Generative AI ขับเคลื่อนการนำแบตเตอรี่ลิเธียมไอออนที่ปลดประจำการกลับมาใช้ใหม่อย่างยั่งยืน

ผู้แต่ง: 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 การประเมินสถานะสุขภาพ (SOH) ของแบตเตอรี่ที่เลิกใช้งานอย่างรวดเร็วและแม่นยำเป็นขั้นตอนการปรับสภาพเบื้องต้นที่สำคัญสำหรับการนำกลับมาใช้ใหม่และการรีไซเคิล อย่างไรก็ตาม วิธีการที่ขับเคลื่อนด้วยข้อมูลต้องการการจัดการข้อมูลอย่างละเอียดภายใต้สภาวะการเลิกใช้งานแบบสุ่มของ SOH และสถานะการชาร์จ (SOC) ในที่นี้เราแสดงให้เห็นว่าการประเมิน SOH โดยใช้การเรียนรู้แบบสร้างสรรค์มีศักยภาพในการบรรเทาความท้าทายของการขาดแคลนข้อมูลและความไม่เข้ากันของข้อมูล ซึ่งได้รับการตรวจสอบผ่านชุดข้อมูลการฉีดพัลส์ตัวอย่างแบตเตอรี่ลิเธียมไอออนที่เลิกใช้งานจำนวน 2700 ตัวอย่าง ครอบคลุมวัสดุแคโทด 3 ประเภท รูปแบบทางกายภาพ 3 แบบ การออกแบบความจุ 4 แบบ และการใช้งานในอดีต 4 แบบ ด้วยระดับ SOC 10 ระดับ ด้วยการใช้ข้อมูลที่สร้างขึ้น ตัวประเมินค่าสามารถประเมิน SOH ได้อย่างแม่นยำ โดยมีข้อผิดพลาดร้อยละสัมบูรณ์เฉลี่ยต่ำกว่า 6% ภายใต้ SOC ที่ไม่เคยพบเห็น เราคาดการณ์ว่า หากเทคนิคที่นำเสนอมีการใช้งานอย่างสม่ำเสมอ จะช่วยประหยัดค่าใช้จ่ายด้านพลังงานได้ 4.9 พันล้านดอลลาร์สหรัฐ และลดการปล่อย CO2 ได้ 3.58 หมื่นล้านกิโลกรัม โดยการลดต้นทุนการจัดการข้อมูลสำหรับสถานการณ์การเลิกใช้งานแบตเตอรี่ทั่วโลกในปี 2030 บทความนี้เน้นย้ำถึงการใช้ประโยชน์จากข้อมูลที่จำกัดเพื่อสำรวจพื้นที่ข้อมูลที่ขยายออกไปโดยใช้วิธีการสร้างสรรค์ เนื่องจากข้อมูลอาจใช้เวลานาน มีค่าใช้จ่ายสูง และสร้างมลพิษสำหรับการประมาณค่าและงานคาดการณ์หลายอย่าง บทนำ การใช้พลังงานไฟฟ้าในการขนส่ง ซึ่งเป็นภาคส่วนที่สำคัญในการเปลี่ยนผ่านสู่พลังงานคาร์บอนต่ำ ได้ปรับเปลี่ยนกระบวนทัศน์การขนส่งที่ใช้เชื้อเพลิงฟอสซิลอย่างที่ไม่เคยมีมาก่อน แบตเตอรี่ลิเธียมไอออนมีความสำคัญต่อการเปลี่ยนผ่านนี้โดยการจัดหาแหล่งพลังงานที่ราคาไม่แพง ทนทาน และปลอดภัยสำหรับยานยนต์ไฟฟ้า (EV) , ความจุรวมของแบตเตอรี่ EV ที่ใช้งานอยู่และหมดอายุการใช้งานจะเกิน 32–62 เทราวัตต์ต่อปีภายในปี 2050 ซึ่งสูงกว่าการประมาณการในสถานการณ์ของ International Renewable Energy Agency และ Storage Lab อย่างมาก อย่างไรก็ตาม แบตเตอรี่ EV ที่หมดอายุการใช้งานนั้นถูกควบคุมอย่างเข้มงวดด้วยมูลค่าความจุที่เหลืออยู่จำนวนมากซึ่งไม่ได้ใช้ประโยชน์อย่างเต็มที่ โดยปกติจะมากกว่า 80% ของความจุที่กำหนด , หากไม่ได้รับการจัดการอย่างเหมาะสม จะส่งผลให้เกิดภาระทางเศรษฐกิจ สำหรับผู้ผลิตและผู้ใช้ รวมถึงปัญหาด้านสิ่งแวดล้อมและสังคมที่ตามมา ซึ่งรวมถึงการสูญเสียทรัพยากร ความเสี่ยงในห่วงโซ่อุปทาน และการปล่อยก๊าซคาร์บอนไดออกไซด์ , , . 1 2 3 4 5 6 7 8 9 10 11 กลยุทธ์ที่มีศักยภาพในการจัดการกับความกังวลเกี่ยวกับการเพิ่มขึ้นของการเลิกใช้แบตเตอรี่อย่างเป็นระยะคือการนำกลับมาใช้ใหม่ , , และการรีไซเคิล ในการนำกลับมาใช้ใหม่ แบตเตอรี่ที่หมดอายุการใช้งานจะถูกนำไปใช้ใหม่สำหรับการใช้งานต่างๆ เช่น ระบบกักเก็บพลังงานที่เชื่อมต่อกับกริด แหล่งจ่ายไฟในครัวเรือน และยานยนต์ความเร็วต่ำ อย่างไรก็ตาม การนำกลับมาใช้ใหม่ต้องการการปรับสภาพเบื้องต้น ซึ่งรวมถึงการคัดกรองความสอดคล้อง การจัดลำดับความจุ และการจัดกลุ่มใหม่ , เพื่อให้ตรงตามข้อกำหนดการใช้งาน แม้ว่าจะมีการริเริ่มโครงการนำร่อง , , แต่การขาดมาตรฐานที่เข้มงวดสำหรับสถานการณ์การใช้งานและเส้นทางการเลิกใช้งาน ทำให้การใช้ประโยชน์จากความจุที่เหลืออยู่เป็นไปได้ยาก การรีไซเคิลใช้คุณค่าที่เหลืออยู่ของแบตเตอรี่ที่หมดอายุการใช้งานโดยการสกัดวัสดุหรือการซ่อมแซมโครงสร้าง , ซึ่งเหมาะสำหรับแบตเตอรี่ที่เสื่อมสภาพอย่างถาวร เมื่อเทียบกับโลหะความร้อนและโลหะเหลว , การรีไซเคิลโดยตรงโดดเด่นในด้านผลกำไรที่เหนือกว่า การใช้พลังงานที่ลดลง และการปล่อยก๊าซคาร์บอนที่ลดลง , , การใช้ประโยชน์จากการเติมลิเธียมและการปรับสภาพวัสดุแคโทด การรีไซเคิลโดยตรงช่วยให้การซ่อมแซมโครงสร้างวัสดุและการฟื้นฟูประสิทธิภาพ เป็นไปอย่างมีประสิทธิภาพ อย่างไรก็ตาม สถานะสุขภาพ (SOH) กำหนดปริมาณสารเคมีที่จำเป็นและปริมาณลิเธียมที่คาดว่าจะต้องเติมในการกำหนดสูตรการรีไซเคิลโดยตรง , , ปริมาณที่ไม่เพียงพออาจส่งผลให้การซ่อมแซมไม่สมบูรณ์ ในขณะที่ปริมาณที่มากเกินไปอาจนำไปสู่การเกิดสารอัลคาไลตกค้างบนพื้นผิวแคโทด ทำให้ประสิทธิภาพการฟื้นฟูแย่ลง , น่าเสียดายที่การดึง SOH ต้องการการวิเคราะห์วัสดุแบบรุกล้ำ , และการทดสอบการสอบเทียบความจุที่ยาวนาน