【超声波在电池上的应用之四】电-超声双模态特征融合×FEDformer：锂电池SOH估计突破纯电物理盲区

TL;DR河北工业大学联合中汽研团队提出一种融合电学特征与超声特征、结合频域增强分解Transformer（FEDformer）的锂离子电池SOH估计框架。基于9只LFP软包电池、7828个循环的多工况老化数据集，从20个多域特征中经Spearman筛选构建8维最优特征集。电+超声双模态输入下，FEDformer在单工况测试中MAE达0.30%、RMSE达0.36%，相较纯电特征精度提升44.44%/47.83%；跨老化条件泛化场景下平均MAE 0.52%、RMSE 0.63%，在所有跨工况组合中一致优于纯电信号基线。与CNN、LSTM、Transformer、Informer等模型横向对比中，FEDformer取得最优的MAE 0.17%–0.28%区间。

论文信息：Yuan L, Liu S, Ma Y, et al. State of Health Estimation of Lithium-Ion Batteries Combining Electrical and Ultrasonic Signal Features[J].Batteries, 2026, 12(7): 230.

关键词：SOH估计 | 超声无损检测 | 多模态特征融合 | FEDformer | LFP电池 | 电池管理系统 | 频域增强 | 老化数据集 | 频域分析

一、问题意识：纯电特征SOH估计的物理盲区

当前锂电池SOH估计方法几乎完全依赖电信号——电压、电流、温度及其衍生特征（增量容量曲线ICA峰值、dV/dt特征、恒流/恒压充电时间等）。这些电信号衍生量确实能够有效捕捉电池老化过程中不可逆的电化学特性变化，如活性锂损失（LLI）和电极/电解液界面阻抗演化。

然而，电池老化是一个多物理场耦合过程。除了电化学维度的退化，电池内部同时发生着显著物理结构性质的不可逆演化：

• SEI膜持续增厚：负极表面固体电解质界面膜在循环中不断生长，消耗活性锂并增加离子传输路径[1]；
• 活性材料颗粒机械强度下降：反复嵌锂/脱锂导致颗粒内部应力交变，引发微裂纹与接触损失；
• 电极晶格体积膨胀：正极/负极材料在锂嵌入过程中的晶格膨胀/收缩造成电极整体尺寸变化。

这些物理结构变化对超声波的传播特性（声速、声阻抗、衰减系数）高度敏感，但对电压/电流曲线的响应却极为微弱——尤其在LFP体系中，由于其独特的两相共存机制，OCV-SOC曲线在平台区近乎平坦，电信号对物理结构退化的分辨能力进一步被压缩。

从数据来看，这暗示着一个明确的互补空间：如果能在电信号捕捉电化学维度信息的同时，引入对物理结构变化高灵敏的超声信号，便有望构建更完整的多物理场特征集，突破单一模态的性能天花板。

二、核心创新：电-超声双模态特征融合框架

2.1 超声表征的物理基础

超声波在固体介质中的传播行为由介质的弹性性质和密度决定。核心关系式如下：

• 声速：vs = √(E/ρ)，其中E为杨氏模量，ρ为密度
• 声阻抗：Z = √(ρE)
• 飞行时间：TOF = L/vs（L为传播路径长度）
• 信号幅值：SA与声阻抗和界面传输系数相关

电池充放电过程中，锂离子在正负极之间嵌入/脱出，直接改变电极材料的密度ρ和杨氏模量E。这意味着超声信号的TOF、SA等指标会随电池内部状态的变化而发生改变——即使电学信号看起来"等效"的两块电池，其超声响应可能已经展现出显著分歧。

各类电池在早期循环中电学信号曲线高度一致，表明初始阶段电化学可逆性良好；但超声信号曲线已呈现显著偏差，揭示了内部物理结构的不可逆演化。这一观察从实验层面验证了超声信号对早期物理退化的灵敏度优势。

2.2 多工况老化数据集构建

实验设计是这篇论文的一项基础性贡献。研究团队使用9只商业LFP软包电池（额定容量10Ah），在25°C恒温环境下设计了三组差异化放电倍率方案：

总计7828个循环的数据量，每个循环均同步采集电信号（电压、电流、温度）和超声信号。超声系统采用中心频率1 MHz的压电探头、100 MHz采样率，以高真空硅脂为耦合剂，对置透射模式安装。

