TL;DR河北工业大学联合中汽研团队提出一种融合电学特征与超声特征、结合频域增强分解TransformerFEDformer的锂离子电池SOH估计框架。基于9只LFP软包电池、7828个循环的多工况老化数据集从20个多域特征中经Spearman筛选构建8维最优特征集。电超声双模态输入下FEDformer在单工况测试中MAE达0.30%、RMSE达0.36%相较纯电特征精度提升44.44%/47.83%跨老化条件泛化场景下平均MAE 0.52%、RMSE 0.63%在所有跨工况组合中一致优于纯电信号基线。与CNN、LSTM、Transformer、Informer等模型横向对比中FEDformer取得最优的MAE 0.17%–0.28%区间。论文信息Yuan L, Liu S, Ma Y, et al. State of Health Estimation of Lithium-Ion Batteries Combining Electrical and Ultrasonic Signal Features[J].Batteries, 2026, 12(7): 230.关键词SOH估计 | 超声无损检测 | 多模态特征融合 | FEDformer | LFP电池 | 电池管理系统 | 频域增强 | 老化数据集 | 频域分析一、问题意识纯电特征SOH估计的物理盲区当前锂电池SOH估计方法几乎完全依赖电信号——电压、电流、温度及其衍生特征增量容量曲线ICA峰值、dV/dt特征、恒流/恒压充电时间等。这些电信号衍生量确实能够有效捕捉电池老化过程中不可逆的电化学特性变化如活性锂损失LLI和电极/电解液界面阻抗演化。然而电池老化是一个多物理场耦合过程。除了电化学维度的退化电池内部同时发生着显著物理结构性质的不可逆演化SEI膜持续增厚负极表面固体电解质界面膜在循环中不断生长消耗活性锂并增加离子传输路径[1]活性材料颗粒机械强度下降反复嵌锂/脱锂导致颗粒内部应力交变引发微裂纹与接触损失电极晶格体积膨胀正极/负极材料在锂嵌入过程中的晶格膨胀/收缩造成电极整体尺寸变化。这些物理结构变化对超声波的传播特性声速、声阻抗、衰减系数高度敏感但对电压/电流曲线的响应却极为微弱——尤其在LFP体系中由于其独特的两相共存机制OCV-SOC曲线在平台区近乎平坦电信号对物理结构退化的分辨能力进一步被压缩。从数据来看这暗示着一个明确的互补空间如果能在电信号捕捉电化学维度信息的同时引入对物理结构变化高灵敏的超声信号便有望构建更完整的多物理场特征集突破单一模态的性能天花板。二、核心创新电-超声双模态特征融合框架2.1 超声表征的物理基础超声波在固体介质中的传播行为由介质的弹性性质和密度决定。核心关系式如下声速vs √(E/ρ)其中E为杨氏模量ρ为密度声阻抗Z √(ρE)飞行时间TOF L/vsL为传播路径长度信号幅值SA与声阻抗和界面传输系数相关电池充放电过程中锂离子在正负极之间嵌入/脱出直接改变电极材料的密度ρ和杨氏模量E。这意味着超声信号的TOF、SA等指标会随电池内部状态的变化而发生改变——即使电学信号看起来等效的两块电池其超声响应可能已经展现出显著分歧。各类电池在早期循环中电学信号曲线高度一致表明初始阶段电化学可逆性良好但超声信号曲线已呈现显著偏差揭示了内部物理结构的不可逆演化。这一观察从实验层面验证了超声信号对早期物理退化的灵敏度优势。2.2 多工况老化数据集构建实验设计是这篇论文的一项基础性贡献。研究团队使用9只商业LFP软包电池额定容量10Ah在25°C恒温环境下设计了三组差异化放电倍率方案电池编号充电制度放电倍率数据规模B1–B3CC-CV1C / 3C三组B4–B6CC-CV1C / 2C三组B7–B9CC-CV1C / 1C三组总计7828个循环的数据量每个循环均同步采集电信号电压、电流、温度和超声信号。超声系统采用中心频率1 MHz的压电探头、100 MHz采样率以高真空硅脂为耦合剂对置透射模式安装。这一数据集的设计有两个突出特点其一数据规模在超声-电池耦合研究中属于较大水平为深度学习模型提供了充足的训练样本其二多倍率交叉设计天然支持跨工况泛化能力评估这也是现有文献中较为少见的实验设计。2.3 多域特征提取与Spearman筛选论文从三个域共提取了20个特征HF1–HF20电信号特征HF1–HF8ICA曲线三个特征峰值HF1–HF3dV/dt曲线三个特征峰值HF4–HF6CC充电时间与CV充电时间HF7–HF8超声时域特征HF9–HF16SPP信号峰峰值的均值、标准差、峰度、偏度HF9–HF12TOF飞行时间的均值、标准差、峰度、偏度HF13–HF16超声频域特征HF17–HF20频谱熵HF17反映频域能量分布的均匀程度频谱方差HF18脉冲因子HF19裕度因子HF20峰值与均值之比反映信号的冲击特性在特征筛选环节论文采用Spearman秩相关系数阈值ρs ≥ 0.98对20个特征进行强相关性筛选得到12个与SOH高度相关的特征子集。