学术辑览 | 锂离子电池推送合集

文摘 2024-08-27 08:30 北京

尊敬的读者朋友，感谢您长期以来对本公众号的关注与支持。随着公众号即将突破万人关注，我们特此推出两篇关于锂离子电池和机械轴承的学术辑览，共同庆祝这一里程碑。此辑览汇集了公众号往期原创推送，选题依据读者兴趣与学术前沿，旨在便于读者查阅并促进学术探讨。谢君长久之支持，愿此辑为君增益。

1、无寿命标签下的RUL概率预测：一种融合贝叶斯深度学习和随机过程的方法

摘要：本文通过融合卷积神经网络、自注意力机制和长短期记忆神经网络，建立了一种CNN-SAM-LSTM混合神经网络模型，用于多种锂离子电池状态参数的联合估计，包括SOC、SOE和SOH。并开发了一种考虑同方差不确定性的联合损失函数，用于优化三个状态参数对应的训练损失权重。

摘要：本文提出了一个自适应演化增强物理信息神经网络的锂电池时变健康预测框架，建立了一个具有动态滑动窗口的长短期记忆神经网络模型，该模型的物理信息来自于电化学-热-固体电解质界面膜的多物理场仿真模型，用于健康状态和剩余使用寿命的预测。

摘要：电池内部复杂的老化机制给直接测量电池SOH带来了困难，本文提出了一种基于双阶段注意力递归神经网络(DARNN)和时变充电过程健康特征(HF)提取的SOH估计方法。

摘要：本文提出了一种基于卷积神经网络（CNN）的方法，通过仅将原始阻抗谱作为输入来执行端到端容量估计，并设计了一个输入重建模块，在训练过程中有效地利用阻抗谱，而无需相应的容量，从而显著降低了收集训练数据的成本。

摘要：本文提出了一个基于真实世界电动汽车运营数据的电池容量估计框架，利用历史概率分布作为电池健康特征，提出了一种将卷积神经网络与全连接神经网络相结合的混合深度神经网络模型，用于电池容量估计。

摘要：本文提出了一种深度迁移学习方法，该方法使用充电/放电数据的部分片段进行电池容量估计。同时训练源数据和目标数据的深度传递卷积神经网络(DTCNN)，并采用微调策略有效消除不同电池类型或充放电协议之间的分布差异，从而提高估计精度。

摘要：为了实现对锂电池进行准确、实时的健康状态（SOH）估计，该论文提出了一个数字孪生框架，以获得对电池SOH的动态估计能力，从而更新物理电池模型。所提出的数字孪生解决方案可实现实时的SOH估计，而无需完全放电数据。

摘要：锂离子电池中SoC的不均匀分布是导致局部电化学性能快速衰减的关键因素，本文在软包电池上提出了一种声学方法来实现SoC映射。深度学习算法有效地抑制了不同电池内结构变异的干扰。

摘要：本文提出了一种新的方法，通过耦合电化学、热力学和力学模型，在多尺度上精确地模拟锂离子电池的应力、温度和扩散行为，成功地应用于电池的回路弛豫时间测试（RC）和电化学阻抗谱测试（EIS）的结果分析中。

传播科学与学术研究动态，发布学术领域重要研究成果。重点推广可靠性系统工程（包括可靠性、维修性、保障性、测试性、安全性和环境适应性）理论研究成果，传播相关知识。