TWI794281B - 使用聲音信號測定電化學系統之特性之裝置及方法 - Google Patents

使用聲音信號測定電化學系統之特性之裝置及方法 Download PDF

Info

Publication number
TWI794281B
TWI794281B TW107130750A TW107130750A TWI794281B TW I794281 B TWI794281 B TW I794281B TW 107130750 A TW107130750 A TW 107130750A TW 107130750 A TW107130750 A TW 107130750A TW I794281 B TWI794281 B TW I794281B
Authority
TW
Taiwan
Prior art keywords
battery pack
data set
sound
signals
sound data
Prior art date
Application number
TW107130750A
Other languages
English (en)
Other versions
TW201931661A (zh
Inventor
丹尼爾 Ａ 史丹葛特
葛瑞格 大衛斯
蕭爾喬 比斯瓦司
安德魯 Ｇ 謝
泰薩爾 貝瑞 凡
湯瑪士 豪得森
竇珊
Original Assignee
美商費賽普公司
美國普林斯頓大學信託會
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商費賽普公司, 美國普林斯頓大學信託會 filed Critical 美商費賽普公司
Publication of TW201931661A publication Critical patent/TW201931661A/zh
Application granted granted Critical
Publication of TWI794281B publication Critical patent/TWI794281B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/043—Analysing solids in the interior, e.g. by shear waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/07—Analysing solids by measuring propagation velocity or propagation time of acoustic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/11—Analysing solids by measuring attenuation of acoustic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4436—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a reference signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/48—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by amplitude comparison
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/50—Processing the detected response signal, e.g. electronic circuits specially adapted therefor using auto-correlation techniques or cross-correlation techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4285—Testing apparatus
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/01—Indexing codes associated with the measuring variable
    • G01N2291/011—Velocity or travel time
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/024—Mixtures
    • G01N2291/02441—Liquids in porous solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/02818—Density, viscosity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/02827—Elastic parameters, strength or force
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/02854—Length, thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/10—Number of transducers
    • G01N2291/102—Number of transducers one emitter, one receiver
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/269—Various geometry objects
    • G01N2291/2697—Wafer or (micro)electronic parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Secondary Cells (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

使用聲音信號預測電池組之充電狀態(SOH)、健康狀況(SOC)及其他特性之系統及方法包含測定在兩個或更多個充電狀態下之聲音資料及測定表示在該兩個或更多個充電狀態下之該聲音資料之一精簡聲音資料集。該精簡聲音資料集包含與該等充電狀態相關之飛行時間(TOF)位移、總信號振幅或其他資料點。機器學習模型使用至少該精簡聲音資料集結合諸如電壓及溫度之非聲音資料來預測任何其他獨立電池組之特性。

Description

使用聲音信號測定電化學系統之特性之裝置及方法
所揭示態樣涉及電化學系統之檢測及診斷。更具體言之，實例性態樣涉及在測定電化學系統之特性(諸如充電狀態(SOC)及健康狀況(SOH))時使用超音波信號。
出於各種原因(包含電池組壽命之改良、更高生產效率、提早預測故障等)，追蹤電化學系統(諸如電池組)之特性(諸如充電狀態(SOC)、健康狀況(SOH)、內部損壞等)係重要的。然而，在現地現時(in operando)有效地且低成本地可靠追蹤或測定此等特性之能力帶來挑戰。
例如，在習知實施方案中，SOC預測可包含與庫侖計數(簿記(bookkeeping))組合之電壓監測(直接量測)。出於各種原因，此可能帶來挑戰。首先，對於電壓量測，大多數電池組容量(尤其是磷酸鐵鋰(LFP)電池)之電壓讀數之平坦度帶來困難。此外，電壓衰減、變化的電池電阻抗及變動的放電速率影響基於電壓之SOC量測之準確度。其次，庫侖計數亦係一門不精確科學，因為放電速率、環境因素(諸如溫度)及電池劣化皆可影響任何給定放電週期之實際充電容量。此可能導致一濫用循環，藉此放電條件導致一不正確SOC估計，且因此電池無意中變得過度放電，此可 能引起損壞電池且導致SOC預測的進一步不準確，從而致使繼續過度放電及電池損壞。
據此，需要可直接量測電池組之機械及物理狀態以增強SOC、SOH及電池故障之測定之低成本且高準確度技術。
本發明之實例性態樣涉及使用聲音信號預測電池組之充電狀態(SOH)、健康狀況(SOC)及其他特性之系統及方法，且包含測定在兩個或更多個充電狀態下之聲音資料，及測定表示在該兩個或更多個充電狀態下之該聲音資料之一精簡聲音資料集。該精簡聲音資料集包含與該等充電狀態相關之飛行時間(TOF)位移、總信號振幅或其他資料點。機器學習模型使用至少該精簡聲音資料集結合諸如電壓及溫度之非聲音資料來預測任何其他獨立電池組之特性。
例如，一實例性態樣涉及一種非侵入性分析電化學系統之方法，該方法包括使至少一第一電池組經受一充電-放電循環之至少一部分。在該充電-放電循環之至少該部分期間之兩個或更多個時點，即對應於該第一電池組之兩個或更多個充電狀態之該兩個或更多個時點，透過該第一電池組之至少一部分傳輸聲音信號且接收對應回應信號。測定至少一精簡聲音資料集，該精簡聲音資料集包括表示在該兩個或更多個充電狀態下之該等所傳輸聲音信號或回應信號之一或多者之一或多個資料點。
另一實例性態樣涉及一種非侵入性分析電化學系統之方法，該方法包括：使用至少一第一資料庫及一第二電池組之聲音資料或非聲音資料之一或多者預測該第二電池組之特性，其中該第一資料庫包括至 少一精簡聲音資料集，該精簡聲音資料集包括一或多個資料點，該一或多個資料點表示透過該第一電池組之至少一部分傳輸之聲音信號及對該等所傳輸信號之回應信號之一或多者，該等所傳輸信號及該等回應信號在該第一電池組之兩個或更多個充電狀態下。
又一實例性態樣涉及一種裝置，其包括：至少一第一電池組；一電池組管理系統，其經組態以使該第一電池組經受一充電-放電循環之至少一部分；及一或多個換能器，該一或多個換能器經組態以在該充電-放電循環之至少該部分期間之兩個或更多個時點，即對應於該第一電池組之兩個或更多個充電狀態之該兩個或更多個時點，透過該第一電池組之至少一部分傳輸聲音信號且接收對應回應信號。該裝置進一步包括一電腦，該電腦經組態以測定至少一精簡聲音資料集，該精簡聲音資料集包括表示在該兩個或更多個充電狀態下之該等所傳輸聲音信號或回應信號之一或多者之一或多個資料點。
相關申請案之交叉參考
本專利申請案主張2017年9月1日申請、未決且讓與給本申請案之受讓人且全文以引用方式明確併入本文中之標題為「USE OF ULTRASONIC METHODS FOR THE DETERMINATION OF THE STATE OF CHARGE AND STATE OF HEALTH OF ELECTROCHEMICAL SYSTEMS」之臨時專利申請案第62/553,287號之權益。聯邦政府贊助研究 或開發 之聲明
本發明係在美國聯邦政府的支援下依據高級能量研究計劃署授予之授權案第DE-AR0000621號完成。美國聯邦政府擁有本發明之特定權利。
本發明之態樣係在涉及本發明之特定態樣之下文描述及相關圖式中揭示。在不背離本發明之範疇之情況下，可設計替代態樣。另外，本發明之熟知元件將不詳細描述或將被省略以免模糊本發明之相關細節。
本文中使用字詞「實例性」來意謂「用作一實例、例項或圖解說明」。本文中被描述為「實例性」之任何態樣不必被解釋為比其他態樣更佳或有利。同樣，術語「本發明之態樣」不要求本發明之所有態樣包含所論述特徵、優點或操作模式。
本文中所使用之術語僅用於描述特定態樣之目的且並非意欲於限制本發明之態樣。如本文中所使用，單數形式「一(a、an)」及「該」意欲於亦包含複數形式，除非內文另有明確指示。將進一步理解，術語「包括(comprises、comprising)」及/或「包含(includes、including)」在本文中使用時，指定存在所述特徵、整數、步驟、操作、元件及/或組件，但不排除存在或添加一或多個其他特徵、整數、步驟、操作、元件、組件及/或其等群組。
此外，關於待由例如一運算器件之元件執行之動作序列來描述諸多態樣。將認知，本文中所描述之各種動作可由特定電路(例如，特定應用積體電路(ASIC))、由正被一或多個處理器執行之程式指令或由兩者之一組合來執行。另外，本文中所描述之此等動作序列可被視為完全體現於任何形式之電腦可讀儲存媒體內，其中儲存有在執行時將引起一相關聯處理器執行本文中所描述之功能之一對應電腦指令集。因此，本發明之各個態樣可以數種不同形式體現，其等之所有預期在所主張標的物之範疇內。另外，針對本文中所描述之態樣之各者，任何此等態樣之對應形式可在本文中被描述為例如「經組態以」執行所描述動作之「邏輯」。
本發明之實例性態樣涉及測定或預測電化學系統(諸如電池組)之一或多個特性，該等特性包括SOH、SOC、構造品質、剩餘使用壽命、功率狀態、安全狀態等。在一些態樣中，自使用聲音信號探測電池組導出之聲音資料可用於電池組特性之上述測定中。
將理解，在本發明中，聲音信號指代聲信號，諸如在下述實例性態樣中具體論述之超音波信號。對應地，聲音信號之波傳播或波形指代聲傳播。在特定態樣中，聲音信號之波傳播可指代彈性波，如將參考彈性波傳播理論進一步解釋。因此，術語(諸如「聲音」、「聲」、「超音波」、「彈性」)可在本發明中互換地使用，例如，在透過一電化學系統或受測試電池組傳播波之背景下。
另外，在一些態樣中，電池組之非聲音資料(諸如電壓、阻抗、溫度、充電/放電速率等)可與聲音資料組合以測定上述特性。此外，實例性態樣涉及由聲音信號(及視情況，非聲音資料)建構之一精簡聲音資料集。該精簡聲音資料集包括一或多個資料點之一精簡集，該一或多個資料點指示例如在電池組之各SOC下之聲音資料集。該精簡聲音資料集可包含：一飛行時間(TOF)位移；總振幅；頻率成分；第一中斷時間；質心頻率；時域中之主回應峰之半峰全幅值；頻域中之主峰之半峰全幅值；頻率分佈之標準偏差、偏度或峰度；回應信號在時域中之衰減率；時域中之其他資料點，諸如正振幅面積、負振幅面積等。相較於自全聲音波形導出之原始聲音資料，該精簡聲音資料集涉及顯著更少數目個資料點，且因此導致所揭示技術之更高效率。
除測定上述電池組特性之外，態樣亦涉及基於彈性波傳播理論之應用測定一電池組(包含電池組組件，諸如陽極、陰極、隔板、電解質等)之物理性質，諸如體模數(Bulk modulus)、密度等。可藉由使該電池組經受充電-放電循環來執行上文所描述之分析，以便獲得在不同充電狀態下之資料點。自將在下文詳細論述之機器學習模型，可在電池組使用時(例如，在充電/放電循環期間之各種充電狀態下)或在一隔離/靜止狀態下(即，非使用期間)預測電池組特性及/或物理性質。可使用此等技術，例如基於構造品質、缺陷狀態、劣化狀態等對各種電池組進行分類。SOC、SOH監測及分類之外的使用所揭示技術之其他應用亦在本發明之範疇內。
所揭示技術基於透過一電池組(或其部分)之超音波傳播與該電池組之機械-電化學性質之變化之間的一關係(其物理學將在下文詳細解釋) (應記住，對「電池組」及「電池」之引用可在本發明中互換地使用，而並非意欲於對本文中所論述之實例性態樣之範疇進行任何改變)。相反，機械-電化學性質之變動導致聲音資料(諸如超音波信號之量測傳播時間、耗散、振幅、衰減、頻率成分等)之變動。
在實例性態樣中，使用超音波信號(例如，高頻率)研究電池組中之電化學-機械關係。儘管可使用任何合適器件以在一合適頻率下傳輸超音波信號及感測對所傳輸信號之回應，但將提及可在實例性態樣中所使用之一些實例性器件。用於傳輸及接收超音波信號之換能器提供一低成本且小尺寸之選項，因為換能器中之作用元件之厚度與所產生超音波信號之波長成反比。微機電系統(MEMS)壓電換能器係可經組態以透過電池組(或其部分)發送超音波信號及/或接收其回應信號之換能器之一實例。在其他實例中亦可使用其他類型之換能器，諸如電容式微機械超音波換能器(CMUT)、宏觀壓電換能器。在一些實例中，加速度計、基於光學/雷射之感測器、基於應變之感測器等亦可用於接收回應信號。
在一實例中，一電池組之特性(例如，SOC及SOH)之變化可被表達為依據聲音資料(諸如一超音波通過一電池組之初次到達時間或飛行時間(TOF))之變動。為解釋起見，根據彈性波傳播理論，一聲音信號或聲波通過一材料之傳播速度取決於物理性質，諸如體模數、切變模數及材料密度。一電池組之多個層或組件材料內之電化學變化導致其等物理性質例如在該電池組經歷充電/放電循環時改變。當該電池組經歷充電及放電循環時發生之此等變化亦稱為循環內變化。隨著電池組老化或經受外部變化，可能發生電池組材料之其他變化。例如，劣化(例如歸因於暴露於高溫)或製程及內部組件之差異亦可導致電池組之總體物理性質之變化。因此，隨著電池組老化及/或外部條件改變，物理性質之變化可在多次充電-放電循環內發生。因此，物理性質之變化導致與透過電池組傳輸之聲音信號相關之聲音資料之變化，例如，呈所傳輸及/或所反射超音波信號之位移之形式。