最终从中选取8个特征HF1 HF2 HF3 HF7 HF9 HF13 HF17 HF20构建输入向量。从工程角度看Spearman筛选的工程意义在于它是一种非参数的单调相关性度量方法不要求特征与SOH之间满足线性关系只需存在单调趋势即可被捕获。这对于电池老化这种高度非线性过程来说比Pearson相关系数更为适用。同时ρs ≥ 0.98的高阈值保证了输入特征与目标变量之间存在足够强的统计关联降低了模型学习冗余映射的风险。2.4 FEDformer架构选型模型层面论文选用了FEDformerFrequency Enhanced Decomposed Transformer作为SOH估计模型。FEDformer由Zhou等人于2022年提出收录于ICML 2022其核心架构包含三大模块频率增强块FEB在频域进行自注意力计算替代传统Self-Attention将复杂度从O(N²)降至O(N)频率增强注意力FEA在频域进行交叉注意力计算连接编码器与解码器专家混合分解块MOEDecomp使用多尺度平均池化滤波器提取趋势分量以数据驱动的softmax权重进行融合在本文的SOH估计场景中输入特征序列具有明显的趋势性SOH随循环次数单调下降和周期性每个充放电循环的信号特征存在准周期模式。FEDformer的频域增强机制恰好擅长捕捉这类全局趋势局部细节的信号结构这大概也是其在实验中表现优于其他Transformer变体的原因。论文中的模型配置为编码器2层、解码器1层编码器注意力头6个、解码器2个学习率0.001dropout 0.05最大训练轮次100batch size 32。三、实验结果与跨体系对比3.1 核心实验数据论文报告了系统性的对比实验结果电 vs 电超声FEDformer单工况输入特征MAERMSE纯电特征0.54%0.69%电超声0.30%0.36%融合超声特征后MAE降低44.44%RMSE降低47.83%。精度接近减半且绝对误差已降至亚百分比水平。跨老化条件泛化训练工况测试工况纯电MAE电超声MAE1C3C1C——3C2C1C0.72%0.41%跨工况平均——0.52%电超声跨工况场景下电超声组合的平均MAE为0.52%RMSE为0.63%。在所有跨倍率组合中电超声方案一致优于纯电信号输入。3C2C联合训练后预测1C工况时纯电方案MAE为0.72%而电超声方案降至0.41%降幅达43%。不同模型横向对比电超声输入模型MAE范围CNN0.70%–0.83%LSTM0.71%–0.82%Transformer0.32%–0.41%Informer0.37%–0.42%FEDformer0.17%–0.28%FEDformer在所有对比模型中取得最优表现MAE区间为0.17%–0.28%显著低于CNN/LSTM约2–3倍差距也明显优于标准Transformer和Informer。3.2 超声特征的贡献解读从最终选择的8维特征集来看超声贡献了4个维度HF9平均SPP值信号峰峰值均值直接反映超声波在电池内部传播过程中的能量衰减与材料密度/弹性模量变化相关HF13平均TOF飞行时间均值与声速直接关联是最经典的超声电池状态表征指标HF17频谱熵频域能量分布均匀度指标老化过程中电池内部结构的不均匀化可能导致频谱能量分布发生变化HF20频谱裕度因子峰值与均值之比反映信号中突出频率成分的强度这4个特征覆盖了时域和频域两个维度其中HF9和HF13偏重宏观物理参数密度、模量的表征HF17和HF20则捕捉更细粒度的信号结构变化。这种宏观微观的超声特征组合大概也是电超声方案能够取得显著精度提升的关键因素。四、跨体系触类旁通4.1 超声 vs EIS两条多模态路径的对比在电池多模态状态估计领域电化学阻抗谱EIS是另一条主流路线。将超声方案与EIS方案进行横向对比可以清晰地看到两种路径的差异定位对比维度超声方案本文EIS方案信息维度物理结构密度、模量、界面状态电化学动力学电荷转移、扩散、SEI阻抗硬件成本压电探头脉冲收发器单通道约数百元级电化学工作站/专用EIS芯片高频段设备成本较高测量速度微秒级单次TOF测量秒-分钟级完整频谱扫描在线集成难度探头贴附于电池表面结构相对简单需要专用电极接口高频测量对布线敏感空间分辨率取决于探头布置可实现局部区域检测整体阻抗响应空间分辨能力有限典型SOH估计精度本文MAE 0.30%电超声文献中EISML方法MAE约0.5%–2%[3]从成本角度看超声检测的单次费用在第三方检测机构中约为800–1500元而包含EIS和CT的全套检测费用通常在3000–5000元区间。