AI สร้างสรรค์ขับเคลื่อนการนำแบตเตอรี่ลิเธียมไอออนที่ปลดประจำการกลับมาใช้ใหม่อย่างยั่งยืน

```html ผู้เขียน: Shengyu Tao Ruifei Ma Zixi Zhao Guangyuan Ma Lin Su Heng Chang Yuou Chen Haizhou Liu Zheng Liang Tingwei Cao Haocheng Ji Zhiyuan Han Minyan Lu Huixiong Yang Zongguo Wen Jianhua Yao Rong Yu Guodan Wei Yang Li Xuan Zhang Tingyang Xu Guangmin Zhou บทคัดย่อ การประมาณค่าสถานะสุขภาพ (SOH) ของแบตเตอรี่ที่หมดอายุการใช้งานอย่างรวดเร็วและแม่นยำเป็นกระบวนการบำบัดล่วงหน้าที่สำคัญสำหรับการนำกลับมาใช้ใหม่และการรีไซเคิล อย่างไรก็ตาม วิธีการที่ขับเคลื่อนด้วยข้อมูลต้องการการดูแลข้อมูลอย่างละเอียดภายใต้สภาวะการเกษียณที่มี SOH และสถานะการชาร์จ (SOC) แบบสุ่ม ในที่นี้ เราแสดงให้เห็นว่าการประมาณค่า SOH ด้วยความช่วยเหลือจากการเรียนรู้เชิงสร้างสรรค์นั้นมีแนวโน้มที่จะช่วยลดปัญหาการขาดแคลนข้อมูลและความแตกต่างของข้อมูลได้ โดยได้รับการตรวจสอบผ่านชุดข้อมูลการฉีดพัลส์จากตัวอย่างแบตเตอรี่ลิเธียมไอออนที่หมดอายุการใช้งาน 2700 ตัวอย่าง ครอบคลุมประเภทวัสดุแคโทด 3 ประเภท รูปแบบทางกายภาพ 3 ประเภท การออกแบบความจุ 4 ประเภท และการใช้งานในอดีต 4 ประเภท ด้วยระดับ SOC 10 ระดับ ด้วยการใช้ข้อมูลที่สร้างขึ้น ตัวถดถอยสามารถประมาณค่า SOH ได้อย่างแม่นยำ โดยมีค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAPE) ต่ำกว่า 6% ภายใต้ SOC ที่ไม่เคยพบเห็น เราคาดการณ์ว่า หากมีการนำเทคนิคที่นำเสนอไปใช้อย่างสม่ำเสมอ จะช่วยประหยัดค่าใช้จ่ายด้านพลังงานไฟฟ้าได้ 4.9 พันล้านดอลลาร์สหรัฐ และลดการปล่อยก๊าซ CO2 ได้ 35.8 พันล้านกิโลกรัม โดยการลดต้นทุนการดูแลข้อมูลสำหรับสถานการณ์แบตเตอรี่ทั่วโลกที่จะหมดอายุการใช้งานในปี 2030 กระดาษนี้เน้นการใช้ประโยชน์จากข้อมูลที่มีจำกัดเพื่อสำรวจพื้นที่ข้อมูลที่ขยายออกไปโดยใช้วิธีการเชิงสร้างสรรค์ เนื่องจากข้อมูลอาจใช้เวลานาน มีค่าใช้จ่ายสูง และก่อให้เกิดมลพิษในการดึงข้อมูลสำหรับงานประมาณค่าและการคาดการณ์จำนวนมาก บทนำ การเปลี่ยนผ่านสู่ระบบไฟฟ้าในการขนส่ง ซึ่งเป็นภาคส่วนสำคัญในการเปลี่ยนผ่านสู่พลังงานคาร์บอนต่ำ ได้ปรับเปลี่ยนกระบวนทัศน์การขนส่งที่ใช้เชื้อเพลิงฟอสซิลอย่างที่ไม่เคยมีมาก่อน แบตเตอรี่ลิเธียมไอออนมีความสำคัญอย่างยิ่งต่อการเปลี่ยนผ่านนี้ โดยให้แหล่งพลังงานที่ราคาไม่แพง ทนทาน และปลอดภัยสำหรับยานยนต์ไฟฟ้า (EV) , กำลังการผลิตรวมของแบตเตอรี่ EV ที่ใช้งานอยู่และหมดอายุการใช้งานจะเกิน 32–62 เทราวัตต์ภายในปี 2050 ซึ่งสูงกว่าการประมาณการในรายงานของ International Renewable Energy Agency และ Storage Lab อย่างมาก อย่างไรก็ตาม แบตเตอรี่ EV ที่หมดอายุการใช้งานนั้นถูกควบคุมอย่างเข้มงวด โดยมีมูลค่าความจุที่เหลืออยู่สูงซึ่งถูกใช้งานน้อยกว่าปกติ โดยทั่วไปแล้วจะมากกว่า 80% ของความจุที่กำหนด , หากไม่ได้รับการจัดการอย่างเหมาะสม จะส่งผลให้เกิดภาระทางเศรษฐกิจ สำหรับผู้ผลิตและผู้ใช้ รวมถึงประเด็นด้านสิ่งแวดล้อมและสังคม เช่น การสูญเสียทรัพยากร ความเสี่ยงของห่วงโซ่อุปทาน และการปล่อยก๊าซคาร์บอน , , . 1 2 3 4 5 6 7 8 9 10 11 กลยุทธ์ที่มีแนวโน้มในการแก้ไขปัญหาการเพิ่มขึ้นของการหมดอายุการใช้งานแบตเตอรี่อย่างไม่สม่ำเสมอคือการนำกลับมาใช้ใหม่ , , และการรีไซเคิล ในการนำกลับมาใช้ใหม่ แบตเตอรี่ที่หมดอายุการใช้งานจะถูกนำไปใช้ใหม่สำหรับแอปพลิเคชันต่างๆ เช่น ระบบกักเก็บพลังงานที่เชื่อมต่อกับโครงข่ายไฟฟ้า แหล่งจ่ายไฟสำหรับที่อยู่อาศัย และยานยนต์ความเร็วต่ำ อย่างไรก็ตาม การนำกลับมาใช้ใหม่ต้องผ่านกระบวนการบำบัดล่วงหน้า รวมถึงการคัดกรองความสม่ำเสมอ การจัดลำดับความจุ และการจัดกลุ่มใหม่ , เพื่อให้ตรงตามข้อกำหนดของแอปพลิเคชัน แม้ว่าจะมีการเริ่มโครงการนำร่อง , , แต่การขาดมาตรฐานที่เข้มงวดสำหรับสถานการณ์การใช้งานและเส้นทางการหมดอายุการใช้งานก็เป็นอุปสรรคต่อการใช้ความจุที่เหลืออยู่อย่างสมเหตุสมผล การรีไซเคิลจะใช้ประโยชน์จากค่าคงเหลือของแบตเตอรี่ที่หมดอายุการใช้งานโดยการสกัดวัสดุหรือการซ่อมแซมโครงสร้าง , ซึ่งเหมาะสำหรับแบตเตอรี่ที่หมดอายุการใช้งานซึ่งเสื่อมสภาพอย่างถาวร เมื่อเทียบกับโลหะร้อน (pyrometallurgy) และโลหะเปียก (hydrometallurgy) , การรีไซเคิลโดยตรงโดดเด่นในด้านผลกำไรที่เหนือกว่า การใช้พลังงานที่ต่ำกว่า และการปล่อยก๊าซคาร์บอนที่ลดลง , , การใช้ประโยชน์จากการเติมลิเธียมและการตกแต่งวัสดุแคโทด การรีไซเคิลโดยตรงช่วยให้สามารถซ่อมแซมโครงสร้างวัสดุได้อย่างมีประสิทธิภาพ และฟื้นฟูประสิทธิภาพ อย่างไรก็ตาม สถานะสุขภาพ (SOH) เป็นตัวกำหนดปริมาณสารเคมีที่จำเป็นและการคาดการณ์ปริมาณลิเธียมที่ต้องเติมในการกำหนดสูตรกลยุทธ์การรีไซเคิลโดยตรง , , ปริมาณที่ไม่เพียงพออาจส่งผลให้การซ่อมแซมไม่สมบูรณ์ ในขณะที่ปริมาณที่มากเกินไปอาจนำไปสู่การเกิดด่างตกค้างบนพื้นผิวแคโทด ทำให้ประสิทธิภาพการฟื้นฟูแย่ลง , น่าเสียดาย การดึงข้อมูล SOH ต้องอาศัยการวิเคราะห์วัสดุที่รุกล้ำ , และการทดสอบการสอบเทียบความจุที่ใช้เวลานาน การได้รับ SOH แบบไม่รุกล้ำ รวดเร็ว และยั่งยืนยังคงเป็นความท้าทายที่โดดเด่น 6 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 26 27 30 31 32 33 34 27 35 36 37 เพื่อให้ได้ข้อมูล SOH ที่สม่ำเสมอ แบตเตอรี่ EV จะได้รับการตรวจสอบ และบันทึกข้อมูลการทำงานโดยแพลตฟอร์มคลาวด์ และหนังสือเดินทางแบตเตอรี่ (battery passports) สภายุโรปได้อนุมัติกฎหมายว่าด้วยแบตเตอรี่ (Batteries Directive) เมื่อวันที่ 14 มิถุนายน 2023 เพื่อให้แน่ใจว่าแบตเตอรี่ที่หมดอายุการใช้งานสามารถนำกลับมาใช้ใหม่ ปรับปรุงสภาพ หรือรีไซเคิลได้เมื่อสิ้นสุดอายุการใช้งาน อย่างไรก็ตาม ขั้นตอนการตรวจสอบและบันทึกที่จำเป็นนั้นสามารถเข้าถึงได้เฉพาะในช่วงบริการของ EV เท่านั้น แบตเตอรี่ที่หมดอายุการใช้งานจะไม่เชื่อมต่อกับหน่วยตรวจสอบในรถยนต์อีกต่อไป ดังนั้นจึงเป็นเรื่องท้าทายที่จะดึงข้อมูล SOH ที่มีอยู่ในภาคสนาม ความสมบูรณ์ของข้อมูลตลอดอายุการใช้งานยังคงเป็นความท้าทายหลัก ซึ่งเรียกร้องให้มีการประมาณค่า SOH โดยใช้เฉพาะข้อมูลภาคสนาม ตรงกันข้ามกับข้อมูลในอดีตหรือภายใต้สภาวะที่ควบคุมได้ , , วิธีแก้ปัญหาประการหนึ่งคือการทำการทดสอบการสอบเทียบความจุที่ภาคสนามเก็บรวบรวมแบตเตอรี่ที่หมดอายุการใช้งาน เช่น การปรับสภาพสถานะการชาร์จ (SOC) ซึ่งตรงไปตรงมา อย่างไรก็ตาม จำเป็นต้องใช้เวลาทดสอบที่ไม่สามารถจ่ายได้และค่าใช้จ่ายไฟฟ้าเพิ่มเติม การทดสอบลักษณะเฉพาะกำลังไฟฟ้าแบบพัลส์แบบผสม (hybrid pulse power characterization test) เป็นทางเลือกสำหรับการประมาณค่า SOH โดยการฉีดพัลส์แบบไดนามิก แต่ลำดับการทดสอบที่สมบูรณ์ใช้เวลานานกว่า 12 ชั่วโมง Tao และคณะ ได้ใช้พัลส์สั้นๆ สำหรับการประมาณค่า SOH ของแบตเตอรี่ที่หมดอายุการใช้งาน โดยสมมติว่ามีการปรับสภาพ SOC ให้เหลือ 5% ซึ่งแทบไม่เข้ากันกับสภาวะการเกษียณ SOC แบบสุ่ม ความก้าวหน้าล่าสุดในการวัดค่าด้วยเซ็นเซอร์ ได้แก่ การถ่ายภาพ X-ray ความต้านทานไฟฟ้าเคมี , เซ็นเซอร์ใยแก้วนำแสง , เซ็นเซอร์อะคูสติก , การชาร์จบางส่วน , และการฉีดพัลส์ , เทคนิคที่อาศัยเซ็นเซอร์ยังอยู่ในขั้นตอนของห้องปฏิบัติการเนื่องจากการรุกล้ำ ในขณะที่การฉีดพัลส์มีคุณสมบัติในการแยกแยะการเสื่อมสภาพของแบตเตอรี่โดยไม่เกิดความเสียหายทางกายภาพ เร็วกว่าวิธีการชาร์จบางส่วนและวิธีการวัดความต้านทานไฟฟ้าเคมี , , , , , อย่างไรก็ตาม การฉีดพัลส์เป็นวิธีการที่เน้นข้อมูลซึ่งเป็นไปได้ภายใต้สมมติฐานในอุดมคติว่าข้อมูลที่วัดได้ทางกายภาพครอบคลุมสภาวะการเกษียณของเฟสการใช้งานแบบจำลอง ซึ่งเป็นความท้าทายที่รู้จักกันดีของการเปลี่ยนแปลงโดเมนในชุมชนการเรียนรู้ของเครื่อง แม้จะมีความก้าวหน้าในวิธีการเรียนรู้แบบถ่ายโอน (transfer learning) และการปรับตัวของโดเมน (domain adaption) , , ความท้าทายยังคงมีอยู่ เนื่องจากโดเมนเป้าหมายที่จะปรับให้สอดคล้องกันยังคงต้องการข้อมูลก่อนหน้านี้เมื่อติดตั้ง และวิธีการเรียนรู้ที่มีอยู่แทบจะไม่สามารถอัปเดตสำหรับสภาวะการเกษียณแบบสุ่มได้ ทางเลือกหนึ่งคือการขยายขอบเขตการทดสอบข้อมูลภายใต้สภาวะการเกษียณที่ไม่เคยสำรวจมาก่อนเพื่อลดปัญหาการขาดแคลนข้อมูลและความแตกต่าง แต่ก็อาจส่งผลให้ต้นทุนเพิ่มขึ้น Wang และคณะ ได้เสนอวิธีการขุดอุณหภูมิเพื่อประมาณค่าความชอบของจลนพลศาสตร์ปฏิกิริยาที่สภาวะกลางต่างๆ ในระหว่างกระบวนการทางเคมีความร้อน ทำให้สามารถสร้างฐานข้อมูลการฝึกอบรมที่กว้างขวางได้ด้วยต้นทุนการทดลองทางเคมีความร้อนที่น้อยที่สุด เพื่อเพิ่มข้อมูลสำหรับการฝึกอบรมแบบจำลองการเรียนรู้ของเครื่อง นอกจากนี้ การเรียนรู้เชิงสร้างสรรค์ยังแสดงให้เห็นถึงความเป็นไปได้ในการประมาณค่า SOH ด้วยข้อมูลที่เสริมจากโปรไฟล์ที่ผ่านการหมุนเวียนบางส่วน ช่วยประหยัดข้อมูลที่ต้องทดสอบทางกายภาพ , อย่างไรก็ตาม ปัญหาการขาดแคลนข้อมูลและความแตกต่างในบริบทของการนำแบตเตอรี่กลับมาใช้ใหม่และการรีไซเคิลนั้นซับซ้อนยิ่งขึ้นเนื่องจากการผสมผสานประเภทวัสดุแคโทด รูปแบบทางกายภาพ การออกแบบความจุ และการใช้งานในอดีต ทำให้การรวมความรู้เฉพาะสภาพการเสื่อมสภาพเข้ากับแบบจำลองการเรียนรู้ของเครื่องเป็นไปได้ยาก ดังนั้น จึงสมเหตุสมผลที่จะพิจารณาความสัมพันธ์ของการพึ่งพาอาศัยกันระหว่างสภาวะการเกษียณและการตอบสนองแรงดันพัลส์สำหรับการสร้างข้อมูล โดยไม่ก่อให้เกิดการสอบเทียบความจุที่ใช้เวลานานและการทดลองทางกายภาพเพิ่มเติมพร้อมกัน เพื่อเพิ่มประสิทธิภาพการประมาณค่า