現將進一步詳細地論述上文所提及之機器學習演算法。精簡聲音資料集可用來訓練機器學習演算法以有效地且低成本地預測電池組之特性。精簡聲音資料集可自聲音資料例如基於超音波信號傳播之量測(或更一般言之，聲音回應信號)導出，此等量測包含飛行時間、振幅、波形形狀變化、波形性質與參考波形之比較、頻率成分之分析、分散、衰減等。除自聲音資料提取上述精簡聲音資料集之外，亦可自聲音資料估計電池組電池內之個別層或組件(例如，陽極、陰極、集電器、隔板、電解質等)之物理性質(例如，聲速、密度、彈性模數、體模數、切變模數、孔隙率、厚度等)。如先前所提及，可使用基於彈性波傳播理論之模型估計此等物理性質。
可為兩個或更多個電池組(例如，類似電池)產生聲音資料之一庫/資料庫，或更具體言之在一些情況下精簡聲音資料集之一庫/資料庫。在根據實例性技術提取精簡聲音資料集之前，可首先對聲音資料進行過濾或視窗化。可將精簡聲音資料集饋送至機器學習演算法中。機器學習演算法之輸出可用於預測不同電池組之特性(諸如SOC、SOH、電池組壽命、電池組損壞、安全風險等)，儘管不同電池組之間的電池組效能及循環歷史存在變動。
參考圖2，展示用於分析一電化學系統(諸如電池組202)之一實例性系統200。電池組202通常可為一能量儲存器件(例如，一鋰離子電池)而無限制，即使為闡明本文中所揭示之態樣起見在特定實例中可引用特定類型之電池組電池。
感測器216可經耦合至電池組202以偵測與電池組202相關之非聲音資料，此等非聲音特性包括電池組202之溫度、外部或環境溫度等。電池組管理系統208表示用於操作(例如，充電-放電)電池組202之一控制器且可透過電池組202之端子連接至電池組202。對應地，電池組管理系統208亦可用來偵測與電池組202相關之其他非聲音資料，諸如施加至電池組202之電壓。
一對換能器204、206被展示為與電池組202之表面上之兩個位置(例如，在相對側上)接觸。換能器204、206可透過任何耦合機構附貼至電池組202，諸如一單獨固持件或整合換能器系統。雖然在此實例中展示及描述換能器，但將理解，換能器204、206之一者或兩者可由用於傳輸及/或接收聲音信號之各種其他器件代替，如上文所論述。
一聲音信號產生器及感測機構(其單獨或組合區塊)表示性地被展示為耦合至換能器204、206之超音波脈衝產生器-接收器210。基於超音波脈衝產生器-接收器210之控制，換能器204、206之一者可經組態以傳輸超音波信號，而換能器204、206之一者或兩者可經組態以接收自所傳輸、所反射或所折射超音波信號產生之回應。為繪示圖2中之一個態樣起見，換能器204被展示為一傳輸器(T)且換能器206被展示為一接收器(R)。電池組管理系統208可將控制信號提供至超音波脈衝產生器-接收器210以引起如上述般執行超音波信號之產生/感測。
在圖2中，亦結合上述區塊展示電腦224。繪示電腦224之單獨區塊以描述實例性態樣，同時將理解，電腦224之不同區塊之功能可以硬體及軟體元件之任何合適組合來實施。在一項實例中，由超音波脈衝產生器-接收器210量測之聲音信號之波形形成上文所提及之聲音資料。將聲音資料連同來自感測器216、電池組管理系統208之非聲音資料一起發送至電腦224。在區塊212中，可執行一可選調節步驟，其中可將聲音資料視窗化、重取樣、過濾等以產生一經調節資料集。將經調節資料集發送至區塊214，其中產生精簡聲音資料集(替代地，若不存在區塊212，則可自聲音資料產生精簡聲音資料集)。區塊214可在產生精簡聲音資料集時實施各種信號分析技術、特徵提取及特徵選擇，其等之實例性程序將在以下段落中例如參考圖4A至圖4B詳細論述。接著將來自區塊214之精簡聲音資料集與來自感測器216之非聲音資料(例如電池溫度、環境溫度)、來自電池組管理系統208之非聲音資料(例如充電/放電速率、電壓、電池阻抗)等組合在一起，且饋送至區塊218，該區塊218具有區塊220所展示之雙向通信，包括已知系統操作條件及參數之一庫/資料庫，例如，來自其他電池組之精簡聲音資料集、非聲音資料等。區塊220中之資料庫/庫可使用下文進一步解釋之機器學習、關聯及物理模型來建構。對來自區塊214之所接收聲音資料集以及來自感測器216及電池組管理系統208之非聲音資料與來自區塊220之庫/資料庫進行比較或關聯。此產生電池組202之特性之一預測222，例如SOC、SOH、電池安全裕度、剩餘壽命、材料性質、製造品質等。在一些態樣中，亦可將預測222回饋至電池組管理系統208中以提供用以最佳化電池組202之操作之資訊。
現將解釋彈性波傳播理論在圖2之系統中之一應用。在一實例中，換能器204可為一超音波或聲音信號傳輸器(亦稱為脈衝產生器)，且經組態以例如透過電池組202在一超音波頻率下傳輸一信號。所傳輸信號之形狀在一項實例中可為一波封正弦壓縮脈衝，但在其他形狀(諸如一方波)中，亦可任何其他類型之正弦波等。可由換能器206接收對所傳輸信號之回應。所傳輸信號透過電池組202傳播，該電池組202可包括厚度為幾十微米之若干薄材料層(即，陽極、陰極、隔板、集電器等)。電池組202之特定層(諸如陽極、陰極、隔板等)通常係多孔材料，且在一建構完好之電池組中，孔充滿電解質(通常但非排他地為一液體或流體電解質)。在各層中所傳輸聲音信號之傳播速度(例如，呈一壓縮波之形狀)取決於波行進通過之層之材料性質。針對一各向同性彈性材料，在圖1A之方程式1中展示所傳輸信號之速度，其中K及G分別係材料體模數及切變模數，且ρ係材料密度。在層之間的介面處，所傳輸信號之波可部分被反射且部分被傳輸，傳輸及反射取決於形成介面之兩個材料/層之聲音阻抗之間的一失配程度。聲音阻抗亦取決於材料之物理性質，諸如密度及傳播速度。依一角度撞擊一介面之任何波可經歷模式轉換且部分作為切變波傳播。在其中換能器204係一壓縮波換能器之一實例中，可量測一對對準換能器(表示性地，換能器206)之回應信號，其中對準換能器可量測來自壓縮波(及在相關情況下，亦係切變波)之貢獻。
通過一精細分層結構(諸如一鋰離子電池組)之波行為被認知為不同於通過一非精細分層結構之波行為。針對波長λ遠大於層厚度l (即，λ»l )之波，通過整個厚度之傳播速度可顯著不同於在其等平均波速度下傳播通過一簡單層聚集之波所預期之波傳播速度。波速度之20%或更多差異並不罕見，其稱為巴克斯(Backus)平均化。歸因於此等效應，例如，自換能器204傳輸通過包括一精細分層結構之電池組202之第一波在換能器206處之到達時間相較於基於一簡單層聚集之其預期到達時間可能被延遲。在本發明之態樣中，藉由關注波傳播時間(例如，飛行時間(TOF)位移)之變化而非絕對波到達時間(例如，TOF)來忽略或忽視基於不同層組成之波到達時間之間的上述差異。TOF位移提供一精簡聲音資料之一實例，因為其表示整個波形之波傳播時間，然而比整個波形之波傳播時間顯著更簡單。TOF位移可針對電池組202之不同電化學狀態(例如，充電狀態)來測定且經收集/經儲存為精簡聲音資料集。在形成及利用全聲音資料集時使用精簡聲音資料集而非初次到達時間亦因其忽略或忽視歸因於巴克斯平均化效應之變動的可能而係有利的。在一些態樣中，歸因於巴克斯平均化，除上文所論述之TOF位移之外或代替上文所論述之TOF位移，亦可使用聲音信號之其他聲音特徵之相對變化(諸如質心頻率之相對變化(而非絕對質心頻率值))來形成精簡聲音資料集。
此外，亦可在產生精簡聲音資料集時使用電池組202之物理性質。例如，使用電池組202之陰極及陽極活性材料、黏合劑及導電添加劑等之機械性質之已知或預定值，可在由電池組管理系統208供應之變動充電狀態下測定電池組之物理性質之一系列值，諸如電池組202之複合電極之體模數及切變模數。電池組管理系統208可經組態以基於自電腦224接收之預測222使電池組202經受充電-放電循環，如先前所描述。例如，在一些實例性態樣中，亦可在測定精簡聲音資料集(諸如TOF位移)時使用此等物理性質，包括系列之體模數及切變模數。
更詳細地，可分別根據圖1B至圖1C之方程式2及3自彈性模數及泊鬆(Poisson)比估計一材料之體模數及切變模數，其中K及G分別係體模數及切變模數，如先前所述，且ν係泊鬆比。在實例性態樣中，假定電池組202之材料係各向同性的，或係有效各向同性之隨機定向多晶體之一聚集。電池組202之正電極及負電極通常係充滿電解質之活性材料、黏合劑及導電添加劑之多孔複合材料。基於此，可使用複合材料之有效介質模型(來自地球物理學或材料科學界)估計有效電極剛度。作為一實例，Hashin-Shtrikman界限比Voigt及Reuss界限對複合材料提供一更嚴格性質界限。Hashin-Shtrikman界限表示複合物係由構成材料之球體及殼體之一聚集組成，如下文所描述。
圖1D至圖1G之方程式4至7描述基於構成組件之性質之複合電極之體模數及切變模數之最大及最小界限。為估計用於理論計算之模數之各者之單個值，在一個實例性程序中計算體模數及切變模數之最大及最小HS界限之一平均值。在研究中之電池組202之各SOC狀態下，針對各複合電極或層計算包括體模數及切變模數之物理性質。當構成材料之性質變動時，體模數及切變模數隨SOC而變動。接著可使用方程式1來測定各SOC之主波速度。接著使波傳播時間或TOF位移之變化與SOC關聯。
圖1H至圖1J之方程式8至10係上述方程式4至7中所引用之函數λ、γ及ζ。在方程式8及9中，項K(r)及G(r)表示通過電極之構成材料之空間變動模數。變數z係由各自方程式產生。在方程式6至7之情況下，此變數亦係ζ之一函數。方程式8及9中之預期值計算係一體積分率加權平均。