在量产BMS场景中超声探头的小型化和低功耗特性使其在嵌入电池包方面具有天然优势——美国能源部2025年发布的报告也验证了超声检测在热失控早期预警中的可行性其开发的超声BMS集成方案可在过充失效前124分钟发出预警。不过两种方案并非互斥关系。EIS捕捉的电化学动力学信息如SEI阻抗增长、电荷转移电阻变化与超声捕捉的物理结构信息在物理机理上是互补的。一个有待探索的方向是将EIS超声电信号三者融合构建更完整的多物理场特征集。4.2 与应变片/膨胀传感的对比除超声外力学传感应变片、膨胀力传感器也常用于检测电池物理状态变化。与应变片方案相比超声方法的优势在于内部敏感性超声波穿透电池内部对体相物理性质变化敏感应变片仅测量外壳表面形变多维度信息一次超声测量可同时提取TOF、SA、频谱特征等多类指标应变片主要获取一维应变信号无需标定预压力应变片方案需要精确控制传感器与电池表面的接触压力超声对置式方案以耦合剂填充界面安装约束相对宽松局限在于超声信号受温度影响较大声速随温度变化在实车环境中需要配合温度补偿算法。4.3 与Stanford/MIT电池数据集的异同在数据集层面MIT-Stanford电池数据集是该领域知名的公开基准之一包含124只LFP/石墨圆柱电池的全寿命数据。但该数据集仅包含电信号电压、电流、温度、内阻不涵盖超声或力学信号。本文构建的7828循环电-超声同步数据集在多模态维度上填补了一个空白。两者的设计哲学也有所不同MIT-Stanford数据集侧重于多充电策略72种下的寿命预测关注的是不同快充方案如何影响电池寿命本文数据集侧重于多放电倍率下的多物理场状态估计关注的是多模态传感如何提升SOH估计精度。从数据规模来看7828个循环的9只电池在绝对数量上不及MIT-Stanford的124只电池但每只电池都配备了同步超声采集数据密度和信息维度更高。五、工程落地成熟度评估5.1 超声传感器成本与BMS集成可行性超声检测系统的核心硬件为压电探头和脉冲收发器。商用1 MHz压电探头的单价在工业批量采购中可降至数十元级别脉冲收发器电路的BOM成本也相对可控。与EIS设备需要精密的频率扫描电路相比超声方案的硬件复杂度更低。在嵌入电池包的可行性方面超声探头以贴片形式安装在电池表面占用空间有限。软包电池本文使用的LFP软包电池的扁平外形天然适合对置式探头安装。对于圆柱电池和方形电池则需要考虑曲面贴合和耦合剂长期稳定性的问题。美国Titan Advanced Energy Solutions于2025年发布的DOE资助报告中已在950 mAh电池上实现了超声BMS的在线集成并成功验证了过充预警和热失控检测功能。这为超声方案在量产BMS中的应用提供了一定的工程可行性佐证。5.2 在线监测 vs 离线标定当前论文的实验方案属于离线/准在线场景超声信号在实验室内同步采集耦合剂高真空硅脂需要保持探头与电池表面的稳定声学耦合。在实际车规BMS中耦合剂的长期老化、温度循环对声学界面的影响、以及振动环境下的探头稳定性都是需要解决的工程问题。一种可能的落地路径是在产线端或售后检测环节低频、高精度场景率先部署超声SOH校准为在线BMS提供周期性基准修正而日常在线估计仍以电信号为主超声信息作为间歇性补充。这种离线超声校准 在线电学跟踪的混合模式可以在不大幅增加系统复杂度的前提下获得多模态增益。5.3 LFP体系特异性本文的实验对象为LFP软包电池。LFP体系的两个特性使超声方案在此可能获得较大收益OCV-SOC曲线极度平坦平台区电压对SOC变化几乎不敏感电信号的信息量被压缩。超声信号作为独立模态不受电压平台限制可有效补充信息两相反应机制LFP正极的FePO₄/LiFePO₄两相共存导致明显的相界面移动和局部应力变化这些物理变化对超声波的传播有显著影响对于NMC/NCA等高电压正极体系OCV-SOC曲线的单调性更好电信号本身的信息量更丰富。超声方案在这些体系中的增量收益如何有待进一步实验验证。不过NMC/NCA体系的SEI生长、颗粒开裂等物理退化机制同样存在超声信号理论上仍然能够提供补充电化学维度的物理结构信息。六、FAQQ1超声SOH估计方法是否只适用于LFP电池论文实验基于LFP软包电池展开但超声表征的物理机理声速与材料密度/模量的关系对所有锂离子电池体系均适用。LFP体系的平坦OCV-SOC曲线放大了超声方案的相对优势对于NMC/NCA体系超声方案的增量收益需要通过实验进一步量化。Q2Spearman筛选阈值ρs ≥ 0.98是否过于严格高阈值确实会筛除一些与SOH存在非线性但统计关联不够强的特征。论文的设计意图是确保输入特征与目标变量之间存在足够强的单调关联降低模型的冗余学习负担。对于更复杂的非线性依赖关系可以考虑引入互信息或基于树模型的特征重要性作为补充筛选手段。