ISSA-CNN-SE-BiLSTM ultratovushli batareya xususiyatlaridan sogʻliq holatini (state of health, SOH) baholash uchun mahalliy xususiyatlarni ajratib olish, kanal-eʼtibor mexanizmi, ikki yoʻnalishli vaqtli modellashtirish va global giperparametr optimallashtirishni birlashtiradigan maʼlumotlarga asoslangan oʻrganish doirasidir. Tadqiqotda 50 Ah prizmatik litiy-ion hujayra 25°C da siklik ravishda qaritilgan, 120 kHz PZT sensorlari bilan ultratovush guided-wave javoblari oʻlchangan hamda Initial amplitude, Maximum amplitude, Minimum amplitude va Initial time of flight (TOF) xususiyatlari ajratib olingan. Pearson korrelyatsiyasiga koʻra Initial amplitude, Initial TOF va Maximum amplitude yakuniy model kirishlari sifatida tanlangan.

Uchta xususiyatni birgalikda ishlatadigan Feature Set C sharoitida taklif etilgan ISSA-CNN-SE-BiLSTM modeli RMSE 0,0180%, MAE 0,0148% va \(R^2=0,9987\) qiymatlariga erishgan. Xuddi shu xususiyatlar toʻplamida ISSA qoʻllanmasdan ishlatilgan CNN-SE-BiLSTM ning RMSE si 0,0825% bo‘lganligi sababli ISSA optimallashtirishi RMSE ni %78,18 kamaytirgan. Model faqat %30 o‘quv maʼlumotlaridan foydalanilganda ham RMSE 0,0461% va \(R^2=0,9949\) natijalarini bergan.

SHAP tahlili model qarorining eng katta qismi Initial amplitude (%50,2) va Initial TOF (%39,1) bilan izohlanishini, Maximum amplitude esa (%10,7) toʻldiruvchi rol oʻynashini koʻrsatgan. Biroq tadqiqot nazorat qilinadigan laboratoriya sharoitida faqat bitta 50 Ah hujayrada oʻtkazilgan. Turli haroratlar, foydalanish profillari, hujayralar va batareya turlarida mustaqil validatsiya qilinmagani sababli qayd etilgan juda past xatolik ko‘rsatkichlarini bevosita haqiqiy transport vositasi yoki energiya saqlash BMS unumdorligiga umumlashtirmaslik kerak.

Tadqiqot muammosi

Litiy-ion batareyalarning sogʻliq holati qarish darajasi va foydalanish mumkin boʻlgan sigʻimdagi yoʻqotishni kuzatish uchun qoʻllanadigan asosiy batareya boshqaruvi oʻzgaruvchilaridan biridir. Batareya qarigan sari sigʻimning kamayishi va ichki qarshilikning ortishi kabi elektr oʻzgarishlar yuz beradi; ammo qarish, shuningdek, elektrod tuzilishi, interfeyslar, materialning mexanik xususiyatlari va hujayra ichidagi kontakt holatlarida ham oʻzgarishlar keltirib chiqaradi.

Kuchlanish, tok, harorat va sigʻim kabi anʼanaviy elektr kattaliklarini tashqaridan oʻlchash mumkin va ular BMS nuqtayi nazaridan qulay; ammo hujayra ichidagi strukturaviy oʻzgarishlarni bevosita sezmaydi. Shu sababli manba tadqiqotning asosiy savoli batareya ichki tuzilishidagi qarishga sezgir ultratovush tarqalishi haqidagi maʼlumot SOH baholashiga qoʻshimcha kuzatuv oʻlchovini bera oladimi-yoʻqmi degan masaladir.

Ultratovush Xususiyatlari Batareya SOH ini Nega Koʻrsatishi Mumkin?

Ultratovush guided-wave signallarining tarqalish vaqti va amplitudasi batareyaning elektrod, separator, elektrolit, interfeys va mexanik kontakt sharoitlariga bogʻliq boʻlgani uchun qarish bilan oʻzgarishi mumkin; ushbu tadqiqotda sikllar davom etishi bilan TOF va signal-amplitude naqshlarining siljishi ultratovush xususiyatlari elektr bo‘lmagan qarish maʼlumotini tashishi mumkinligini ko‘rsatgan.

