NEC锂电池产品分类
NEC锂电池通过量化阳极空间退化实现锂离子电池的快速无损诊断
发布时间：2026-03-28 10:10:40 点击： 次
锂离子电池的非破坏性退化诊断对其可持续运行至关重要，然而开发适用于多样化使用条件且兼具实用性与精确性的诊断方法仍具挑战性。本研究提出一种基于负极表面退化宏观空间分布的非破坏性、反映降解机制的商业圆柱电池诊断方法，并论证了其在预测未来容量衰减中的应用价值。实验证实，在10%荷电状态范围内连续四个电压点进行14秒弛豫时测得的脉冲诱导过电压，与通过拆解分析量化的退化行为呈现强相关性（皮尔逊相关系数达0.94）。利用高通量实验数据集，我们基于诊断特征构建的模型在81组运行序列中实现容量预测平均误差0.81%。本研究开发的基于老化机理的诊断解决方案，有望为构建高可靠性、实用化的离线电池管理系统提供理论基础。
图文摘要
引言
为应对这一挑战，研究者们通过采用与老化机制无关的分析方法，开展了大量关于退化行为分析的研究。沿此方向，多种数据驱动模型已被用于预测循环寿命，并在不同参数空间中优化操作方案。21,22,23,24,25,26尽管这些模型表现出显著的有效性，但其准确性高度依赖于数据量与实验设计。因此，具有普适性和高可解释性的老化机制驱动方法近期重新受到学界关注。27,28,29,30,31,32,33,34例如，在循环过程中实施周期性参考性能测试（RPTs）能够清晰识别与不同运行条件下基础衰减相关的电化学信号。差分电压（DV）和增量容量（IC）分析常被用于通过电压曲线微分来量化活性物质损失与可用锂（Li）含量。35,36尽管这些传统工具能够精确捕捉关键退化问题，但由于其依赖覆盖全荷电状态（SOC）范围的连续低倍率循环数据，仍存在实际应用局限性。37
为确保诊断策略具备充分的实践适用性，相关研究致力于快速高效地提取与电化学性能演化相关的指标。例如，基于脉冲电流的方法（如混合脉冲功率特性测试）通过施加瞬态高电流来监测电压变化，从而实现内部电阻组分的快速追踪。38,39同样地，在充放电步骤结束后的静置期间，电压响应已被用于分类主导老化模式并估算容量，而无需采用复杂协议。27,40,41,42尽管诊断程序已变得更快速和简化，它们仍面临清晰区分不同退化现象的挑战，且常受制于诊断时间与精度之间的权衡。43,44此外，现有大多数诊断方法需要通过将采集信号与电极事后分析结果进行关联，才能针对不同细胞状态完成定量验证。因此，基于老化机制的诊断技术要实现实际应用，关键在于以时间和资源高效的方式特异性量化电池衰减程度，并利用大规模数据集进行全面验证。
本文提出一种非侵入式诊断方法，该方法将锂离子电池（LIB）内部退化状态与负极表面退化分布（ASDD）密切关联，并利用该方法预测由石墨-硅复合材料（Gr-SiOx）负极与LiNi0.8Co0.1Mn0.1(NMC811)正极材料。研究证实，由快速放电脉冲诱导的荷电状态(SOC)依赖性过电势可实现对阳极表面定向降解(ASDD)的精确评估。为此，将过电势演化过程与阳极表面降解熵(SDE)进行关联分析，后者通过表面图像分析技术实现定量表征。为验证诊断方法并优化参数，本研究构建了高通量实验数据集——涵盖81个操作序列衍生的405种不同电池状态。实验表明，通过在10%部分SOC区间对应的四个连续电压点设置14秒弛豫期，所获取的优化过电势数据能精确量化ASDD（皮尔逊相关系数达0.94），且无需拆解电池。我们建立的脉冲诱导过电势预测模型，在未来容量预测中实现了0.81%的平均测试误差。研究结果表明，基于电池电极理化特性领域知识优化的诊断方法，能够实现对商用锂离子电池全生命周期内部状态的可靠、非侵入式监测与预测，具有显著的有效性。2 (NMC811) cathode. The SOC-dependent overvoltage, induced by fast discharge pulses, is demonstrated to provide an accurate estimation of the ASDD. To this end, the overvoltage evolution was correlated with the surface degradation entropy (SDE) of the anode, which was quantified using surface image analysis. For diagnostic validation and optimization, a high-throughput experimental dataset—encompassing 405 distinct cell states derived from 81 operating sequences—was generated. The optimized overvoltage data, acquired by implementing a 14 s relaxation period at four sequential voltage points corresponding to a 10% partial SOC range, is shown to precisely quantify the ASDD (Pearson correlation coefficient, 0.94) without necessitating cell disassembly. Our pulse-induced overvoltage-based model achieves an average test error of 0.81% for future capacity prediction. These results highlight the effectiveness of the developed diagnostic method, optimized with domain knowledge related to the physicochemical properties of battery electrodes, for reliable and non-invasive monitoring and prediction of the internal state of commercial LIB cells throughout their lifetime.
标签: