基于分段电化学阻抗谱注意力特征选择的超快轻量级 SOH 估计

《Journal of Energy Storage》：Superfast and Lightweight SOH estimation using Attention-based feature selection within Bandwise Electrochemical Impedance Spectroscopy

　　

• 基于Bode相角和Nyquist响应的响应引导型EIS频段划分方法。
• 结合CBAM通道/频段选择与轻量级MLP的混合SOH估计方法。
• 仅使用中间和高频段可将理论EIS测量时间减少2至3个数量级，代价为较小的MAE损失。
• 最终模型大小为7.4 KB，可在BMS环境中实现车载部署。
• 在40次运行中，MAE分别为0.71±0.11%（LCO扣式电池）和1.35±0.17%（NMC811）。

引言

锂离子电池支撑着快速扩展的一系列应用中的储能需求，而对快速、准确的电池健康状态（SOH）评估的需求——用于二次利用、回收及在役诊断——也在持续增长[1], [2], [3], [4], [5], [6], [7], [8], [9]。评估方法通常分为实验法、模型法和数据驱动法三类，每类方法在可解释性、测量成本、参数可辨识性或泛化能力之间各有取舍[10], [11], [12], [13]。由于没有任何单一类别能够解决这一取舍问题，将测量数据与模型结构及数据驱动学习相结合的混合方法——物理信息神经网络是其中的代表性案例——已成为一个重要的研究方向[14], [15], [16], [17], [18], [19]。本工作属于该混合类别。

在用于电池状态诊断的各种测量技术中，EIS作为一种相对高效且无损的方法，因其能够提供丰富的内部电化学反应信息而受到广泛关注[20], [21]。在EIS获得的Nyquist图中，高频区和中间频区通常各观察到一个半圆形响应，而低频区则出现倾斜的Warburg型线性响应。这些特征传统上分别与SEI层界面反应、电荷传递反应和扩散行为相关联[22]。然而在实际电池中，阻抗响应的形状可能因电池的退化状态、SOC、温度、材料和形态而大幅变化，且不同反应往往在同一频区内发生重叠[23], [24], [25], [26]。因此，将特定频段或阻抗特征映射到个别反应机制的过程长期严重依赖研究者的经验和直觉，这限制了需要机制特定输入构建的机器学习和深度学习分析的应用[27]。

为解决将重叠的EIS响应分解为个别反应机制这一挑战，弛豫时间分布（DRT）分析已被广泛采用[28], [29], [30]。通过沿时间常数轴分解多个重叠的弛豫过程，DRT能够从不同时间常数区域的峰中推断出个别机制——SEI相关反应、电荷传递、扩散等的贡献。该方法从机制特定特征时间尺度的角度解释复杂的EIS响应，具有一定的实用性。然而，DRT提取的峰代表的是特定弛豫过程的主导时间常数位置，并不能直接定义底层反应分布的频段边界。也就是说，DRT在确定反应的中心特征时间常数方面有效，但作为设定明确频段边界的依据则存在局限。

为解决上述局限，本工作提出一种基于Nyquist图中观察到的Warburg行为和实际电池Bode相角响应中观察到的相角转变特征的响应引导型EIS频段划分方法。该方法不依赖预定义的固定频段边界，而是根据每个测量周期的实际响应形状来确定频段边界。其物理动机和具体流程将在第2节中详细描述。

本工作中，根据Nyquist和Bode相角响应划分频段的EIS数据作为输入；然后应用基于注意力机制[32]的卷积块注意力模块（CBAM）[31]来选择信息量丰富的阻抗通道（实部、虚部、幅值）和少量频率点以进行SOH估计；最后由一个轻量级MLP接收这些选出的特征并输出最终的SOH估计值。与将整个频段和所有通道赋予等权的方案不同，本策略明确区分了各频段和通道的信息量，同时实现了输入维度降低和模型简化。特别是，由于实际的电池管理系统（BMS）必须在有限的车载闪存预算内执行保护控制、电芯均衡、热管理、SOC估计、通信和固件功能[33]，SOH估计模型不仅要满足高精度要求，还需要具备较小的内存占用和计算效率。在这方面，所提出的CBAM特征选择与轻量级MLP结合的方案构成了一种面向车载部署的实用设计策略。

本工作除估计精度外还考虑了时间效率。特别地，我们通过实验考察了主要使用信息量更丰富的中间和高频段、而排除占据传统EIS测量时间很大比例的频段进行SOH估计的可行性。通过这一考察，我们确定了精度与时间效率之间的实用权衡，并展示了实际应用中快速SOH诊断的潜力。

我们将所提出的框架称为SLAB-EIS，是"基于Attention特征选择进行分频段电化学阻抗谱的快速轻量级SOH估计"（Superfast and Lightweight SOH estimation using Attention-based feature selection within Bandwise Electrochemical Impedance Spectroscopy）的缩写。本工作的主要贡献总结如下：