Ultratovush oʻlchash yondashuvi

Tadqiqot pulse-echo yoki qarama-qarshi yuzalar orqali through-thickness transmission oʻrniga batareya yuzasiga biriktirilgan PZT uzatgich va qabul qilgichlar orasida tarqaladigan ultratovush guided-wave yondashuvidan foydalangan. Guided-wave signali hujayra korpusi va ichki qatlamli tuzilma boʻylab tarqalar ekan, tarqalish kechikishi, energiya soʻnishi va toʻlqin shakli oʻzgarishlarini birgalikda olib yuradi.

Tajribada ishlatilgan batareya

Ultratovush sinov platformasi

Tajriba tizimi 50 Ah batareya, ikkita PZT oʻzgartirgich, Battery Test System, Signal Generator, Power Amplifier, Oscilloscope, Host Computer va Thermal Chamber komponentlaridan tashkil topgan. PZT oʻzgartirgichlarning rezonans chastotasi 120 kHz.

Signal Generator yaratgan qoʻzgʻatuvchi signal Power Amplifier bilan kuchaytirilib uzatuvchi PZT ga berilgan. Piezoelektrik oʻzgartirgich elektr signalini mexanik ultratovush toʻlqiniga aylantirgan; toʻlqin hujayra boʻylab tarqalgandan soʻng qabul qiluvchi PZT uni qayta elektr signaliga aylantirgan. Oscilloscope ham qoʻzgʻatuvchi, ham javob toʻlqin shaklini qayd etgan, Host Computer esa maʼlumotlarni saqlash va keyingi qayta ishlashni amalga oshirgan.

Qaritish protokoli

Dam oldirish bosqichi toʻplangan harorat oshishi va qutblanish taʼsirlarining keyingi ultratovush oʻlchoviga keraksiz taʼsirini kamaytirish uchun qoʻllangan.

DMeyer toʻlqincha yordamida shovqinni kamaytirish

Xom ultratovush signallari atrof-muhit shovqini va elektromagnit xalaqitni oʻz ichiga olgani sababli manba olti darajali DMeyer wavelet-packet decomposition va threshold screening dan foydalangan. Jarayon toʻlqin shaklidagi foydali maʼlumotni buzadimi-yoʻqmi Pearson korrelyatsiyasi bilan nazorat qilingan.

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

Bu yerda \(X_i\) va \(Y_i\) taqqoslanayotgan ikki signalning namuna nuqtalarini, \(\bar X\) va \(\bar Y\) esa o‘rtacha qiymatlarni ifodalaydi. \(r\) qiymati 1 ga yaqinlashgan sari ikki toʻlqin shaklining chiziqli oʻxshashligi ortadi. Manba yuborilgan signal uchun 0,99272, qabul qilingan signal uchun 0,99917 qiymatlarini qayd etgan.

TOF qanday hisoblandi?

Time of flight (TOF) yuborilgan va qabul qilingan ultratovush toʻlqin shakllarining cross-correlation funksiyasi maksimum bo‘ladigan vaqt kechikishidan chiqarib olingan.

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

Diskret qoʻllanish:

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

\(R_{XY}\) maksimum bo‘lganda unga mos \(\tau\) yoki diskret kechikish \(k\) ikki toʻlqin shakli orasidagi eng kuchli vaqt mosligini beradi va ultratovush TOF sifatida ishlatiladi.

Toʻrtta nomzod ultratovush xususiyati

Figure 5 da SOH sikl soni ortishi bilan umuman kamaygan bir paytda Initial amplitude va Initial TOF SOH o‘zgarishini izchilroq kuzatgani, Maximum va Minimum amplitude esa ko‘proq mahalliy tebranishlar ko‘rsatgani ko‘rinadi.

Pearson korrelyatsiyasi bilan feature tanlash

Barcha xususiyatlarning SOH bilan ijobiy chiziqli bogʻliqligi qayd etilgan. Biroq Pearson korrelyatsiyasi o‘z-o‘zidan model ichidagi haqiqiy qaror ogʻirligini ko‘rsatmaydi; shu sababli tadqiqot keyinchalik SHAP orqali model xususiyatlardan amalda qanday foydalanishini alohida tekshirgan.

ISSA-CNN-SE-BiLSTM Modelida Har Bir Komponent Nima Qiladi?