在物理上，體模數及切變模數之最大及最小分析值可取決於哪些構成材料形成電池組202之複合材料之球體或殼體，但此等最大及最小分析值與本文中之論述無密切關係。
現參考圖3A至圖3B，展示上述概念之一實例性應用。具體言之，圖3A至圖3B展示一飛行時間(TOF)測定技術300，其中一回應信號302 (例如，回應於在一給定/已知SOC下由換能器204透過電池組202傳輸之一超音波信號而接收於換能器206處)與所有時間位移τ之一參考信號306關聯，以產生關聯波形308。在圖3A中，各種波形302、306、308之振幅之一曲線係依據TOF展示。在最佳關聯點處(即，針對τ，其中關聯信號308之振幅係一最大值)，計算TOF位移304。接著使TOF位移304與電池組202之對應SOC關聯。
圖3B展示依據時間之一TOF熱圖。圖3B繪示在電池組202由電池組管理系統208控制而循環充電時，透過電池組202傳輸之超音波信號之演變。線312及316表示取得圖3之各自參考波形302及關聯波形308之時間點。在熱圖中，用元件符號322標識之曲線表示正振幅，而用元件符號324標識之曲線表示負振幅。
為在受測試電池組202循環充電時測定波形之位移，可使用一交叉關聯技術，其中首先對波形資料進行內插(例如，使用三次樣條擬合)以升級離散化資料且允許一更準確TOF測定。可選擇參考信號306作為用於後續波形之TOF位移之交叉關聯及測定之一零點參考。替代地，可選擇一充電循環期間之任何點作為獲得參考信號306之SOC，因為上述位移係相對的。
因此，上述熱圖產生之各快照可在時間上相對於選定參考信號306位移，且針對所有TOF位移304計算曲線乘積之一面積。圖1K之方程式11示範一給定TOF位移304之交叉關聯計算。測定最大關聯點，即，積分處於其最大值之τ。此最大關聯點提供可如上文所論述般計算TOF位移304之一準確量度。針對符號規約，正TOF位移指示一電流波形302具有長於參考信號306之一TOF，且負TOF位移指示電流波形302具有短於參考信號306之一TOF。圖3A以圖形方式展示交叉關聯技術。儘管可使用一完整量測集執行關聯，但可使用資料集之一子集來獲得上文所論述之TOF位移。
在一些態樣中，除上文所論述之TOF位移量測之外或代替上文所論述之TOF位移量測，亦可量測回應信號302之總信號振幅。總信號振幅可藉由在全波形內對各時點之信號振幅之一絕對值進行積分來測定，如圖1L之方程式12中所表示，其中A係波形之總振幅，f(t)係波形，且ti至tf係波形量測視窗。
據此，基於聲音資料或更具體言之精簡聲音資料集，可預測電池組202之特性，此等特性包括電池組之SOC、SOH、功率狀態、安全狀態、構造品質等之一或多者。除上文所論述之總信號振幅或TOF位移之外或作為上文所論述之總信號振幅或TOF位移之替代，精簡聲音資料集亦可包含以下一或多者：一第一中斷時間(即，來自輸入信號之回應初次到達接收換能器206處之時間)；質心頻率(即，回應信號之平均強度加權頻率)；時域中之主回應峰之半峰全幅值；頻域中之主峰之半峰全幅值；頻率分佈之標準偏差、偏度或峰度；回應信號在時域中之衰減率；時域中之其他度量，諸如正振幅面積、負振幅面積等。在建構及使用一機器學習技術時，精簡聲音資料集可結合非聲音資料(諸如電池組之電壓、溫度(例如，環境溫度以及電池溫度(表面及內部))、內部電阻、已通過電池組之總容量、電池組厚度等)一起使用，如下文將進一步解釋。
一實例性機器學習技術稱為支援向量回歸(SVR)方法。在本發明中，機器學習技術(諸如SVR方法)利用一訓練集作為一輸入，其中該訓練集可包含聲音資料集或在實例性態樣中精簡聲音資料集，視情況結合非聲音資料。該訓練集亦可包含基於上文所論述之彈性波傳播理論自聲音資料之分析估計之物理性質。在一些情況下，可正規化該訓練集。例如，正規化精簡聲音資料集可意謂著輸入向量落於0與1之間。在來自全波形之聲音資料用於訓練之情況下，正規化訓練資料可意謂著輸入向量落於-1與1之間。
圖4A繪示使用機器學習技術預測一電池組402x之特性(諸如SOC、SOH等)之方法400之一示意圖。一或多個訓練電池組402a至402n可用於產生輸入資料集。可使用訓練模型404來訓練輸入資料集。基於預測模型406及電池組402x之輸入資料，在區塊408中可預測電池組402x之特性。
進一步詳細地，電池組402a至402n之各者之輸入資料集可包含各自電池組之特性、聲音資料集、精簡聲音資料集、非聲音資料、物理性質及條件(例如，產氣、故障)之任何一或多者。為預測電池組402x，可獲得輸入資料，諸如瞬時循環資料(例如，電壓、電流等)、聲音資料、精簡聲音資料、非聲音資料、物理性質等。訓練模型404可使用機器學習技術(例如，SVM、隨機森林、群集等)，測定來自電池組402a至402n之輸入資料集之間的關聯，應用降維演算法等。預測模型406可基於上述輸入資料集及來自預測模型404之資訊預測所期望特性以在區塊408中產生電池組402x之特性(例如，SOC、SOH、安全裕度、產氣、製造品質等)之預測。
圖4B繪示方法400中所使用之機器學習之一實例(被指定為450)。在方法450中，例如自電池組402a至402n收集原始聲音資料452 (例如，時域中之全波形式)且將原始聲音資料452連同相關元資料一起儲存於資料庫453中。在提取精簡聲音資料(諸如TOF位移及總信號振幅)之前，可在區塊454中預處理(其可包含視窗化、過濾、重取樣等)原始聲音資料集452，以校正可能之設備雜訊且改良解析度。關於聲音資料集452，在一量測時間視窗之開始及結束處之信號振幅被認知為實際上等於零，此意謂著波移入及移出量測視窗對各種度量變化之貢獻可忽略不計。因此，將聲音資料集簡化為精簡聲音資料集(包括一關注區域中之波形變化之量測)可簡化訓練資料。
在區塊456中，可執行將時間序列變換成頻譜及時頻譜圖以促進在區塊458中提取形成精簡聲音資料集之特徵，諸如頻率成分、分散、TOF位移、總信號振幅等。
在區塊458中，除TOF位移及總信號振幅之外，亦自時域、頻域及時頻域提取眾多其他精簡聲音資料集特徵，包括例如統計描述符(例如，均值、方差、偏度)、時域描述符(例如，第一中斷時間、均方根振幅)、頻譜描述符(例如，質心頻率、頻譜寬度)及高階描述符(例如，熵、複雜度、赫斯特(Hurst)指數)描述符。此等所提取特徵可儲存於特徵資料庫459中。
在進行特徵提取以產生精簡聲音資料集之後，可使用一選擇區塊460來最小化或消除雜訊或無關特徵。在此區塊中，可使用基於模型之方法及降維演算法(例如，主分量分析(PCA))來產生在機器學習步驟中所評估之進一步簡化/簡明資料集。
機器學習區塊462可包含圖4A之訓練模型404及預測模型406之一組合之一項實施方案。區塊462可經組態用於以下實例性功能之一或多者：自聲音特徵預測一電池組之特性，諸如容量衰減、SOC、SOH或剩餘使用壽命；及藉由構造品質、缺陷或劣化狀態、或基於聲音類似性之一般可用性對電池組進行分類。可使用監督學習執行預測SOC之第一態樣。針對用於預測SOC等之回歸技術，可使用一均方誤差(MSE)及測定係數來量測預測準確度。
對電池組進行分類之第二態樣可涉及監督分類問題及非監督群集。針對監督分類，可首先將電度量(諸如容量衰減及電阻)轉換成一離散標籤集(諸如類別A、B及C)，且饋送至機器學習管道中。替代地，可基於聲音特徵對電池組進行分組或群集，且可使用電度量作為實況來解釋群集結果。針對所有上述內容，可利用諸如隨機森林、支援向量機(SVM)等之機器學習技術。
參考圖5A至圖5B，將描述使用精簡聲音資料集之實例性優點。圖5A展示在充電-放電循環期間跨一受測試電池組(例如，電池組202)量測之電流值502及電壓值504以及(亦)包括TOF值506之一對應聲音資料集。如所見，TOF值506中存在清晰且可重複之趨勢，其等週期性地變動、與電化學充電循環同步。圖5A之TOF值506中看見一波形位移，其中隨著電池組充電(即，電壓504增加)，TOF值506之波形位移至一較低TOF，其中TOF 506a表示性地被展示為對應於一循環期間之一最高電壓值之一低點(應注意，在此表示中TOF值自上而下增加)。隨著電池組放電(即，電壓504減小)，TOF值506之波形位移至一更高TOF，其中TOF 506b表示性地被展示為相同循環中之一高點。據此，看見表示TOF值506之波在充電期間朝向較低TOF值移動且在電池組放電期間朝向較高TOF值移動。
圖5B展示用於圖5A中所展示之相同充電-放電循環但取代包括TOF值506之聲音資料集之精簡聲音資料集，其包括總信號振幅值508 (例如，使用上文所描述之積分技術)及TOF位移值510 (例如，使用上文所描述之交叉關聯技術)。看見包括總振幅值508及TOF位移值510之精簡聲音資料集之波形更好地示範在循環期間發生之位移，同時亦展示其等可重複且週期性之性質。
現參考圖6A至圖6D，將進一步詳細地論述TOF位移與SOC之間的關聯。圖6A展示單個表示性循環之TOF位移(y軸)與電池組容量(x軸)之間的關係。自最高充電量開始，看見TOF位移之總體波形隨著充電量減少(放電602)而增大，且看見TOF位移之總體波形隨著充電量再次增加(充電604)而減小。因而，在一特定充電/放電循環期間，TOF位移中的滯後係顯而易見的。朝向放電602結束，看見TOF位移中之一平台區(plateau)，之後在隨著電池組放電(即，x軸上之容量趨於0 mAh)快速地形成尖峰之前，TOF位移經歷圖6A中被標識為606之一「雙底(double dip)」型樣。
圖6B繪示在一實例性受測試電池組之複數個充電-放電循環內圖6A之TOF位移之一聚集。具體言之，放電602經標識以繪示波形在各循環期間遵循實質上相同型樣或一般趨勢。週期內之一顯而易見演變涉及跨不同週期波形位移至較高TOF值。此位移可能與諸如SOH之電池組特性關聯。