SOH 38 24 39 30 40 41 41 42 43 44 45 46 47 48 49 50 17 41 17 51 52 53 54 55 56 57 58 59 60 61 62 ในการศึกษานี้ เราดำเนินการบำบัดล่วงหน้าแบตเตอรี่ที่หมดอายุการใช้งาน เช่น การประมาณค่า SOH โดยใช้ข้อมูลการตอบสนองแรงดันพัลส์ที่สร้างขึ้นโดยตัวเข้ารหัสอัตโนมัติแบบแปรผัน (attentional variational autoencoder) ณ เวลาและต้นทุนการวัดทางกายภาพที่บันทึกไว้ กระบวนการระดับสูงของขั้นตอนการบำบัดล่วงหน้าทั่วไป การฝึกอบรมแบบจำลองเชิงสร้างสรรค์ และขั้นตอนการใช้งานแบบจำลองจริงแสดงไว้ในรูปที่ แนวคิดการวิจัยคือการใช้การเรียนรู้เชิงสร้างสรรค์เพื่อใช้ประโยชน์จากข้อมูลที่วัดได้อยู่แล้วสำหรับการสำรวจการตอบสนองแรงดันพัลส์ในสภาวะการเกษียณอย่างต่อเนื่อง เช่น การกระจาย SOC ในขั้นตอนการเก็บรวบรวมแบตเตอรี่ที่หมดอายุการใช้งาน การประมาณค่า SOH ที่ตามมาจะถูกนำไปใช้โดยไม่มีข้อมูลการตอบสนองพัลส์ที่วัดได้ทางกายภาพ ช่วยประหยัดต้นทุนไฟฟ้าในการบำบัดล่วงหน้าและการปล่อยก๊าซคาร์บอนที่อาจเกิดขึ้นจากการปรับสภาพ SOC ให้ได้ระดับที่คาดการณ์ไว้ เมื่อเทียบกับวิธีการอินทิกรัลแอมแปร์-ชั่วโมง (ampere-hour integral method) และการฉีดพัลส์ด้วยการเรียนรู้ของเครื่อง การเรียนรู้เชิงสร้างสรรค์เน้นความเร็วในการสร้างที่เร็วกว่าและการประมาณค่าที่แม่นยำ ด้วยข้อมูลที่สร้างขึ้น ตัวถดถอยอย่างง่ายสามารถประมาณค่า SOH ได้อย่างแม่นยำด้วยข้อผิดพลาดต่ำภายใต้สภาวะ SOC ที่ไม่เคยพบเห็นหรือไม่สามารถเข้าถึงได้ ซึ่งเป็นปัญหาการแจกแจงนอกขอบเขต (out-of-distribution - OOD) ที่ท้าทาย ปัญหา OOD ได้รับการแก้ไขโดยการเรียนรู้รูปแบบทางกายภาพที่สืบทอดกันมาระหว่างสภาวะ SOC และการตอบสนองแรงดันที่เกิดจากพัลส์ที่รวดเร็ว เราแสดงให้เห็นถึงความสามารถในการปรับตัวของวิธีการของเราโดยการตรวจสอบผ่านตัวอย่างทางกายภาพ 2700 ตัวอย่าง ครอบคลุมประเภทวัสดุแคโทด 3 ประเภท รูปแบบทางกายภาพ 3 ประเภท การออกแบบความจุ 4 ประเภท และการใช้งานในอดีต 4 ประเภท (1 การทดสอบการเสื่อมอายุแบบเร่งในห้องปฏิบัติการ 1 การขับขี่รถยนต์ไฟฟ้าล้วน และ 2 รูปแบบการขับขี่รถยนต์ไฟฟ้าแบบไฮบริด) การเรียนรู้เชิงสร้างสรรค์เหมาะสำหรับการประมาณค่าและการคาดการณ์โดยการรวมความรู้ก่อนหน้าของสภาวะการเกษียณเข้ากับการปรับขนาดการแจกแจงข้อมูล (latent space scaling) ของพารามิเตอร์ของแบบจำลอง