ISSA-CNN-SE-BiLSTM da CNN ko‘p ultratovush xususiyatlari orasidagi mahalliy naqshlarni ajratib oladi, SE moduli muhim feature kanallarini kattaroq og‘irlik bilan taʼkidlaydi, BiLSTM qarish ketma-ketligidagi oldinga va orqaga yoʻnalgan bogʻlanishlarni qayta ishlaydi, ISSA esa yettita muhim tarmoq/oʻqitish giperparametrini validation RMSE ni minimallashtiradigan tarzda global optimallashtiradi.

CNN mahalliy xususiyatlarni ajratish

Bitta vaqt qadamidagi ultratovush xususiyatlari vektori:

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

deb taʼriflangan. Birinchi convolutional transformatsiya:

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

va undan keyingi asosiy convolutional branch:

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

koʻrinishidadir. Bu yerda \(*\) convolution amalini, \(BN\) batch normalization ni va \(\delta\) ReLU aktivatsiyasini ifodalaydi.

SE kanal-eʼtibor mexanizmi

Squeeze-and-Excitation moduli avval har bir kanalning global maʼlumotini o‘rtacha pooling orqali siqadi:

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

Soʻngra ikkita fully connected transformatsiya orqali kanal ogʻirligini hosil qiladi:

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

va asosiy feature representation ni kanallar bo‘yicha qayta masshtablaydi:

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

Ushbu mexanizmning maqsadi har bir ultratovush feature kanalini teng deb qabul qilish o‘rniga SOH nuqtayi nazaridan axborotliroq kanallarni taʼkidlashdir.

BiLSTM vaqtli modellashtirish

SE bilan kuchaytirilgan feature map avval tekislanadi:

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

BiLSTM oldinga va orqaga yoʻnalgan hidden-state maʼlumotlarini birlashtiradi:

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

Dropout dan soʻng SOH bahosi fully connected output layer orqali hosil qilinadi:

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

ISSA qaysi giperparametrlarni optimallashtirdi?

Manba bu yettita o‘zgaruvchining yakuniy optimal sonli kombinatsiyasini alohida jadval shaklida keltirmaydi.

ISSA ning fitness funksiyasi

Giperparametr kombinatsiyalarini baholash uchun validation RMSE fitness sifatida ishlatilgan:

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

Pastroq fitness model validation SOH qiymatlariga yaqinroq baho beradigan giperparametr kombinatsiyasini anglatadi.

ISSA klassik SSA dan qanday farq qiladi?

Klassik Sparrow Search Algorithm da populyatsiya producers, scroungers va warners guruhlariga bo‘linadi. Manba, ayniqsa, turli kattalik tartiblariga ega giperparametrlarni tasodifiy boshlang‘ichlash search space ni notekis qoplashi mumkinligini taʼkidlagan.

ISSA avval har bir giperparametrning kattalik tartibi oraligʻini:

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

bilan baholaydi. Keyin namunalarni turli order-of-magnitude oraliqlariga muvozanatliroq taqsimlaydi va Tent chaotic mapping dan foydalanib boshlangʻich populyatsiyaning fazodagi tarqalishini bir xillikka yaqinlashtiradi.

Oxirgi bosqichda turli oraliqlardan yaratilgan namunalar birlashtirilib tasodifiy aralashtiriladi:

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

Figure 8 da klassik SSA boshlangʻich nuqtalari ayrim hududlarda toʻplangani, ISSA esa bo‘sh hududlarni kamaytirib muvozanatliroq boshlangʻich qamrov yaratgani ko‘rsatilgan.

Tadqiqot Usuli va Natijalari

Uchta feature set

Baholash metrikalari

Modellar RMSE, MAE va coefficient of determination \(R^2\) bilan baholangan:

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

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

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

RMSE va MAE ning pastroq bo‘lishi kichikroq baholash xatosini, \(R^2\) ning 1 ga yaqinlashishi esa baholar haqiqiy SOH o‘zgarishini yuqoriroq ulushda tushuntirishini bildiradi.

Uchta Ultratovush Xususiyatini Birgalikda Ishlatish Nima Berdi?

ISSA-CNN-SE-BiLSTM da Initial amplitude ga Initial TOF va keyin Maximum amplitude qoʻshilishi RMSE ni 0,0389% dan 0,0285% va nihoyat 0,0180% gacha kamaytirgan, \(R^2\) ni 0,9940 dan 0,9968 va 0,9987 gacha oshirgan; manba buni turli ultratovush xususiyatlari bir-birini toʻldiruvchi qarish maʼlumotini tashishi bilan bogʻlaydi.

Feature Set C A ga nisbatan RMSE ni taxminan %53,73 va MAE ni %54,18; B ga nisbatan RMSE ni %36,84 va MAE ni %42,19 kamaytirgan.

Table 2: oltita model arxitekturasining toʻliq taqqoslanishi

Model arxitekturasi ablatsiyasi nimani ko‘rsatdi?

Feature Set C da CNN-SE-BiLSTM faqat CNN-SE yoki CNN-BiLSTM ga qaraganda pastroq xato bergan. Manba buni local feature extraction, SE channel attention va temporal modeling ni birgalikda qoʻllashning afzalligi sifatida talqin qiladi.

Biroq mualliflar muhim cheklovni belgilaydi: ISSA qoʻllanmagan tuzilmalarni taqqoslash har bir arxitekturaning oʻz ideal giperparametrlari ostidagi nazariy eng yuqori unumdorligini ko‘rsatmaydi. Natijalar model tuzilishi bilan qoʻllangan parametr konfiguratsiyasining qoʻshma taʼsirini aks ettiradi.

ISSA ning qoʻshimcha hissasi

MAE kamayishi xuddi shu uchta tuzilma uchun mos ravishda %49,95, %14,22 va %78,36 deb qayd etilgan.

Cheklangan o‘quv maʼlumotlari tahlili

%20 dan %30 ga o‘tilganda xato keskin kamaygan, %40 dan keyin RMSE yaxshilanishi cheklanganroq bo‘lgan. Manba buni kengroq namunalar qamrovi model oʻrganishini yaxshilashi, shu bilan birga %30 o‘qitish nisbatida ham umumiy SOH degradatsiya egri chizigʻini mazmunli darajada kuzatish mumkinligi bilan izohlaydi.

SHAP Tahlili Model Qaysi Ultratovush Xususiyatlariga Tayanishini Koʻrsatdimi?

Global SHAP natijalari model chiqishidagi o‘rtacha mutlaq hissaning %50,2 qismini Initial amplitude, %39,1 qismini Initial TOF va %10,7 qismini Maximum amplitude tashkil etishini ko‘rsatgan; demak, model asosan boshlangʻich amplituda va tarqalish kechikishiga tayanadi, Maximum amplitude esa toʻldiruvchi maʼlumot beradi.

Correlation va SHAP bir xil narsani o‘lchaydimi?

Yoʻq. Pearson korrelyatsiyasi ultratovush xususiyatining SOH bilan butun maʼlumotlar toʻplamidagi chiziqli bogʻliqligini o‘lchaydi. SHAP esa o‘qitilgan model maʼlum xususiyatdan baholash vaqtida qaysi yoʻnalishda va qanday kattalikda foydalanishini hisoblaydi. Shu sababli correlation feature-selection uchun, SHAP esa model qaror mexanizmini sharhlash uchun ishlatilgan.

Mahalliy SHAP misollari

Sample 40 uchun normallashtirilgan baseline model output 0,075. Initial amplitude +0,126, Initial TOF +0,090 hissa qoʻshgan, Maximum amplitude esa −0,052 hissa bergan va yakuniy normallashtirilgan model output 0,239 bo‘lgan.

Sample 80 da Initial amplitude −0,360, Initial TOF −0,231 va Maximum amplitude +0,077 hissa qoʻshgan; yakuniy output −0,439 bo‘lgan. Bu natija ayni feature ning turli namunalarda hissa yoʻnalishi va kattaligi oʻzgarishi mumkinligini ko‘rsatadi.

SHAP dependence munosabatlari

Initial amplitude va Initial TOF oshgani sari SHAP contribution umuman ortgan; hissa yoʻnalishi normallashtirilgan feature fazosida taxminan −0,012 va 0,049 qiymatlarida manfiydan musbatga o‘tgan. Maximum amplitude teskari yoʻnalishda tutgan va taxminan −0,104 atrofida musbatdan manfiyga o‘tgan.

Bu chegaralar xom kuchlanish yoki vaqt qiymatlari emas. Manba model kirishlari va SOH chiqishini normallashtirganini ochiq aytgani sababli SHAP qiymatlari va dependence chegaralari normallashtirilgan model fazosiga tegishli.

