基于数据驱动的锂离子电池二次寿命分类方法：快速评估与降解机制预测

【编辑推荐】本文提出一种基于电化学阻抗谱（EIS）的锂离子电池（LIB）快速分类方法，仅需单次测量即可预测退役电池在二次应用中的降解轨迹，准确率达92%。通过等效电路模型（ECM）拟合与变分自编码器数据增强，解决了传统健康状态（SOH）评估耗时且无法反映内部降解机制的问题，为电池再利用企业提供高效决策工具。

　　

亮点

退役锂离子电池（LIB）的降解轨迹受首次使用条件影响显著，传统健康状态（SOH）评估无法捕捉内部降解机制差异。本研究提出一种仅需5分钟电化学阻抗谱（EIS）测量的数据驱动分类法，通过等效电路模型（ECM）提取关键特征，结合变分自编码器数据增强，实现92%的二次寿命适用性分类准确率。

材料与方法

实验数据来自五类应用场景的LIB，通过EIS测量获取阻抗谱并拟合ECM参数（如欧姆电阻、扩散电容）。采用机器学习模型（包括随机森林和CNN）对比分析，同时生成合成数据以解决小样本问题。

结果

模型在独立验证集中保持90%准确率，显著优于基于SOH（80%阈值）的传统筛选方法。回归分析显示，ECM参数与容量衰减速率（如“拐点”后线性区域斜率）强相关。退役电动汽车模块的试点测试进一步验证了方法的实用性。

讨论

该方法突破了二次寿命电池（SLB）评估的“黑箱”困境，但需注意：1）模组级EIS可能受BMS电路干扰；2）数据增强依赖ECM的物理合理性。未来可结合增量容量分析（ICA）提升异构电池组的分类精度。

作者贡献声明

Lucas Murphy：研究设计、数据分析和论文撰写；Curran Crawford：理论指导与论文修订。

利益冲突声明

作者声明无经济利益冲突。

致谢

本研究由加拿大自然科学与工程研究委员会（NSERC）资助。