圖6C至圖6D類似地展示依據單次充電-放電循環(圖6C)之SOC (x軸)且在複數次循環(圖6D)內聚集之總信號振幅608 (y軸)。類似於圖6A至圖6B中之TOF位移，觀察到總信號振幅608之週期內可重複趨勢。在總信號振幅608中觀察到下文被展示為近似25%之SOC之一顯著下降，接著在最低充電量總信號振幅608形成一尖峰(由元件符號610a至610b標識)。圖6A中之606處之TOF位移之顯著且快速之變化及610a至610b處之總信號振幅608之變化指示在此等SOC值處發生顯著結構變化。看見此等快速變化606、610a至610b指示一電池組之過度放電。因此，例如，監測針對此快速變化之組合TOF位移及總信號振幅量測值可用來提供電池組管理系統中過度放電開始之一指示。此外，圖6D中跨循環觀看到之總信號振幅610提供當電池組經受增大數目之充電-放電循環時總信號振幅610略微衰減之一指示。
自包括TOF位移及總信號振幅之精簡聲音資料集之可重複性質之上述觀察，看見精簡聲音資料集可用來準確地預測電池組之特性，諸如SOC、SOH等。具體言之，循環內電化學變化及因此材料之機械特性引起在電池組之充電循環期間在超音波波形中可觀察到之位移。看見電化學-機械耦合為使用自超音波信號導出之聲音資料之上述預測提供基礎。此外，鑑於材料性質在整個循環中連續地變化，亦提供區分電池組材料狀態之清楚變化之一能力(其與諸如電壓之電化學量度相比，其等可能僅顯示難以觀察到之非常小變化)。以下段落論述SOC預測及信號隨著SOC變動而變化之額外態樣。
除TOF位移及總信號振幅兩者相對於電池組之SOC之上述可重複趨勢之外，亦跨多個電池組觀察到相同或類似趨勢。然而，量測期間之電池可變性及雜訊可能導致一些變動，此可能使一電池組之SOC相對於總信號振幅及TOF位移之輸入之直接推斷複雜化。使用包含總信號振幅、TOF位移及上文所描述之其他非聲音資料(諸如電壓)之可用量測資料集之一聚集，實例性態樣涉及估計一電池組之SOC，同時基於上述變動克服複雜性。
如先前所述，圖4A至圖4B中所展示之方法400、450之機器學習技術可使用來自兩個或更多個電池組402a至402n之輸入資料來預測電池組402x之特性。使用方法400、450之此方式提供此等機器學習模型之準確度之獨立驗證，而不要求對待進行預測之電池組402x本身訓練之演算法。可在輸入資料集包含訓練資料之各時間點進行電池組402x之特性之預測。亦如先前所述，TOF位移及總信號振幅可正規化為落於值0與1之間。使用一時間點之電池組402a至402n之此等正規化值，可預測彼時間點之電池組402x之瞬時SOC，而在循環期間不要求來自先前時點之資料。此等實例性技術不同於可更重度地依賴於來自其他先前時點之歷史/資料以及進行SOC預測之習知方法，諸如庫侖計數。並非類似地取決於歷史之實例性技術提供關於實例性SOC預測之穩健性，依賴於更少資訊用於更高精度預測且不取決於電池組之充電-放電歷史或狀況之先前知識之優點。此外，即使在意外且未訓練之循環歷史或可能電池損壞之情況下，亦看見用於SOC預測之上述技術係穩健的。
除預測SOC之外，亦可使用輸入/訓練資料集預測一電池組(例如，電池組402x)之其他特性，諸如SOH。例如，可使用來自各循環最高充電量之資料預測SOH，例如參考圖6A (儘管未詳細論述，但亦可在其他中間充電狀態下進行SOH預測)。針對SOH預測，可使用一類似方法(諸如方法400)，其中在此情況下訓練模型404之輸入可包括與單個電池參考信號關聯之TOF位移(例如，針對在一循環期間最高充電量之電池組402a)、總信號振幅、電壓及被稱為超音波快照之其他聲音資料。超音波快照可包括移除TOF偏移，使得該等快照彼此重疊且捕獲無TOF位移之快照形狀之演變。例如可將超音波快照正規化至例如[-1,1]範圍，且可將剩餘參數正規化至範圍[0,1]。針對各電池組，波形之絕對到達時間可能存在變動，此可能基於電池組之厚度變動、封裝或材料差異、換能器至電池組之附接之變動等。波形之振幅亦可正如一電池組之振幅般基於如上文關於到達時間所論述之電池之類似特性。據此，直接比較聲音資料(例如，到達時間、振幅等)係困難的。為減小誤差且允許更好波形比較，可將最高充電量之波形正規化回至單個到達時間(即，一旦被正規化來自不同電池之波形將看似同時到達，或換言之波形全部重疊)。另外，將波形之振幅正規化為落於-1與1之間，因此亦消除振幅之變動。因此，各種波形將看似相對於其等大量聲音資料(例如，到達時間、振幅)重疊，但波形形狀等之差異將由精簡聲音資料集揭露。訓練一獨立電池組402x可如前述段落中所概述般進行。
如先前所述，由於超音波信號對其等行進通過之電池組中之結構差異敏感，故實例性技術可用於電池組管理、二次使用(second-life)應用(即，重新利用(repurposing))、包裝翻新、電池組製造或組裝程序之開發及監測、及故障電池識別之各個態樣。SOH預測亦可僅使用例如在對應於電池組之最高充電量之一時點進行之單次超音波量測來執行，此意謂著無需知道電池組之歷史。然而，將理解，SOH預測亦可在電池組未使用時執行，且因而本文中所論述之實例性態樣不要求任何充電位準或充電條件。據此，實例性技術帶來低成本且高準確度之解決方案。
據此，將明白，實例性態樣包含用於執行本文中所揭示之程序、功能及/或演算法之各種方法。例如，圖7繪示非侵入性分析電化學系統之一方法700。
方法700之區塊702可包括使至少一第一電池組經受一充電-放電循環之至少一部分(例如，使用電池組管理系統208使電池組202或402a經受一充電-放電循環)。
區塊704包括在充電-放電循環之至少部分期間之兩個或更多個時點，即對應於第一電池組之兩個或更多個充電狀態之該兩個或更多個時點，透過第一電池組之至少一部分傳輸聲音信號且接收對應回應信號(例如，使用換能器204、206來傳輸、接收聲音信號，及形成一聲音資料集，如圖3A至圖B中所展示)。
分塊706包括測定至少一精簡聲音資料集，該精簡聲音資料集包括表示在兩個或更多個充電狀態下之所傳輸聲音信號或回應信號之一或多者之一或多個資料點(例如，TOF位移510、總信號振幅508，如圖5B中所展示)。
此外，熟習此項技術者將明白，可將結合本文中所揭示之態樣所描述之各種闡釋性邏輯區塊、模組、電路及演算法步驟實施為電子硬體、電腦軟體或兩者之組合。為清楚地闡釋硬體及軟體之此可互換性，各種闡釋性組件、區塊、模組、電路及步驟已在上文大體上關於其等功能進行描述。此功能是否實施為硬體或軟體取決於特定應用及強加於總體系統之設計約束。熟習此項技術者可針對各特定應用以不同方式實現所描述功能，但此實施決策不應被解釋為背離本發明之範疇。
結合本文中所揭示之態樣所描述之方法、序列及/或演算法可直接體現於硬體中，體現於由一處理器執行之一軟體模組中或體現於兩者之一組合中。一軟體模組可常駐於RAM記憶體、快閃記憶體、ROM記憶體、EPROM記憶體、EEPROM記憶體、暫存器、硬碟、一可移磁碟、一CD-ROM或此項技術中已知之任何其他形式之儲存媒體中。一實例性儲存媒體經耦合至處理器，使得處理器可自儲存媒體讀取資訊及將資訊寫入至儲存媒體。
據此，本發明之一態樣可包含體現使用聲音信號分析電化學系統之一方法之一電腦可讀媒體。因此，本發明不限於所闡釋實例，且用於執行本文中所描述之功能之任何構件包含於本發明之態樣中。
儘管前述揭示內容展示本發明之闡釋性態樣，但應注意，在不背離如由隨附發明申請專利範圍所定義之本發明之範疇之情況下，可在本文中進行各種改變及修改。根據本文中所描述之本發明之態樣之方法請求項之功能、步驟及/或動作無需以任何特定順序執行。此外，儘管可以單數形式描述或主張本發明之元件，但除非明確說明限於單數形式，否則亦涵蓋複數形式。
202‧‧‧電池組204‧‧‧換能器206‧‧‧換能器208‧‧‧電池組管理系統210‧‧‧超音波脈衝產生器-接收器212‧‧‧區塊214‧‧‧區塊216‧‧‧感測器218‧‧‧區塊220‧‧‧區塊222‧‧‧預測224‧‧‧電腦300‧‧‧飛行時間(TOF)測定技術302‧‧‧回應信號/電流波形304‧‧‧TOF位移306‧‧‧參考信號308‧‧‧關聯波形312‧‧‧時間點316‧‧‧時間點322‧‧‧正振幅324‧‧‧負振幅400‧‧‧方法402a-n‧‧‧訓練電池組402x‧‧‧電池組404‧‧‧訓練模型406‧‧‧預測模型408‧‧‧區塊450‧‧‧方法452‧‧‧原始聲音資料453‧‧‧資料庫454‧‧‧區塊456‧‧‧區塊458‧‧‧區塊459‧‧‧特徵資料庫460‧‧‧選擇區塊462‧‧‧機器學習區塊502‧‧‧電流值504‧‧‧電壓值506‧‧‧TOF值506a‧‧‧TOF506b‧‧‧TOF508‧‧‧總信號振幅值510‧‧‧TOF位移值602‧‧‧放電604‧‧‧充電606‧‧‧「雙底」型樣608‧‧‧總信號振幅610a-b‧‧‧尖峰700‧‧‧方法702‧‧‧區塊704‧‧‧區塊706‧‧‧區塊
隨附圖式經呈現以協助描述本發明之各個態樣且僅出於繪示且非限制目的而提供。
圖1A至圖1L繪示本發明中所引用之方程式。
圖2繪示根據本發明之態樣之用於執行一電池組之聲音分析之一系統。
圖3A至圖3B繪示根據本發明之態樣之透過一電池組傳輸之聲音信號之特徵之間的關聯。
圖4A至圖4B繪示根據本發明之態樣之使用機器學習模型預測電池組之特性(諸如SOC、SOH)之方法。
圖5A至圖5B繪示根據本發明之態樣之透過一電池組傳輸之聲音信號之特徵與非聲音資料之間的關聯。
圖6A至圖6D繪示根據本發明之態樣之聲音信號(包含TOF位移及總信號振幅)之實例性特徵與一電池組之特性(包含SOC及容量)之間的關聯。
圖7繪示根據本發明之態樣之非侵入性分析一電池組之一實例性方法。
202‧‧‧電池組
204‧‧‧換能器
206‧‧‧換能器
208‧‧‧電池組管理系統
210‧‧‧超音波脈衝產生器-接收器
212‧‧‧區塊
214‧‧‧區塊
216‧‧‧感測器
218‧‧‧區塊
220‧‧‧區塊
222‧‧‧預測
224‧‧‧電腦