这一数据集的设计有两个突出特点：其一，数据规模在超声-电池耦合研究中属于较大水平，为深度学习模型提供了充足的训练样本；其二，多倍率交叉设计天然支持跨工况泛化能力评估，这也是现有文献中较为少见的实验设计。

2.3 多域特征提取与Spearman筛选

论文从三个域共提取了20个特征（HF1–HF20）：

电信号特征（HF1–HF8）：

• ICA曲线三个特征峰值（HF1–HF3）
• dV/dt曲线三个特征峰值（HF4–HF6）
• CC充电时间与CV充电时间（HF7–HF8）

超声时域特征（HF9–HF16）：

• SPP（信号峰峰值）的均值、标准差、峰度、偏度（HF9–HF12）
• TOF（飞行时间）的均值、标准差、峰度、偏度（HF13–HF16）

超声频域特征（HF17–HF20）：

• 频谱熵（HF17）：反映频域能量分布的均匀程度
• 频谱方差（HF18）
• 脉冲因子（HF19）
• 裕度因子（HF20）：峰值与均值之比，反映信号的冲击特性

在特征筛选环节，论文采用Spearman秩相关系数（阈值ρs ≥ 0.98）对20个特征进行强相关性筛选，得到12个与SOH高度相关的特征子集。最终从中选取8个特征（HF1 + HF2 + HF3 + HF7 + HF9 + HF13 + HF17 + HF20）构建输入向量。

从工程角度看，Spearman筛选的工程意义在于：它是一种非参数的单调相关性度量方法，不要求特征与SOH之间满足线性关系，只需存在单调趋势即可被捕获。这对于电池老化这种高度非线性过程来说，比Pearson相关系数更为适用。同时，ρs ≥ 0.98的高阈值保证了输入特征与目标变量之间存在足够强的统计关联，降低了模型学习冗余映射的风险。

2.4 FEDformer架构选型

模型层面，论文选用了FEDformer（Frequency Enhanced Decomposed Transformer）作为SOH估计模型。FEDformer由Zhou等人于2022年提出，收录于ICML 2022，其核心架构包含三大模块：

• 频率增强块（FEB）：在频域进行自注意力计算，替代传统Self-Attention，将复杂度从O(N²)降至O(N)
• 频率增强注意力（FEA）：在频域进行交叉注意力计算，连接编码器与解码器
• 专家混合分解块（MOEDecomp）：使用多尺度平均池化滤波器提取趋势分量，以数据驱动的softmax权重进行融合

在本文的SOH估计场景中，输入特征序列具有明显的趋势性（SOH随循环次数单调下降）和周期性（每个充放电循环的信号特征存在准周期模式）。FEDformer的频域增强机制恰好擅长捕捉这类全局趋势+局部细节的信号结构，这大概也是其在实验中表现优于其他Transformer变体的原因。

论文中的模型配置为：编码器2层、解码器1层，编码器注意力头6个、解码器2个，学习率0.001，dropout 0.05，最大训练轮次100，batch size 32。

三、实验结果与跨体系对比

3.1 核心实验数据

论文报告了系统性的对比实验结果：

电 vs 电+超声（FEDformer，单工况）：

融合超声特征后，MAE降低44.44%，RMSE降低47.83%。精度接近减半，且绝对误差已降至亚百分比水平。

跨老化条件泛化：

跨工况场景下，电+超声组合的平均MAE为0.52%，RMSE为0.63%。在所有跨倍率组合中，电+超声方案一致优于纯电信号输入。3C+2C联合训练后预测1C工况时，纯电方案MAE为0.72%，而电+超声方案降至0.41%，降幅达43%。

不同模型横向对比（电+超声输入）：

FEDformer在所有对比模型中取得最优表现，MAE区间为0.17%–0.28%，显著低于CNN/LSTM（约2–3倍差距），也明显优于标准Transformer和Informer。

3.2 超声特征的贡献解读

从最终选择的8维特征集来看，超声贡献了4个维度：

• HF9（平均SPP值）：信号峰峰值均值，直接反映超声波在电池内部传播过程中的能量衰减，与材料密度/弹性模量变化相关
• HF13（平均TOF）：飞行时间均值，与声速直接关联，是最经典的超声电池状态表征指标
• HF17（频谱熵）：频域能量分布均匀度指标，老化过程中电池内部结构的不均匀化可能导致频谱能量分布发生变化
• HF20（频谱裕度因子）：峰值与均值之比，反映信号中突出频率成分的强度