• 基于物理解释的可复现EIS频段划分方法：我们提出了一种客观且可复现的EIS频段划分方法，该方法联合利用Nyquist图和Bode相角响应，并反映与退化相关的变化。实验证明，所提出的划分方法不仅在SOH、SOC和温度变化下具有良好适用性，还适用于不同的电极化学体系和形态，且随着退化加剧，所识别的频段边界向低频方向移动。

• 结合实验EIS与数据驱动学习的轻量级混合SOH估计框架：基于物理划分的分频段EIS响应，我们提出了一种将CBAM特征选择与轻量级MLP结合的流水线，同时利用实验测量的信息性和数据驱动方法的灵活性。通过仅选取最具信息量的通道和频率点，有效降低了输入维度和模型大小；最终模型大小约为7.4 kB，证明了其在内存受限的部署环境中的适用性。

• 精度与时间效率权衡的量化：我们表明，仅使用信息量更丰富的中间和高频段时，尽管低频测量时间大幅减少，SOH估计精度仍可在仅有有限退化的情况下维持。基于此，我们量化了精度与时间的权衡关系及相应的理论测量时间减少量，并展示了实际应用中快速SOH诊断的潜力。

本文其余部分组织如下：第2节基于对实际电池Nyquist和Bode相角响应的分析，描述所提出的EIS频段划分方法的物理动机、预处理流程以及定义低-中频和中-高频边界的判据。第3节介绍利用分频段EIS数据的SLAB-EIS框架，详细说明分频段输入构建、CBAM特征选择和轻量级MLP架构。第4节描述本工作使用的LCO扣式电池和18650 NMC811圆柱电池数据集、训练与评估设置、基线模型和评估指标。第5节呈现实验结果与讨论，包括频段划分的鲁棒性、基于注意力的通道与频率分析、SOH估计性能、精度与时间效率权衡以及实际意义。最后，第6节总结全文并展望未来工作方向。

频段划分动机

将EIS频段划分为高、中、低频区是电池阻抗分析中广泛采用的做法[22], [34], [35], [36]。然而，文献中采用的频段边界在不同研究中各不相同，且在大多数情况下特定的频率值是预先固定的。表1总结了代表性先前研究中定义的频段边界；高-中频边界从约100 Hz到10 kHz不等，中-低频边界横跨

总体框架

图3展示了所提出的SLAB-EIS框架的整体流水线。该框架由三个主要阶段组成。首先，基于Nyquist图和Bode相角响应将电池测量得到的EIS响应划分为低频、中频和高频段（图左侧）。其次，对于每个频段，阻抗的实部（Z_real）、虚部（Z_imag）和幅值（|Z| = Z_real2 + Z_imag2）被构建为输入通道，然后应用CBAM

数据集

为验证所提框架的泛化性，使用了两个具有不同电极化学体系和形态的公开数据集。表2总结了两个数据集的主要规格参数。

频段划分结果与鲁棒性

将第2节中提出的基于相角转变的频段划分方法应用于两个数据集的结果如下所述。

结论

本工作为提高基于EIS的电池SOH估计的实用性，提出了SLAB-EIS：一个将基于物理的频段划分与基于注意力的特征选择相结合的轻量级混合框架。本工作可总结如下：

首先，我们提出了一种以响应引导方式将EIS频谱划分为低频、中频和高频段的方法，该方法通过在Nyquist图中Warburg型线性行为的特征基础上设定低-中频边界

CRediT作者贡献声明

Donghyun Kim：撰写——初稿、可视化、软件、方法论、调查研究、形式分析、数据管理、概念构思。Hyeonjang Pyeon：验证、调查研究、概念构思。Kwanwoong Yoon：验证、调查研究、形式分析。Joonhee Kim：验证、方法论、调查研究。Jimin Choi：验证、调查研究。Jongmun Lee：软件、调查研究。Soohee Han：撰写——审稿与编辑、验证、监督、资源提供、项目管理、

生成式AI及AI辅助技术在稿件准备过程中的声明

在本文准备过程中，作者使用了Claude来改善语言。使用该工具后，作者按需审阅并编辑了内容，并对已发表文章的内容承担全部责任。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知的经济利益冲突或个人关系。

致谢

本工作部分由韩国政府（MSIT）资助的国家研究基金会（NRF）拨款（编号RS-2026-25481115）支持，部分由国家消防局"开发传感器与机器人技术以支持消防现场生命搜寻与灭火活动计划"（项目编号20026197，灭火履带式移动机器人开发及消防环境演示技术开发）资助，部分由...

Donghyun Kim | Hyeonjang Pyeon | Kwanwoong Yoon | Joonhee Kim | Jimin Choi | Jongmun Lee | Soohee Han