Tadqiqot qoʻllab-quvvatlaydigan xulosalar

• 120 kHz PZT guided-wave signallaridan ajratilgan ultratovush xususiyatlari nazorat qilinadigan qaritish tajribasida SOH bilan kuchli bogʻliqlik ko‘rsatgan.
• Initial amplitude, Initial TOF va Maximum amplitude birgalikda ishlatilganda bitta yoki ikkita feature ishlatilishiga qaraganda pastroq baholash xatosi olingan.
• CNN + SE + BiLSTM kombinatsiyasi manba tajriba tuzilmasida yaxshiroq umumiy baholash unumdorligini taʼminlagan.
• ISSA giperparametr optimallashtirishi ayniqsa CNN-SE-BiLSTM uchun xatolikni sezilarli kamaytirgan.
• Feature Set C da RMSE 0,0180%, MAE 0,0148% va R² 0,9987 qayd etilgan.
• %30 training ratio sharoitida ham manba maʼlumotlar toʻplamida RMSE 0,0461% va R² 0,9949 olingan.
• SHAP model eng ko‘p Initial amplitude va Initial TOF ga tayanishini ko‘rsatgan.

Tadqiqot qoʻllab-quvvatlamaydigan xulosalar

• Model turli ishlab chiqaruvchilar yoki turli kimyoviy tarkibdagi barcha litiy-ion hujayralarda bir xil aniqlikda ishlashi ko‘rsatilmagan.
• Turli haroratlarda ayni xatolik darajasi saqlanishi ko‘rsatilmagan.
• Haqiqiy elektr transport vositasi yoki tarmoq energiya saqlash BMS ida online dala validatsiyasi o‘tkazilmagan.
• Bitta feature batareya qarishining muayyan fizik mexanizmini sababiy tarzda o‘lchashi isbotlanmagan.
• Yuqori Pearson korrelyatsiyasi sababiylikni anglatmaydi.
• SHAP contribution biologik/elektrokimyoviy sababiylikni anglatmaydi; u model qarorini tushuntiradi.
• 0,9987 R² turli hujayralar orasida generalization kafolati emas.

Bu Natijalar Haqiqiy Batareya Boshqaruv Tizimida Xuddi Shu Unumdorlikni Isbotlaydimi?

Yoʻq. Qayd etilgan natijalar 25°C da nazorat qilinadigan laboratoriya muhitida qaritilgan yagona 50 Ah prizmatik hujayradan tuzilgan maʼlumotlarda olingan; tadqiqot turli haroratlar, ishlash sharoitlari, batareya turlari va online monitoring ilovalaridagi validatsiyani kelajakdagi ish sifatida qoldiradi.

Asosiy uslubiy cheklovlar

Birinchi cheklov hujayralar xilma-xilligidir. Manba tajriba tuzilmasida yagona 50 Ah prizmatik hujayrani taʼriflaydi; mustaqil hujayralar orasida cross-cell validation qayd etilmagan. Ayni hujayraning qarish ketma-ketligini o‘rganish turli hujayralarning ishlab chiqarish tolerantliklariga nisbatan generalization bilan bir xil emas.

Ikkinchi cheklov haroratdir. Asosiy tajriba 25°C termal kamera sharoitida o‘tkazilgan. Ultratovush tarqalishi ham material xususiyatlariga, ham haroratga sezgir bo‘lgani uchun turli termal sharoitlarni alohida validatsiya qilish zarur.

Uchinchi cheklov ish profilidir. Tajriba nazorat qilinadigan constant-current siklidan foydalanadi. Haqiqiy transport vositasi yoki energiya saqlash tizimi o‘zgaruvchan tok, dinamik yuk, keng SOC oraligʻi, harorat o‘zgarishi, mexanik tebranish va sensor coupling o‘zgaruvchanligini o‘z ichiga olishi mumkin.

Toʻrtinchi cheklov modelning qayta ishlab chiqariluvchanligidir. Manba ISSA optimallashtirgan yettita giperparametrni aniq taʼriflasa-da, yakuniy optimal giperparametr qiymatlarining barchasini alohida sonli jadvalda keltirmaydi.

Beshinchi cheklov unumdorlikning maʼlumotga bogʻliqligidir. Feature selection, model training va performance evaluation ayni tajribaviy batareya qarish maʼlumotlari ekotizimidan kelib chiqqan. Shu sababli juda past RMSE ni mustaqil batareya populyatsiyasida olingan external-validation xatosi sifatida talqin qilmaslik kerak.