ช่วยประหยัดเวลาการวัด ต้นทุนไฟฟ้า และการปล่อยก๊าซคาร์บอนที่ตามมา โดยไม่กระทบต่อความแม่นยำในการประมาณค่า SOH การศึกษาเชิงอนุรักษ์นิยมในระดับโลกของแบตเตอรี่ที่จะหมดอายุการใช้งานในปี 2030 เน้นย้ำถึงความสำคัญของการประมาณค่า SOH ที่รวดเร็วและยั่งยืนในสถานการณ์การรีไซเคิลด้วยโลหะร้อน โลหะเปียก และการรีไซเคิลโดยตรง ผ่านการวิเคราะห์ทางเทคนิค-เศรษฐกิจ การประมาณค่า SOH ด้วยความช่วยเหลือจากการเรียนรู้เชิงสร้างสรรค์สามารถประหยัดต้นทุนไฟฟ้าได้ 4.9 พันล้านดอลลาร์สหรัฐ และลดการปล่อยก๊าซ CO2 ได้ 35.8 พันล้านกิโลกรัมภายในปี 2030 ทั่วโลก เราอภิปรายเกี่ยวกับการตีความแบบจำลอง นัยของการบำบัดล่วงหน้าเพื่อการรีไซเคิล และแง่มุมที่กว้างขึ้นของทิศทางการบำบัดล่วงหน้าเพื่อการรีไซเคิลอัจฉริยะในอนาคตที่รวมกับการเรียนรู้ของเครื่อง 1 ขั้นตอนการบำบัดล่วงหน้าแบตเตอรี่ที่หมดอายุการใช้งาน ได้แก่ การปรับสภาพ SOC การวัดทางกายภาพ การเรียนรู้ของเครื่องสำหรับการวินิจฉัย SOH และกระบวนการตัดสินใจในชีวิตที่สองก่อนการนำกลับมาใช้ใหม่หรือรีไซเคิล การปรับสภาพ SOC หมายถึงการปรับค่า SOC ของแบตเตอรี่ที่หมดอายุการใช้งานให้อยู่ในระดับที่ต้องการโดยใช้วิธีการกระแสคงที่แรงดันคงที่ (CCCV) แบบดั้งเดิม แผนผังของตัวเข้ารหัสอัตโนมัติแบบแปรผันที่ให้ความสนใจสำหรับการสร้างข้อมูลการตอบสนองแรงดันพัลส์ การใช้งานจริงของแบบจำลองการสร้างข้อมูลสำหรับการประมาณค่า SOH ไม่ต้องการการปรับสภาพ SOC เพิ่มเติม แบบจำลองการเรียนรู้ของเครื่องที่ได้รับการฝึกฝนจะได้รับข้อมูลพัลส์แรงดันตอบสนองทันทีเมื่ออยู่ในเฟสการใช้งาน ผลประโยชน์ทางเศรษฐกิจและสิ่งแวดล้อม และความเร็วในการสร้างที่รวดเร็วของวิธีการเรียนรู้เชิงสร้างสรรค์ของเรา โดยการประหยัดต้นทุนการปรับสภาพ SOC ในสถานการณ์การหมดอายุการใช้งานแบตเตอรี่ทั่วโลกในปี 2030 a b c d ผลลัพธ์ การได้มาซึ่งชุดข้อมูล การขาดแคลนข้อมูลและความแตกต่างของข้อมูลเป็นความท้าทายหลักในการวินิจฉัยและพยากรณ์แบตเตอรี่ที่ขับเคลื่อนด้วยข้อมูล โดยเฉพาะอย่างยิ่งสำหรับแบตเตอรี่ที่หมดอายุการใช้งาน เราได้รวบรวมตัวอย่าง 2700 ตัวอย่างจากแบตเตอรี่ที่หมดอายุการใช้งานทางกายภาพ 270 ตัวอย่าง ครอบคลุมระดับ SOC กว้างๆ คือ ตั้งแต่ 5% ถึง 50% โดยมีช่วง 5% ในรูปที่ ชุดข้อมูลครอบคลุมประเภทวัสดุแคโทดที่แพร่หลาย 