Q3FEDformer相比标准Transformer的优势来源是什么FEDformer通过频域增强将自注意力复杂度从O(N²)降至O(N)同时利用MOE分解模块显式建模趋势分量。在SOH估计场景中输入特征序列具有明显的单调下降趋势和准周期模式FEDformer的频域机制和趋势分解能力恰好匹配这类信号结构这可能是其优于标准Transformer和Informer的关键原因。Q4超声方案在实车环境中面临哪些工程挑战主要包括三方面其一耦合剂的长期稳定性和温度适应性其二振动环境下探头与电池表面的声学耦合保持其三超声信号的温度补偿声速对温度敏感。当前研究团队此前在超声SOC估计中已积累了变温、变频条件下的实验基础[7]后续有望将这些经验迁移至SOH估计场景。Q5数据集中为何没有包含温度变化条件实验在25°C恒温下进行排除了温度对超声信号的干扰便于聚焦于电-超声双模态融合的有效性验证。温度变化条件下的多模态SOH估计是后续研究的重要方向——在实际应用中温度既是干扰因素也可能成为辅助特征。七、结论与展望本文提出的电-超声双模态特征融合FEDformer框架在多物理场感知和深度学习建模两个维度上实现了协同创新。7828循环的实验数据和系统性的对比验证表明超声特征的引入能够显著提升SOH估计精度MAE提升44%和跨工况泛化能力。从中可以推测随着超声传感器小型化和BMS集成技术的成熟电信号超声信号的双模态感知有望成为下一代智能BMS的标配功能之一。在更远的视野中将超声、EIS、应变、声学发射等多种物理传感信号进行深度融合构建全物理场覆盖的电池状态估计框架将是该领域的重要发展方向。参考文献[1] PINSON M B, BAZANT M Z. Theory of SEI formation in rechargeable batteries: Capacity fade, accelerated aging and lifetime prediction[J].Journal of The Electrochemical Society, 2013J. Electrochem. Soc.160A243[2] ZHOU T, MA Z, WEN Q, et al. FEDformer: Frequency enhanced decomposed transformer for long-term series forecasting[C]//Proceedings of the 39th International Conference on Machine Learning (ICML). Baltimore: PMLR, 2022: 27275-27286. arXiv:2201.12740[3] AFRICK S. Ultrasonic characterization of lithium ion thermal runaway conditions for real-time ultrasonic enabled BMS integration[R]. US DOE Technical Report, 2025. OSTI ID:3010008[4] Severson, K.A., Attia, P.M., Jin, N.et al.Data-driven prediction of battery cycle life before capacity degradation.Nat Energy4, 383–391 (2019).[5] M. Shao, G. Lv, W. Feng, X. Wu, Z. -X. Yang and S. Guo, Multifeature Fusion of Noncontact Laser-Generated Ultrasound and Electrochemical Data for In Situ Battery State Estimation, inIEEE Transactions on Instrumentation and Measurement, vol. 75, pp. 1-13, 2026, Art no. 9701813[6] SUN H, MURALIDHARAN N, AMIN M R, et al. Ultrasonic nondestructive diagnosis of lithium-ion batteries with multiple frequencies[J].Journal of Power Sources, 2022, 549: 232091.本文为对已发表学术论文的技术解读与评述旨在促进学术交流与技术传播。文中所有分析、推测及观点均基于论文原文数据和公开信息不构成对任何产品、技术路线或商业方案的推荐或背书。