《Energies》：Ageing Sensitivity of Pulse-Derived Descriptors in Lithium-Ion Cathode Chemistry Classification Under Health-Shifted Evaluation
编辑推荐：
阴极化学决定了退役电池的处理路线；目前退役电池的标记仅为推荐而非强制要求，因此必须从电池本身读取其化学信息，本研究采用5秒脉冲实现这一目的。来自270个电池状态和215个电池的公开数据测试了训练健康范围之外的分类能力。命名描述符取代原始转折点，从而可将判别能力
阴极化学决定了退役电池的处理路线；目前退役电池的标记仅为推荐而非强制要求，因此必须从电池本身读取其化学信息，本研究采用5秒脉冲实现这一目的。来自270个电池状态和215个电池的公开数据测试了训练健康范围之外的分类能力。命名描述符取代原始转折点，从而可将判别能力的损失归因于电化学量。在共享的健康分布下，任务达到饱和：单棵决策树利用静置开路电压（OCV）即可完美分类三种化学体系，七种配置至少达到97.8%的准确率，尽管化学信息与容量、外形和批次相混淆。当训练于健康状态（SoH）≥0.88而测试于SoH<0.85时，保留OCV的配置达到0.886的宏召回率，而仅依赖脉冲动力学的配置为0.744，两者在同一重复内的差距为0.144（跨25次随机种子拟合，区间[0.118, 0.152]）。由于荷电状态（SoC）参照名义容量定义，真实SoC随健康变化；匹配真实SoC后，该差距缩小至0.105（[0.088, 0.120]）。按化学体系分析，匹配后的差距仅出现在健康和外形同时变化的体系中，而三个无OCV配置中有两个随距离增加进一步下降。在所考察条件下，这些描述符随健康变化，这削弱了它们作为健康范围外化学标记的有效性。
研究背景与问题提出
随着电动汽车退役锂离子电池数量的急剧增长，其管理已从实验室问题演变为工业问题。全球回收产能预计将从2023年的每年300 GWh大幅提升，而退役电池包和生产废料是主要原料来源。然而，电池包通常被拆解至模组级别，制造商元数据常常缺失或不可靠，导致回收预处理环节缺乏可信的电池身份记录。这一记录至关重要，因为正极化学在很大程度上决定了电池应采取的回收路线——湿法冶金、火法冶金或直接回收工艺所回收的材料及其环境成本各不相同，不同化学体系所含金属的稀缺性和价格差异也使得回收价值迥异。因此，必须在选择回收路线之前确定化学信息。然而，对于目前正在退役的电池，化学分类依赖于制造商标记，而该标记仅为推荐而非强制要求，因此必须从电池本身获取化学信息。此外，仍保有可用容量的电池会被分流至梯次利用而非直接回收，现有退役电池分选方法主要针对健康状态（SoH）和容量一致性而非化学体系进行分类。
现有化学识别方法主要分为两类：一类利用长时间行为（如完整充放电循环或长期循环寿命数据），另一类将测量压缩至数秒内完成。其中，Hu等人利用5秒脉冲识别电池类型，在640个电池的10184条记录中达到96.3%的准确率。然而，该方法明确指出其预测目标是“数据集定义的电池类型而非孤立因果变量的正极化学”，并指出分类器可能利用名义容量、电池外形、制造商设计、老化状态以及荷电状态（SoC）和健康分布等特征。更重要的是，现有评估均采用相对于健康的随机划分方式，训练集和测试集来自相同的健康分布，从未要求分类器标注训练健康范围之外的电池。因此，脉冲基化学分类能否泛化到训练范围之外的健康状态，以及基准数据的条件设置如何导致性能损失，仍是未解之谜。
研究目标与方法概述