这4个特征覆盖了时域和频域两个维度，其中HF9和HF13偏重宏观物理参数（密度、模量）的表征，HF17和HF20则捕捉更细粒度的信号结构变化。这种"宏观+微观"的超声特征组合，大概也是电+超声方案能够取得显著精度提升的关键因素。

四、跨体系触类旁通

4.1 超声 vs EIS：两条多模态路径的对比

在电池多模态状态估计领域，电化学阻抗谱（EIS）是另一条主流路线。将超声方案与EIS方案进行横向对比，可以清晰地看到两种路径的差异定位：

从成本角度看，超声检测的单次费用在第三方检测机构中约为800–1500元，而包含EIS和CT的全套检测费用通常在3000–5000元区间。在量产BMS场景中，超声探头的小型化和低功耗特性使其在嵌入电池包方面具有天然优势——美国能源部2025年发布的报告也验证了超声检测在热失控早期预警中的可行性，其开发的超声BMS集成方案可在过充失效前124分钟发出预警。

不过，两种方案并非互斥关系。EIS捕捉的电化学动力学信息（如SEI阻抗增长、电荷转移电阻变化）与超声捕捉的物理结构信息在物理机理上是互补的。一个有待探索的方向是将EIS+超声+电信号三者融合，构建更完整的多物理场特征集。

4.2 与应变片/膨胀传感的对比

除超声外，力学传感（应变片、膨胀力传感器）也常用于检测电池物理状态变化。与应变片方案相比，超声方法的优势在于：

• 内部敏感性：超声波穿透电池内部，对体相物理性质变化敏感；应变片仅测量外壳表面形变
• 多维度信息：一次超声测量可同时提取TOF、SA、频谱特征等多类指标；应变片主要获取一维应变信号
• 无需标定预压力：应变片方案需要精确控制传感器与电池表面的接触压力，超声对置式方案以耦合剂填充界面，安装约束相对宽松

局限在于超声信号受温度影响较大（声速随温度变化），在实车环境中需要配合温度补偿算法。

4.3 与Stanford/MIT电池数据集的异同

在数据集层面，MIT-Stanford电池数据集是该领域知名的公开基准之一，包含124只LFP/石墨圆柱电池的全寿命数据。但该数据集仅包含电信号（电压、电流、温度、内阻），不涵盖超声或力学信号。

本文构建的7828循环电-超声同步数据集，在多模态维度上填补了一个空白。两者的设计哲学也有所不同：MIT-Stanford数据集侧重于多充电策略（72种）下的寿命预测，关注的是"不同快充方案如何影响电池寿命"；本文数据集侧重于多放电倍率下的多物理场状态估计，关注的是"多模态传感如何提升SOH估计精度"。

从数据规模来看，7828个循环的9只电池在绝对数量上不及MIT-Stanford的124只电池，但每只电池都配备了同步超声采集，数据密度和信息维度更高。

五、工程落地成熟度评估

5.1 超声传感器成本与BMS集成可行性

超声检测系统的核心硬件为压电探头和脉冲收发器。商用1 MHz压电探头的单价在工业批量采购中可降至数十元级别，脉冲收发器电路的BOM成本也相对可控。与EIS设备需要精密的频率扫描电路相比，超声方案的硬件复杂度更低。

在嵌入电池包的可行性方面，超声探头以贴片形式安装在电池表面，占用空间有限。软包电池（本文使用的LFP软包电池）的扁平外形天然适合对置式探头安装。对于圆柱电池和方形电池，则需要考虑曲面贴合和耦合剂长期稳定性的问题。

美国Titan Advanced Energy Solutions于2025年发布的DOE资助报告中，已在950 mAh电池上实现了超声BMS的在线集成，并成功验证了过充预警和热失控检测功能。这为超声方案在量产BMS中的应用提供了一定的工程可行性佐证。

5.2 在线监测 vs 离线标定

当前论文的实验方案属于离线/准在线场景：超声信号在实验室内同步采集，耦合剂（高真空硅脂）需要保持探头与电池表面的稳定声学耦合。在实际车规BMS中，耦合剂的长期老化、温度循环对声学界面的影响、以及振动环境下的探头稳定性，都是需要解决的工程问题。