Claims (20)

  1. 一種非侵入性分析電化學系統之方法，該方法包括：使至少一第一電池組經受一充電-放電循環之至少一部分；在該充電-放電循環之至少該部分期間之兩個或更多個時點，即對應於該第一電池組之兩個或更多個充電狀態之該兩個或更多個時點，透過該第一電池組之至少一部分傳輸聲音信號且接收對應回應信號；測定一第一聲音資料集，其係至少部分地基於在該兩個或更多個充電狀態下之該等所傳輸聲音信號及該等回應信號；產生一第二聲音資料集，其係基於該第一聲音資料集，該第二聲音資料集相較於該第一聲音資料集係為回應信號之較小資料集；及使用至少該第二聲音資料集測定一第一電池組之一或多個物理特性。
  2. 如請求項1之方法，其中該第二聲音資料集包括與該等聲音信號相關之一或多個資料點，該一或多個資料點之各者對應於以下之一者：一飛行時間位移、一總信號振幅、頻率成分、第一中斷時間、質心頻率、時域中之一主回應峰之一半峰全幅值、頻域中之一主峰之一半峰全幅值、頻率分佈之標準偏差、偏度或峰度、該回應信號在時域中之衰減率、該等聲音信號之正振幅面積或負振幅面積。
  3. 如請求項1之方法，其中在該兩個或更多個充電狀態下測定該第一電池組之該一或多個物理特性，該一或多個物理特性包括該第一電池組之密 度、彈性模數、體模數、切變模數、孔隙率或厚度之一或多者。
  4. 如請求項1之方法，其進一步包括：形成具有該第一電池組之至少該第二聲音資料集之一第一資料庫。
  5. 如請求項4之方法，其進一步包括：在該第一資料庫中包含與該第一電池組相關之非聲音資料，該非聲音資料包括在該兩個或更多個充電狀態下之該第一電池組之一或多個電壓、電流或溫度。
  6. 如請求項5之方法，其進一步包括：在該第一資料庫中包含在該兩個或更多個充電狀態下之該等所傳輸聲音信號或該等回應信號之一或多個波形。
  7. 如請求項6之方法，其進一步包括：使用至少該第一資料庫及一第二電池組之聲音資料、或非聲音資料之一或多者測定該第二電池組之一或多個特性。
  8. 如請求項7之方法，其中該第二電池組之該一或多個特性包括一充電狀態(SOC)、健康狀況(SOH)、構造品質、剩餘使用壽命、功率狀態或安全狀態之一或多者。
  9. 如請求項7之方法，其進一步包括：使用至少該第一資料庫用作一訓練資料集訓練一機器學習模型；及 使用該機器學習模型測定該第一電池組或該第二電池之該一或多個特定。
  10. 如請求項1之方法，其中該等聲音信號包括超音波信號或彈性波，該等聲音信號係由一或多個換能器傳輸，及該等回應信號係由一或多個換能器接收。
  11. 一種非侵入性分析電化學系統之方法，該方法包括：使用至少一第一資料庫及一第一電池組之聲音資料或非聲音資料之一或多者預測一或多個電池組之物理特性，其中該第一資料庫包括藉由轉換該第一電池組之一第二聲音資料集形成之至少一第一聲音資料集，該第二聲音資料集包括一或多個資料點，該一或多個資料點表示透過使用一或多個換能器在該第一電池組之兩個或更多個充電狀態下之該第一電池組之至少一部分傳輸之聲音信號及對該等所傳輸信號之回應信號之一或多者，該第一聲音資料集與該第二聲音資料集相比係為回應信號之較小資料集。
  12. 如請求項11之方法，其中該第一聲音資料集包括至少該等回應聲音信號之一總信號振幅、第一中斷時間、質心頻率、時域中之一主回應峰之一半峰全幅值、頻域中之一主峰之一半峰全幅值、頻率分佈之標準偏差、偏度或峰度、該回應信號在時域中之衰減率、該等聲音信號之正振幅面積或負振幅面積。
  13. 一種裝置，其包括：至少一第一電池組；一電池組管理系統，其經組態以使該第一電池組經受一充電-放電循環之至少一部分；一或多個換能器，該一或多個換能器經組態以在該充電-放電循環之至少該部分期間之兩個或更多個時點，即對應於該第一電池組之兩個或更多個充電狀態之該兩個或更多個時點，透過該第一電池組之至少一部分傳輸聲音信號且接收對應回應信號；及一或多個處理器，其經組態以：至少部分地基於在該兩個或更多個充電狀態下之該等所傳輸聲音信號及該等回應信號測定一第一聲音資料集；及轉換該第一聲音資料集以產生一第二聲音資料集，該第二聲音資料集相較於該第一聲音資料集係為回應信號之較小資料集；及使用至少該第二聲音資料集測定一第一電池組之一或多個物理特性。
  14. 如請求項13之裝置，其中該第二聲音資料集包括與該等聲音信號相關之一或多個資料點，該一或多個資料點之各者對應於以下之一者：一飛行時間位移、一總信號振幅、第一中斷時間、質心頻率、時域中之一主回應峰之一半峰全幅值、頻域中之一主峰之一半峰全幅值、頻率分佈之標準偏差、偏度或峰度、該回應信號在時域中之衰減率、該等聲音信號之正振幅面積或負振幅面積。
  15. 如請求項13之裝置，其中該一或多個處理器進一步經組態以產生具有該第一電池組之至少該第二聲音資料集之一第一資料庫。
  16. 如請求項15之裝置，其進一步包括一或多個感測器，該一或多個感測器經組態以測定該第一電池組之一溫度，其中該電池組管理系統進一步經組態以測定該第一電池組之一電壓，及該第一資料庫進一步包括與該第一電池組相關之非聲音資料，非聲音資料包括在該兩個或更多個充電狀態下之該第一電池組之一或多個該電壓或一溫度。
  17. 如請求項16之裝置，其中該第一資料庫進一步包括一聲音資料集，該聲音資料集包括在該兩個或更多個充電狀態下之該等所傳輸聲音信號或該等回應信號之一或多個波形。
  18. 如請求項17之裝置，其中該一或多個處理器進一步經組態以基於至少該第一資料庫及一第二電池組之聲音資料、精簡聲音資料或非聲音資料之一或多者預測該第二電池組之一或多個特性。
  19. 如請求項18之裝置，其中該第二電池組之該一或多個特性包括一充電狀態(SOC)、健康狀況(SOH)、構造品質、剩餘使用壽命、功率狀態或安全狀態之一或多者。
  20. 如請求項13之裝置，其中該等聲音信號包括超音波信號或彈性波。
TW107130750A 2017-09-01 2018-08-31 使用聲音信號測定電化學系統之特性之裝置及方法 TWI794281B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762553287P 2017-09-01 2017-09-01
US62/553,287 2017-09-01
US16/117,421 2018-08-30
US16/117,421 US11193979B2 (en) 2017-09-01 2018-08-30 Determination of characteristics of electrochemical systems using acoustic signals