本研究旨在回答以下科学问题：在健康偏移评估下，5秒脉冲响应的哪些组分能够继续区分正极化学，以及保留OCV与不含OCV表征之间的性能差异有多少可归因于SoC条件设置。研究人员提出了四项方法论贡献：（1）用命名的电化学描述符替代原始转折点；（2）引入健康偏移评估设计；（3）通过真实SoC匹配视图部分归因于SoC条件效应；（4）实施带种子复制的计算可重复性验证。
关键技术方法包括：从270个电池状态（来自215个物理电池）的5秒脉冲响应中提取21个转折点，并将其转换为23个命名的电化学描述符，涵盖欧姆阶跃、极化增长、弛豫恢复分数、充放电不对称性、幅值非线性比及压降归一化模拟量等。通过两种视图处理SoC条件效应：视图A固定于5%名义SoC，视图B将每个电池状态匹配至最接近25%实际容量的真实SoC水平。七种特征配置覆盖从单独OCV到完全不含OCV的表征空间。评估设计包括插值评估（分层分组随机50%分裂）和健康偏移评估（训练于SoH≥0.88，测试于SoH<0.85）。采用三种学习器：袋装树（100轮）、线性判别分析和五近邻法，袋装树经25次随机种子拟合取中位数结果。
研究结果
3.1 描述符可计算且物理合理：所有23个特征在2700行数据中均为有限值，匹配C率量在20–120 mΩ·Ah合理带内占98.9%，弛豫恢复分数100%落在[0,1]区间。
3.2 插值分类达到饱和：单棵决策树仅利用静置OCV即可在107个保留电池中完美分类三种正极化学体系。所有七种配置均达到至少97.8%的准确率和0.981以上的宏召回率，表明在该数据集下分类任务已达到饱和。
3.3 开路捷径：静置OCV对三对化学组合的分离统计量均达最大值1.00，而无OCV描述符无一能达到对所有三对组合的完全分离。个别描述符对某些组合分离强而对其他组合弱。
3.4 健康偏移泛化与条件效应：在视图A中，保留OCV的配置达到0.886宏召回率，无OCV配置为0.744，臂间差距为0.144。在真实SoC匹配的视图B中，差距缩小至0.105，匹配移除了约25%的惩罚。按化学体系分解发现，匹配后的优势仅存在于NMC，而LFP和LMO在匹配视图中无OCV保留优势，说明臂级差距主要由健康和外形同时变化的NMC驱动。
3.5 外推区域内的剂量-响应关系：在视图B中，保留OCV的三种配置随健康差距增大未表现出系统性下降，而两个纯脉冲动力学无OCV配置的宏召回率每0.10 SoH分别下降10.1和8.6个百分点，排序与OCV含量一致。
3.6 NMC内的外形混杂：NMC训练集包含48个软包电池行而无圆柱电池行，测试集则包含39个圆柱电池行和3个软包电池行，健康和外形无法在该类别中分离。
3.7 电池内老化关联：在12个实验室老化的圆柱形NMC电池中，极化增长（1 C充电）与SoH的中位边际Spearman相关系数为-0.943，12个细胞方向一致，超过检测阈值0.811。静置OCV同样达到-0.943。控制OCV后，无描述符达到偏相关检测阈值0.878。
讨论与结论
研究结果表明，保留OCV的表征在健康外推下比无OCV表征保持更高的判别稳定性，但在真实SoC匹配视图中这一优势仅限于NMC，而健康和外形在该类别中无法分离。动力学描述符（极化、弛豫）随健康变化，削弱了其作为健康范围外化学标记的稳定性。静置OCV虽也随健康变化（边际中位相关系数-0.943），但其作为热力学量的性质使其在健康偏移下保持了相对更好的判别能力。研究结论如下：在所考察条件下，老化敏感型描述符随健康变化，这一模式与老化敏感性一致。在健康外推下，取消OCV水平的表征通常比保留OCV的表征显示出更差的判别稳定性，尽管在真实SoC匹配视图中这一优势局限于NMC。这种敏感性因此在所考察条件下成为化学分选的劣势，而其潜在的诊断价值仍有待证明。研究还指出，评估设计应将健康偏移保留集纳入考量，训练所涵盖的健康范围应作为分类器验证域的一部分报告，以便将超出范围的电池识别为外推情况而非盲目分配化学标签。