การได้มาซึ่ง 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 เพื่อรักษาข้อมูล SOH ที่สอดคล้องกัน แบตเตอรี่ EV จะถูกตรวจสอบ และบันทึกข้อมูลการทำงานโดยแพลตฟอร์มคลาวด์ และบัตรประจำตัวแบตเตอรี่ รัฐสภายุโรปได้ผ่านพระราชบัญญัติแบตเตอรี่เมื่อวันที่ 14 มิถุนายน 2023 เพื่อให้แน่ใจว่าแบตเตอรี่ที่หมดอายุการใช้งานสามารถนำกลับมาใช้ใหม่ ปรับสภาพ หรือรีไซเคิลได้เมื่อสิ้นสุดอายุการใช้งาน อย่างไรก็ตาม กระบวนการตรวจสอบและบันทึกที่จำเป็นสามารถเข้าถึงได้เฉพาะในระยะการบริการของ EV เท่านั้น แบตเตอรี่ที่หมดอายุการใช้งานจะไม่เชื่อมต่อกับหน่วยตรวจสอบในรถยนต์อีกต่อไป ดังนั้นจึงเป็นเรื่องท้าทายในการดึงข้อมูล SOH ที่มีอยู่ในภาคสนาม ความสมบูรณ์ของข้อมูลตลอดอายุการใช้งานยังคงเป็นความท้าทายหลัก ซึ่งเรียกร้องให้มีการประเมิน SOH โดยใช้ข้อมูลภาคสนามเท่านั้น ตรงกันข้ามกับข้อมูลในอดีตหรือภายใต้เงื่อนไขที่ควบคุมได้ , , วิธีแก้ปัญหาหนึ่งคือการทำการทดสอบการสอบเทียบความจุที่จุดรวบรวมแบตเตอรี่ที่หมดอายุการใช้งาน เช่น การปรับสภาพสถานะการชาร์จ (SOC) ซึ่งตรงไปตรงมา อย่างไรก็ตาม ต้องใช้เวลาทดสอบที่ไม่สามารถจ่ายได้และค่าใช้จ่ายไฟฟ้าเพิ่มเติม การทดสอบลักษณะเฉพาะกำลังของพัลส์แบบผสมเป็นทางเลือกสำหรับการประเมิน SOH โดยการฉีดพัลส์แบบไดนามิก แต่ลำดับการทดสอบที่สมบูรณ์ใช้เวลานานกว่า 12 ชั่วโมง Tao และคณะ ได้ใช้พัลส์สั้นๆ เพื่อประเมิน SOH ของแบตเตอรี่ที่หมดอายุการใช้งาน โดยสมมติว่ามีการปรับสภาพ SOC เป็น 5% ซึ่งแทบจะไม่เข้ากันกับสภาวะการเลิกใช้งาน SOC แบบสุ่ม ความก้าวหน้าล่าสุดในการวัดแบบเซ็นเซอร์รวมถึงการถ่ายภาพ X-ray ความต้านทานไฟฟ้าเคมี , เซ็นเซอร์ใยแก้วนำแสง , เซ็นเซอร์เสียง , การชาร์จบางส่วน , และการฉีดพัลส์ , เทคนิคที่ใช้เซ็นเซอร์อยู่ในขั้นตอนห้องปฏิบัติการเนื่องจากการรุกล้ำ ในขณะที่การฉีดพัลส์มีคุณสมบัติในการแยกการเสื่อมสภาพของแบตเตอรี่โดยไม่มีความเสียหายทางกายภาพ เร็วกว่าการชาร์จบางส่วนและวิธีการที่ใช้ความต้านทานไฟฟ้าเคมีพร้อมกัน , , , , , อย่างไรก็ตาม การฉีดพัลส์เป็นวิธีการที่เน้นข้อมูลซึ่งสามารถใช้ได้ภายใต้ข้อสมมติฐานในอุดมคติที่ว่าข้อมูลที่วัดได้ทางกายภาพครอบคลุมสภาวะการเลิกใช้งานของระยะเวลาการใช้งานของแบบจำลอง