Publications (2)

Publication Number Publication Date
TW201931661A TW201931661A (zh) 2019-08-01
TWI794281B true TWI794281B (zh) 2023-03-01

Family

ID=65517321

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107130750A TWI794281B (zh) 2017-09-01 2018-08-31 使用聲音信號測定電化學系統之特性之裝置及方法

Country Status (8)

Country Link
US (2) US11193979B2 (zh)
EP (1) EP3676902A1 (zh)
JP (1) JP7293197B2 (zh)
KR (1) KR102663466B1 (zh)
CN (1) CN111344894A (zh)
CA (1) CA3073833A1 (zh)
TW (1) TWI794281B (zh)
WO (1) WO2019046555A1 (zh)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10809231B2 (en) * 2016-11-02 2020-10-20 Feasible, Inc. Arrays of acoustic transducers for physical analysis of batteries
US10629966B2 (en) * 2016-11-02 2020-04-21 Feasible, Inc. Modular, adaptable holders for sensors and battery cells for physical analysis
JP7293197B2 (ja) * 2017-09-01 2023-06-19 リミナル・インサイト・インコーポレーテッド 音響信号を用いた電気化学システムの特性の決定
CN109828029B (zh) * 2019-03-28 2021-08-27 烟台中凯检测科技有限公司 一种基于原始数据的超声相控阵检测系统和方法
CN110137581B (zh) * 2019-04-15 2021-03-26 华中科技大学 一种锂离子电池超声脉冲监测装置
US11415552B2 (en) * 2019-06-19 2022-08-16 Battelle Memorial Institute In operando, non-invasive state-of-charge monitoring for redox flow batteries
US11855265B2 (en) 2019-12-04 2023-12-26 Liminal Insights, Inc. Acoustic signal based analysis of batteries
FR3104725B1 (fr) * 2019-12-16 2021-12-10 Commissariat Energie Atomique Procédé de détermination d’un signal sonde, procédé de caractérisation utilisant un tel signal et dispositif associé
JP2023519103A (ja) * 2020-02-10 2023-05-10 タイタン・アドバンスト・エナジー・ソリューションズ・インコーポレイテッド 電池の試験システムおよび方法
CN113030738B (zh) * 2020-02-18 2022-09-16 深圳大学 一种电池故障检测方法、电池故障检测系统及终端
KR20230004808A (ko) * 2020-05-06 2023-01-06 리미널 인사이츠 인코포레이티드 필름의 음향 신호 기반 분석
CN112114038B (zh) * 2020-09-09 2023-10-10 无锡领声科技有限公司 一种斜入式声波检测电池老化的方法和装置
CN112113835A (zh) * 2020-09-10 2020-12-22 北京理工大学 一种微动疲劳裂纹萌生位置判定方法
JP2024509913A (ja) * 2021-03-08 2024-03-05 アール ジュアニコ ドランドレブ バッテリーの動作を音響的に補助する方法及びシステム
FR3121228A1 (fr) * 2021-03-23 2022-09-30 Blue Solutions Procédé et système pour estimer un indicateur de vieillissement d’une batterie électrique rechargeable.
JPWO2022239562A1 (zh) * 2021-05-14 2022-11-17
CN113533989B (zh) * 2021-06-09 2023-08-18 深圳先进技术研究院 一种电池检测系统和电池检测方法
CN113410531B (zh) * 2021-06-09 2022-08-12 湖州师范学院 电池整体温度检测方法、装置及计算机可读存储介质
US11885767B2 (en) * 2021-06-21 2024-01-30 Rtx Corporation Automated scan data quality assessment in ultrasonic testing
CN113984900B (zh) * 2021-10-12 2023-10-03 北京福泽润慧科技有限公司 一种新能源风力发电用电极检测系统
CN114019388A (zh) * 2021-11-08 2022-02-08 北京工业大学 一种超声反射系数表征锂离子电池soc的方法
CN114236403B (zh) * 2021-12-15 2023-12-29 河北工业大学 基于超声测量的锂离子电池荷电状态估计方法及装置
CN114384156B (zh) * 2022-01-13 2024-05-07 西安交通大学 一种基于信息熵理论的声发射信号特征提取与裂纹损伤识别方法
WO2023154949A1 (en) * 2022-02-14 2023-08-17 Liminal Insights, Inc. Defect simulation for identification and labeling of defects in battery cells
FR3134240A1 (fr) * 2022-03-31 2023-10-06 Commissariat à l'Energie Atomique et aux Energies Alternatives Procédé de tri d’un ensemble de batteries basé sur un modèle de classification automatique
KR20240005523A (ko) * 2022-07-05 2024-01-12 주식회사 엘지에너지솔루션 배터리 검사 장치 및 그것의 동작 방법
CN115356641A (zh) * 2022-07-12 2022-11-18 河北工业大学 一种基于超声特征的锂离子电池过充电检测方法
US20240104269A1 (en) * 2022-09-16 2024-03-28 Palo Alto Research Center Incorporated Transferable hybrid prognostics based on fundamental degradation modes
WO2024074349A1 (de) 2022-10-05 2024-04-11 Tdk Electronics Ag Sensorsystem, system mit sensorsystem und verfahren zum detektieren
CN116148679B (zh) * 2023-04-19 2023-07-07 深圳市伟创源科技有限公司 一种电池健康状态的预测方法及相关装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160223498A1 (en) * 2015-01-30 2016-08-04 The Trustees Of Princeton University Apparatus and Method for Determining state of Change (SOC) and State of Health (SOH) of Electrical Cells