Kelajakdagi ish

Manba mualliflari kelajakda turli haroratlar, ishlash sharoitlari va batareya turlarida validatsiya o‘tkazishni hamda usulning online monitoring ssenariylaridagi muhandislik jihatdan qoʻllanish imkoniyatini baholashni tavsiya qiladi.

Shu sababli tadqiqotning eng kuchli hissasi “ultratovush yordamida barcha batareyalar uchun tayyor SOH mahsuloti olindi” degan xulosa emas; guided-wave ultratovush xususiyatlari nazorat qilinadigan qarish ketma-ketligida SOH baholashi uchun kuchli, elektr bo‘lmagan va izohlanadigan maʼlumot manbai bo‘la olishini ko‘rsatadigan tajribaviy-modellashtirish doirasidir.

Manba va Usul Haqida Izoh

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

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

Masʼul muallif: Limin Geng.

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

Manba turi: Tajribaviy batareya qaritish + maʼlumotlarga asoslangan SOH modellashtirish preprinti.

Platforma: SSRN.

Yuklangan versiya: 23 sahifa; SSRN Abstract ID 6929579.

SSRN DOI: 10.2139/ssrn.6929579.

Yuklangan versiyaning topshirilgan sanasi: 13 iyun 2026.

Taqriz holati: Taqrizdan o‘tmagan preprint.

Versiya izohi: SSRN ayni tadqiqot uchun 24 iyun 2026 sanali yangiroq 24 sahifalik versiyani ham ko‘rsatadi; ushbu Verianla maqolasining ilmiy mazmuni yuklangan 23 sahifalik versiyaga asoslanadi.

Litsenziya/huquq holati: SSRN qaydida All Rights Reserved; ruxsatsiz qayta foydalanish taqiqlangani ko‘rsatilgan.

Tajriba hujayrasi: 50 Ah prizmatik litiy-ion; LiNi_0.8Co_0.1Mn_0.1O₂ katod / grafit anod.

PZT rezonans chastotasi: 120 kHz.

Qaritish harorati: 25°C.

Sikl toki: 40 A.

Sikl kuchlanish oraligʻi: 2,9–4,2 V.

Jami qaritish: 220 sikl, 23 ultratovush oʻlchash bosqichi.

Dastlabki qayta ishlash: DMeyer wavelet, olti darajali wavelet-packet decomposition va threshold screening.

TOF: Transmitted/received signal cross-correlation maksimumidan chiqarib olingan.

Nomzod feature lar: Initial amplitude, Maximum amplitude, Minimum amplitude, Initial TOF.

Yakuniy feature lar: Initial amplitude, Initial TOF, Maximum amplitude.

Model: ISSA-CNN-SE-BiLSTM.

CNN roli: Mahalliy multidimensional ultrasonic feature munosabatlarini ajratib olish.

SE roli: Feature-channel importance ni adaptiv ravishda qayta ogʻirliklash.

BiLSTM roli: Qarish davomida vaqtli feature dependency larni modellashtirish.

ISSA roli: Yettita asosiy network/training giperparametrini validation RMSE orqali global optimallashtirish.

ISSA takomillashtirishi: Order-of-magnitude equal partitioning + Tent chaotic mapping ga asoslangan boshlangʻich populyatsiya.

Unumdorlik metrikalari: RMSE, MAE, R².

Yakuniy Feature Set C natijasi: RMSE 0,0180%; MAE 0,0148%; R² 0,9987.

ISSA taʼsiri: CNN-SE-BiLSTM RMSE si 0,0825% dan 0,0180% gacha kamaygan; kamayish %78,18.

%30 training natijasi: 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 maʼlumotlar shkalasi: Kirishlar va SOH normallashtirilgan; dependence chegaralari fizik xom oʻlchov birliklari emas.

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.

Moliyalashtirish: 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.

Maʼlumotlarning mavjudligi: Yuklangan preprintda alohida Data Availability Statement mavjud emas.

Manfaatlar toʻqnashuvi: Yuklangan versiyaning oxirgi bo‘limida alohida Declaration of Competing Interest bayonoti ko‘rinmaydi; uning yoʻqligi taxmin qilinmagan.

Asosiy uslubiy cheklov: Bitta hujayra, 25°C nazorat qilinadigan laboratoriya qaritishi; mustaqil turli hujayra, harorat, batareya turi va haqiqiy online BMS validatsiyasi o‘tkazilmagan.