ซึ่งเป็นที่รู้จักกันว่าเป็นความท้าทายทั่วไปของการเลื่อนระดับโดเมนในชุมชนการเรียนรู้ของเครื่อง แม้จะมีความก้าวหน้าในวิธีการเรียนรู้แบบถ่ายโอนและปรับตัวโดเมน , , ความท้าทายยังคงอยู่ เนื่องจากโดเมนเป้าหมายที่ต้องปรับให้สอดคล้องกันยังคงต้องการข้อมูลเบื้องต้นเมื่อใช้งาน และวิธีการเรียนรู้ที่มีอยู่แทบจะไม่สามารถอัปเดตสำหรับสภาวะการเลิกใช้งานแบบสุ่มได้ ทางเลือกหนึ่งคือการขยายสเกลการทดสอบข้อมูลภายใต้สภาวะการเลิกใช้งานที่ยังไม่ได้สำรวจเพื่อบรรเทาการขาดแคลนข้อมูลและความไม่เข้ากันของข้อมูล ซึ่งอาจส่งผลให้ต้นทุนเพิ่มขึ้น Wang และคณะ ได้เสนอวิธีการขุดค้นอุณหภูมิเพื่อประมาณค่าความชอบของจลนพลศาสตร์ปฏิกิริยาที่สภาวะกลางต่างๆ ในระหว่างกระบวนการทางเคมี-ความร้อน ซึ่งช่วยให้สามารถสร้างฐานข้อมูลการฝึกอบรมที่ครอบคลุมในระดับการทดลองทางเคมี-ความร้อนและต้นทุนขั้นต่ำที่สุดเท่าที่จะเป็นไปได้สำหรับการฝึกอบรมแบบจำลองการเรียนรู้ของเครื่อง นอกจากนี้ การเรียนรู้แบบสร้างสรรค์ยังแสดงให้เห็นถึงความเป็นไปได้ในการประเมิน SOH ด้วยข้อมูลเพิ่มเติมจากโปรไฟล์ที่ผ่านการหมุนเวียนบางส่วน ซึ่งช่วยประหยัดข้อมูลที่ต้องทดสอบทางกายภาพ , อย่างไรก็ตาม ความขาดแคลนข้อมูลและความไม่เข้ากันของข้อมูลในบริบทของการนำกลับมาใช้ใหม่และการรีไซเคิลแบตเตอรี่มีความซับซ้อนยิ่งขึ้นเนื่องจากการผสมผสานของประเภทวัสดุแคโทด รูปแบบทางกายภาพ การออกแบบความจุ และการใช้งานในอดีต ซึ่งจำกัดการบูรณาการความรู้เฉพาะเงื่อนไขของการเสื่อมสภาพเข้ากับแบบจำลองการเรียนรู้ของเครื่อง ดังนั้นจึงสมเหตุสมผลที่จะพิจารณาความสัมพันธ์ของพฤติกรรมระหว่างสภาวะการเลิกใช้งานและการตอบสนองแรงดันพัลส์สำหรับการสร้างข้อมูล โดยไม่มีการคำนวณเวลาอนุกรมความจุที่ยาวนานและการทดลองทางกายภาพเพิ่มเติมพร้อมกัน เพื่อเพิ่มประสิทธิภาพการประเมิน 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 เราดำเนินการปรับสภาพแบตเตอรี่ที่หมดอายุการใช้งาน เช่น การประเมิน SOH โดยใช้ข้อมูลการตอบสนองแรงดันพัลส์ที่สร้างขึ้นโดย attentional variational autoencoder ในเวลาและต้นทุนการวัดทางกายภาพที่ประหยัดได้ กระบวนการระดับสูงของขั้นตอนการปรับสภาพทั่วไป การฝึกอบรมแบบจำลองการสร้างสรรค์ และขั้นตอนการใช้งานแบบจำลองจริงแสดงไว้ในรูปที่ แนวคิดการวิจัยคือการใช้การเรียนรู้แบบสร้างสรรค์เพื่อใช้ประโยชน์จากข้อมูลที่วัดได้แล้วเพื่อสำรวจการตอบสนองแรงดันพัลส์ในสภาวะการเลิกใช้งานอย่างต่อเนื่อง เช่น การกระจายตัวของ SOC ในระยะการรวบรวมแบตเตอรี่ที่หมดอายุการใช้งาน การประเมิน SOH ที่ตามมาจะดำเนินการโดยไม่มีข้อมูลการตอบสนองพัลส์ที่วัดได้ทางกายภาพ ประหยัดต้นทุนไฟฟ้าในการปรับสภาพและการปล่อยก๊าซคาร์บอนไดออกไซด์ที่จะต้องใช้จากการปรับสภาพ SOC ให้ได้ระดับที่คาดหวัง เมื่อเทียบกับวิธีการอินทิกรัลแบบแอมแปร์-ชั่วโมงและการฉีดพัลส์แบบการเรียนรู้ของเครื่อง การเรียนรู้แบบสร้างสรรค์เน้นความเร็วในการสร้างที่เร็วกว่าและการประมาณค่าที่แม่นยำ ด้วยข้อมูลที่สร้างขึ้น ตัวประเมินค่าแบบธรรมดาประเมิน SOH ได้สำเร็จด้วยข้อผิดพลาดต่ำภายใต้สภาวะ SOC ที่ไม่เคยพบเห็นหรือเข้าถึงไม่ได้ ซึ่งเป็นประเด็นที่ท้าทายแบบนอกการกระจาย (OOD) ปัญหา OOD ได้รับการแก้ไขโดยการเรียนรู้รูปแบบทางกายภาพที่สืบทอดมาระหว่างสภาวะ SOC และการตอบสนองแรงดันที่เกิดจากพัลส์อย่างรวดเร็ว เราแสดงให้เห็นถึงความสามารถในการสรุปผลของวิธีการของเราโดยการตรวจสอบด้วยตัวอย่างที่วัดได้ทางกายภาพ 2700 ตัวอย่าง ครอบคลุมประเภทวัสดุแคโทด 3 ประเภท รูปแบบทางกายภาพ 3 ประเภท การออกแบบความจุ 4 ประเภท และการใช้งานในอดีต 4 ประเภท (1 การทดสอบเร่งอายุในห้องปฏิบัติการ 3 การขับขี่ EV แบบบริสุทธิ์ และ 2 การขับขี่ EV แบบไฮบริด) การเรียนรู้แบบสร้างสรรค์เหมาะสำหรับการประมาณค่าและการประมาณค่าภายนอกโดยการบูรณาการความรู้เบื้องต้นเกี่ยวกับสภาวะการเลิกใช้งานเข้ากับการปรับสเกลพื้นที่แฝงของการจำลองแบบจำลอง ช่วยประหยัดเวลาในการวัด ต้นทุนไฟฟ้า และการปล่อยก๊าซคาร์บอนไดออกไซด์ที่ตามมา โดยไม่กระทบต่อความแม่นยำในการประเมิน SOH การศึกษาต้นแบบทั่วโลกอย่างระมัดระวังเกี่ยวกับการเลิกใช้งานแบตเตอรี่ในปี 2030 เน้นความสำคัญของการประเมิน SOH อย่างรวดเร็วและยั่งยืนในสถานการณ์การรีไซเคิลแบบโลหะความร้อน โลหะเหลว และการรีไซเคิลโดยตรง ผ่านการวิเคราะห์ทางเทคนิค-เศรษฐกิจ การประเมิน SOH โดยใช้การเรียนรู้แบบสร้างสรรค์สามารถประหยัดต้นทุนไฟฟ้าได้ 4.9 พันล้านดอลลาร์สหรัฐ และลดการปล่อยก๊าซ CO2 ได้ 3.58 