN DOI: 10.2139/ssrn.6929579.

Санаи пешниҳоди версияи боршуда: 13 июни 2026.

Ҳолати баррасии ҳамтоён: Preprint-и аз баррасии ҳамтоён нагузашта.

Ёддошти версия: SSRN барои ҳамин таҳқиқот версияи навтари 24-саҳифагии 24 июни 2026-ро низ нишон медиҳад; муҳтавои илмии ин мақолаи Verianla ба версияи боршудаи 23-саҳифагӣ асос ёфтааст.

Литсензия/ҳолати ҳуқуқӣ: Сабти SSRN All Rights Reserved мебошад; истифодаи такрорӣ бе иҷозат манъ нишон дода шудааст.

Ҳуҷайраи таҷрибавӣ: 50 Ah призмавии литий-ионӣ; LiNi_0.8Co_0.1Mn_0.1O₂ катод / графит анод.

Басомади резонансии PZT: 120 kHz.

Ҳарорати фарсудасозӣ: 25°C.

Ҷараёни давр: 40 A.

Диапазони шиддати давр: 2,9–4,2 V.

Фарсудасозии умумӣ: 220 давр, 23 марҳилаи ченкунии ултрасадоӣ.

Коркарди пешакӣ: DMeyer wavelet, wavelet-packet decomposition-и шашсатҳа ва threshold screening.

TOF: Аз максимуми Transmitted/received signal cross-correlation гирифта шудааст.

Feature-ҳои номзад: Initial amplitude, Maximum amplitude, Minimum amplitude, Initial TOF.

Feature-ҳои ниҳоӣ: Initial amplitude, Initial TOF, Maximum amplitude.

Модел: ISSA-CNN-SE-BiLSTM.

Нақши CNN: Истихроҷи робитаҳои маҳаллии multidimensional ultrasonic feature.

Нақши SE: Аз нав вазнгузории мутобиқшавандаи Feature-channel importance.

Нақши BiLSTM: Моделсозии feature dependency-ҳои вақтӣ дар тӯли фарсудашавӣ.

Нақши ISSA: Оптимизатсияи глобалии ҳафт network/training гиперпараметри асосӣ тавассути validation RMSE.

Такмили ISSA: Популятсияи ибтидоӣ дар асоси Order-of-magnitude equal partitioning + Tent chaotic mapping.

Метрикаҳои иҷро: RMSE, MAE, R².

Натиҷаи ниҳоии Feature Set C: RMSE 0,0180%; MAE 0,0148%; R² 0,9987.

Таъсири ISSA: RMSE-и CNN-SE-BiLSTM аз 0,0825% ба 0,0180% поён рафтааст; коҳиш %78,18.

Натиҷаи %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.

Миқёси додаҳои SHAP: Вурудҳо ва SOH нормализатсия шудаанд; остонаҳои dependence воҳидҳои физикии ченкунии хом нестанд.

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.

Маблағгузорӣ: 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.

Дастрасии додаҳо: Дар preprint-и боршуда Data Availability Statement-и алоҳида вуҷуд надорад.

Ихтилофи манфиатҳо: Дар бахши охири версияи боршуда Declaration of Competing Interest-и алоҳида дида намешавад; набудани он фарз карда нашудааст.

Маҳдудияти асосии методологӣ: Як ҳуҷайра, фарсудасозии лаборатории назоратшаванда дар 25°C; санҷиши мустақил дар ҳуҷайраҳои дигар, ҳароратҳо, намудҳои батарея ва BMS-и воқеии online гузаронида нашудааст.