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010040318A (ja) * 2008-08-05 2010-02-18 Toyota Motor Corp 二次電池のａｅ信号発生部位検出方法およびその装置
JP5293818B2 (ja) * 2009-07-02 2013-09-18 トヨタ自動車株式会社 電池の内部状態検出装置、及び方法
FR2980850B1 (fr) * 2011-09-30 2014-05-16 IFP Energies Nouvelles Procede et systeme de diagnotic de l'etat interne d'une batterie par emission acoustique.
JP2013137249A (ja) * 2011-12-28 2013-07-11 Nec Corp 二次電池の劣化診断方法および電池システム
CN102662190B (zh) * 2012-05-04 2014-06-25 同济大学 一种超声波快速扫描勘探的方法与所用系统
TWI504907B (zh) * 2013-08-13 2015-10-21 Taiwan Power Testing Technology Co Ltd 鋰電池之電性檢測方法及設備
US10014561B2 (en) * 2013-08-15 2018-07-03 University Of Maryland, College Park Systems, methods, and devices for health monitoring of an energy storage device
FR3011336B1 (fr) * 2013-09-30 2017-06-09 Commissariat Energie Atomique Procede de surveillance d'une batterie li-ion et dispositif de surveillance pour sa mise en oeuvre
DE102014218699A1 (de) * 2014-09-17 2016-03-17 Continental Teves Ag & Co. Ohg Batteriesensor basierend auf akustischen Oberflächenwellen
US10247783B2 (en) * 2014-09-23 2019-04-02 Ford Global Technologies, Llc Sensor system for measuring battery internal state
JP6145824B2 (ja) * 2014-10-31 2017-06-14 エンネット株式会社 電池診断装置および電池診断方法
KR20160101506A (ko) * 2015-02-17 2016-08-25 삼성전자주식회사 배터리 신호 세그먼트 데이터의 확률 추론을 기반으로 한 배터리 상태 추정 방법 및 장치
CN104730147A (zh) * 2015-03-31 2015-06-24 无锡市崇安区科技创业服务中心 一种基于超声波的岩石层状态实时监控系统
US9893385B1 (en) * 2015-04-23 2018-02-13 Ambri Inc. Battery management systems for energy storage devices
US10197631B2 (en) * 2015-06-01 2019-02-05 Verizon Patent And Licensing Inc. Systems and methods for determining vehicle battery health
US11527783B2 (en) * 2016-06-21 2022-12-13 The Board of Trustees of the Leland Standford Junior Universitv Battery state monitoring using ultrasonic guided waves
CN106772063B (zh) * 2016-11-21 2018-03-20 华中科技大学 一种监测锂离子电池荷电状态和健康状态的方法及其装置
US10502793B2 (en) * 2016-12-09 2019-12-10 The Regents Of The University Of California Nonlinear acoustic resonance spectroscopy (NARS) for determining physical conditions of batteries
CN106989702B (zh) * 2017-03-31 2023-12-01 中国特种设备检测研究院 脉冲激发式电磁超声检测仪
JP7293197B2 (ja) * 2017-09-01 2023-06-19 リミナル・インサイト・インコーポレーテッド 音響信号を用いた電気化学システムの特性の決定

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160223498A1 (en) * 2015-01-30 2016-08-04 The Trustees Of Princeton University Apparatus and Method for Determining state of Change (SOC) and State of Health (SOH) of Electrical Cells

Also Published As

Publication number Publication date
JP7293197B2 (ja) 2023-06-19
CN111344894A (zh) 2020-06-26
US20220206075A1 (en) 2022-06-30
TW201931661A (zh) 2019-08-01
US11193979B2 (en) 2021-12-07
JP2020537114A (ja) 2020-12-17
KR102663466B1 (ko) 2024-05-03
US20190072614A1 (en) 2019-03-07
KR20200086254A (ko) 2020-07-16
EP3676902A1 (en) 2020-07-08
WO2019046555A1 (en) 2019-03-07
CA3073833A1 (en) 2019-03-07

Similar Documents

Publication Publication Date Title
TWI794281B (zh) 使用聲音信號測定電化學系統之特性之裝置及方法
US11527783B2 (en) Battery state monitoring using ultrasonic guided waves
US10809310B2 (en) Nonlinear acoustic resonance spectroscopy (NARS) for determining physical conditions of batteries
JP7261179B2 (ja) バッテリの寿命評価および容量の回復
US11549919B2 (en) Apparatus and method for determining state of change (SOC) and state of health (SOH) of electrical cells
US11855265B2 (en) Acoustic signal based analysis of batteries
US11022501B2 (en) Apparatus and method for measuring temperature of batteries and internal battery components
US20210194070A1 (en) Diagnosis of batteries
Li et al. State estimation of a lithium-ion battery based on multi-feature indicators of ultrasonic guided waves
Sun et al. Ultrasonic diagnosis of the nonlinear aging characteristics of lithium-ion battery under high-rate discharge conditions
Zhang et al. Ultrasonic characterization of multi-layered porous lithium-ion battery structure for state of charge
McGee Ultrasonic inspection of lithium-ion batteries to determine battery safety
Montoya‐Bedoya et al. Quantitative Ultrasound Spectroscopy for Screening Cylindrical Lithium‐Ion Batteries for Second‐Life Applications
Zeng et al. Novel Sensing Techniques for Lithium-ion Battery Modeling and States Estimation
Han et al. An Ultrasonic Reflected Wave-based Method for Estimating State of Charge of Hard-shell Lithium-ion Batteries
Festijo et al. State of Health Classification for Lead-acid Battery: A Data-driven Approach