หมื่นล้านกิโลกรัมภายในปี 2030 ทั่วโลก เราจะหารือเกี่ยวกับการตีความแบบจำลอง นัยของการปรับสภาพแบตเตอรี่สำหรับการรีไซเคิล และแง่มุมที่กว้างขึ้นของทิศทางการปรับสภาพการรีไซเคิลอัจฉริยะในอนาคตที่บูรณาการกับการเรียนรู้ของเครื่อง 1 ขั้นตอนการปรับสภาพแบตเตอรี่ที่หมดอายุการใช้งาน ได้แก่ การปรับสภาพ SOC การวัดทางกายภาพ การเรียนรู้ของเครื่องสำหรับการวินิจฉัย SOH และกระบวนการตัดสินใจอายุการใช้งานที่สองก่อนการนำกลับมาใช้ใหม่หรือรีไซเคิล การปรับสภาพ SOC หมายถึงการปรับค่า SOC ของแบตเตอรี่ที่หมดอายุการใช้งานให้อยู่ในระดับที่ต้องการโดยใช้วิธีการกระแสคงที่แรงดันคงที่ (CCCV) แบบดั้งเดิม แผนผังของ attentional variational autoencoder สำหรับการสร้างข้อมูลการตอบสนองแรงดันพัลส์ การใช้งานจริงของแบบจำลองการสร้างข้อมูลสำหรับการประเมิน SOH ไม่ต้องการการปรับสภาพ SOC เพิ่มเติม แบบจำลองการเรียนรู้ของเครื่องที่ฝึกอบรมแล้วจะได้รับสัญญาณการตอบสนองแรงดันพัลส์ทันทีเมื่ออยู่ในระยะการใช้งาน ประโยชน์ทางเศรษฐกิจและสิ่งแวดล้อมและความเร็วในการสร้างที่รวดเร็วของวิธีการเรียนรู้แบบสร้างสรรค์ของเรา โดยการประหยัดต้นทุนการปรับสภาพ SOC ในสถานการณ์การเลิกใช้งานแบตเตอรี่ทั่วโลกในปี 2030 a b c d ผลลัพธ์ การรวบรวมชุดข้อมูล ความขาดแคลนข้อมูลและความไม่เข้ากันของข้อมูลเป็นความท้าทายหลักในการวินิจฉัยและพยากรณ์แบตเตอรี่ที่ขับเคลื่อนด้วยข้อมูล โดยเฉพาะอย่างยิ่งสำหรับแบตเตอรี่ที่หมดอายุการใช้งาน เราได้รวบรวมตัวอย่าง 2700 ตัวอย่างจากแบตเตอรี่ที่หมดอายุการใช้งานทางกายภาพ 270 ตัวอย่างในช่วงระดับ SOC ที่กว้าง เช่น จาก 5% ถึง 50% โดยเพิ่มทีละ 5% ในรูปที่ ชุดข้อมูลครอบคลุมประเภทวัสดุแคโทดที่ใช้กันทั่วไป 3 ประเภท ได้แก่ NMC (นิกเกิล แมงกานีส โคบอลต์ออกไซด์) ที่รวบรวมทางกายภาพ 119 ตัวอย่าง LFP (ลิเธียมเหล็กฟอสเฟต) 56 ตัวอย่าง และ LMO (ลิเธียมแมงกานีสออกไซด์) ที่หมดอายุการใช้งาน 95 ตัวอย่าง ครอบคลุมรูปแบบทางกายภาพ 3 ประเภท (ทรงกระบอก แบบพกพา แบบปริซึม) และรูปแบบการใช้งานในอดีต 4 ประเภท (1 การทดสอบเร่งอายุในห้องปฏิบัติการ 3 การใช้งาน EV รวมถึง 1 โหมดระบบส่งกำลังไฟฟ้าล้วน และ 2 