3 ประเภท ได้แก่ NMC (นิกเกิล แมงกานีส โคบอลต์ ออกไซด์) 119 ตัวอย่างที่เก็บรวบรวมทางกายภาพ LFP (ลิเธียม เหล็ก ฟอสเฟต) 56 ตัวอย่าง และ LMO (ลิเธียม แมงกานีส ออกไซด์) 95 ตัวอย่างที่หมดอายุการใช้งาน ครอบคลุมรูปแบบทางกายภาพ 3 รูปแบบ (ทรงกระบอก ทรงถุง ทรงปริซึม) และรูปแบบการใช้งานในอดีต 4 รูปแบบ (1 การทดสอบการเสื่อมอายุแบบเร่งในห้องปฏิบัติการ 3 การใช้งาน EV รวมถึง 1 รูปแบบระบบขับเคลื่อนด้วยไฟฟ้าล้วน และ 2 รูปแบบระบบขับเคลื่อนแบบไฮบริด) เราเน้นย้ำว่าการรวมตัวอย่างการทดสอบที่มีความแตกต่างสูงทำให้ชุดข้อมูลของเราเป็นชุดข้อมูลที่ใหญ่ที่สุดสำหรับการประมาณค่า SOH ของแบตเตอรี่ที่หมดอายุการใช้งานโดยใช้พัลส์แบบรวดเร็วเท่าที่เคยมีมา ซึ่งช่วยอำนวยความสะดวกในการปรับตัวของแบบจำลองให้เหนือกว่าชุดข้อมูลที่วัดได้ทางกายภาพ 2a แผนภาพ Sankey สำหรับการกระจายแบตเตอรี่ที่หมดอายุการใช้งาน ประกอบด้วยประเภทวัสดุแคโทด รูปแบบทางกายภาพ การออกแบบความจุ และการใช้งานในอดีต กระแสพัลส์และการตอบสนองแรงดันที่ตามมาของแบตเตอรี่ที่หมดอายุการใช้งาน ซึ่งคุณลักษณะจะถูกดึงออกมาจากจุดเปลี่ยน นั่นคือ จุดที่มีอนุพันธ์อันดับสองของเส้นโค้งการตอบสนองแรงดันเป็นศูนย์ จุดคุณลักษณะ 21 จุด ตั้งแต่ U1 ถึง U21 ถูกดึงออกมา ความถี่ในการบันทึกข้อมูลดิบคือ 100 Hz เวลาพักระหว่างพัลส์แต่ละอันคือ 25 วินาทีในการคำนวณอัตรา C หมายเหตุว่า C ย่อมาจากอัตราการชาร์จ (discharge) เมื่อทำการชาร์จ (discharge) เป็นเวลา 1 ชั่วโมง อุณหภูมิแวดล้อมถูกควบคุมไว้ที่ 25 . การกระจายสถานะสุขภาพ (SOH) (การปรับแบบ Gaussian) ของแบตเตอรี่ที่หมดอายุการใช้งาน 2.1 Ah และ 21 Ah เพื่อเป็นตัวอย่าง ตามลำดับ สำหรับการกระจาย SOH ของแบตเตอรี่ประเภทอื่น สามารถดูได้ในรูปที่ 1 เสริม ความสัมพันธ์ระหว่างการตอบสนองแรงดันพัลส์ที่วัดได้และ SOH ที่สอบเทียบจากการทดสอบการสอบเทียบความจุ โดยมีสภาวะ SOC ที่แตกต่างกัน คุณลักษณะมิติแรก U1 ถูกแสดง ภาพประกอบกรณีการสร้างข้อมูลประมาณค่าและการคาดการณ์ภายใต้การกระจาย SOC ของแบตเตอรี่ที่หมดอายุการใช้งานที่แตกต่างกัน การตั้งค่าการทดสอบโดยละเอียดอยู่ในหมายเหตุเสริม 1 และ 2 และ โดยสังเกตว่าการตั้งค่า C-rate จะเหมือนกันในทุกประเภทวัสดุแคโทด ข้อมูลต้นฉบับมี a b c 1 d e Supplementary Note1 Supplementary Note2