โหมดระบบส่งกำลังไฮบริด) เราเน้นว่าการรวมตัวอย่างการทดสอบที่แตกต่างกันอย่างมากทำให้ชุดข้อมูลของเราเป็นชุดข้อมูลที่ใช้พัลส์อย่างรวดเร็วที่ใหญ่ที่สุดสำหรับการประเมิน SOH ของแบตเตอรี่ที่หมดอายุการใช้งานจนถึงปัจจุบัน ซึ่งช่วยให้แบบจำลองมีความสามารถในการสรุปผลนอกเหนือจากชุดข้อมูลที่วัดได้ทางกายภาพ 2a แผนภาพ Sankey สำหรับการกระจายตัวของแบตเตอรี่ที่หมดอายุการใช้งาน ประกอบด้วยประเภทวัสดุแคโทด รูปแบบทางกายภาพ การออกแบบความจุ และรูปแบบการใช้งานในอดีต พัลส์กระแสและผลการตอบสนองแรงดันของแบตเตอรี่ที่หมดอายุการใช้งาน ซึ่งคุณลักษณะถูกดึงออกมาจากจุดเปลี่ยน นั่นคือ จุดที่มีอนุพันธ์อันดับสองเป็นศูนย์ของเส้นโค้งการตอบสนองแรงดัน จุดคุณลักษณะ 21 จุด ตั้งแต่ U1 ถึง U21 ถูกดึงออกมา ความถี่ในการบันทึกข้อมูลดิบคือ 100 Hz เวลาที่เหลือคือ 25 วินาทีระหว่างแต่ละพัลส์ในอัตรา C หมายเหตุว่า C ย่อมาจากอัตราการชาร์จ (การคายประจุ) เมื่อทำการชาร์จ (คายประจุ) เป็นเวลา 1 ชั่วโมง ควบคุมอุณหภูมิแวดล้อมที่ 25 °C การกระจายตัวของสถานะสุขภาพ (SOH) (การปรับแบบ Gaussian) ของแบตเตอรี่ที่หมดอายุการใช้งาน 2.1 Ah และ 21 Ah เพื่อเป็นภาพประกอบ ตามลำดับ สำหรับการกระจายตัวของ SOH ของแบตเตอรี่ประเภทอื่นๆ โปรดดูรูปเสริม ความสัมพันธ์ระหว่างการตอบสนองแรงดันพัลส์ที่วัดได้และ SOH ที่สอบเทียบจากการทดสอบการสอบเทียบความจุ ภายใต้สภาวะ SOC ที่แตกต่างกัน แสดงมิติคุณลักษณะแรก U1 ภาพประกอบกรณีการสร้างข้อมูลการประมาณค่าและการประมาณค่าภายนอกภายใต้การกระจายตัวของ SOC ของแบตเตอรี่ที่หมดอายุการใช้งานที่แตกต่างกัน การตั้งค่าการทดสอบโดยละเอียดอยู่ใน และ โดยสังเกตว่าการตั้งค่า C-rate เหมือนกันในทุกประเภทวัสดุแคโทด ข้อมูลต้นทางมีให้ในรูปแบบ Source Data file a b c 1 d e หมายเหตุเสริม 1 หมายเหตุเสริม 2 ซึ่งแตกต่างจากการทดสอบ CCCV ปกติ การทดสอบพัลส์ไม่ทำให้เสียเวลาทดสอบนานและไม่สร้างความเสียหายเพิ่มเติมให้กับแบตเตอรี่ที่หมดอายุการใช้งาน ดังนั้น เราจึงใช้ผลลัพธ์ CCCV เป็นค่าความจุอ้างอิง SOH ข้อมูลการทดสอบพัลส์ใช้เป็นข้อมูลการฝึกอบรมสำหรับแบบจำลองการเรียนรู้แบบสร้างสรรค์ แม้ว่าประเภทวัสดุแคโทดของแบตเตอรี่จะแตกต่างกัน เราทำการวิศวกรรมคุณลักษณะที่เป็นมาตรฐานและเข้าถึงได้ ทำให้มั่นใจได้ถึงความเข้ากันได้ในการใช้งานจริง รูปที่