一种可能的落地路径是：在产线端或售后检测环节（低频、高精度场景）率先部署超声SOH校准，为在线BMS提供周期性基准修正；而日常在线估计仍以电信号为主，超声信息作为间歇性补充。这种"离线超声校准 + 在线电学跟踪"的混合模式，可以在不大幅增加系统复杂度的前提下获得多模态增益。

5.3 LFP体系特异性

本文的实验对象为LFP软包电池。LFP体系的两个特性使超声方案在此可能获得较大收益：

• OCV-SOC曲线极度平坦：平台区电压对SOC变化几乎不敏感，电信号的信息量被压缩。超声信号作为独立模态，不受电压平台限制，可有效补充信息
• 两相反应机制：LFP正极的FePO₄/LiFePO₄两相共存导致明显的相界面移动和局部应力变化，这些物理变化对超声波的传播有显著影响

对于NMC/NCA等高电压正极体系，OCV-SOC曲线的单调性更好，电信号本身的信息量更丰富。超声方案在这些体系中的增量收益如何，有待进一步实验验证。不过，NMC/NCA体系的SEI生长、颗粒开裂等物理退化机制同样存在，超声信号理论上仍然能够提供补充电化学维度的物理结构信息。

六、FAQ

Q1：超声SOH估计方法是否只适用于LFP电池？

论文实验基于LFP软包电池展开，但超声表征的物理机理（声速与材料密度/模量的关系）对所有锂离子电池体系均适用。LFP体系的平坦OCV-SOC曲线放大了超声方案的相对优势，对于NMC/NCA体系，超声方案的增量收益需要通过实验进一步量化。

Q2：Spearman筛选阈值ρs ≥ 0.98是否过于严格？

高阈值确实会筛除一些与SOH存在非线性但统计关联不够强的特征。论文的设计意图是确保输入特征与目标变量之间存在足够强的单调关联，降低模型的冗余学习负担。对于更复杂的非线性依赖关系，可以考虑引入互信息或基于树模型的特征重要性作为补充筛选手段。

Q3：FEDformer相比标准Transformer的优势来源是什么？

FEDformer通过频域增强将自注意力复杂度从O(N²)降至O(N)，同时利用MOE分解模块显式建模趋势分量。在SOH估计场景中，输入特征序列具有明显的单调下降趋势和准周期模式，FEDformer的频域机制和趋势分解能力恰好匹配这类信号结构，这可能是其优于标准Transformer和Informer的关键原因。

Q4：超声方案在实车环境中面临哪些工程挑战？

主要包括三方面：其一，耦合剂的长期稳定性和温度适应性；其二，振动环境下探头与电池表面的声学耦合保持；其三，超声信号的温度补偿（声速对温度敏感）。当前研究团队此前在超声SOC估计中已积累了变温、变频条件下的实验基础[7]，后续有望将这些经验迁移至SOH估计场景。

Q5：数据集中为何没有包含温度变化条件？

实验在25°C恒温下进行，排除了温度对超声信号的干扰，便于聚焦于电-超声双模态融合的有效性验证。温度变化条件下的多模态SOH估计是后续研究的重要方向——在实际应用中，温度既是干扰因素也可能成为辅助特征。

七、结论与展望

本文提出的电-超声双模态特征融合+FEDformer框架，在多物理场感知和深度学习建模两个维度上实现了协同创新。7828循环的实验数据和系统性的对比验证表明，超声特征的引入能够显著提升SOH估计精度（MAE提升44%+）和跨工况泛化能力。

从中可以推测，随着超声传感器小型化和BMS集成技术的成熟，"电信号+超声信号"的双模态感知有望成为下一代智能BMS的标配功能之一。在更远的视野中，将超声、EIS、应变、声学发射等多种物理传感信号进行深度融合，构建全物理场覆盖的电池状态估计框架，将是该领域的重要发展方向。

参考文献

[1] PINSON M B, BAZANT M Z. Theory of SEI formation in rechargeable batteries: Capacity fade, accelerated aging and lifetime prediction[J].Journal of The Electrochemical Society, 2013J. Electrochem. Soc.160A243

[2] ZHOU T, MA Z, WEN Q, et al. FEDformer: Frequency enhanced decomposed transformer for long-term series forecasting[C]//Proceedings of the 39th International Conference on Machine Learning (ICML). Baltimore: PMLR, 2022: 27275-27286. arXiv:2201.12740

[3] AFRICK S. Ultrasonic characterization of lithium ion thermal runaway conditions for real-time ultrasonic enabled BMS integration[R]. US DOE Technical Report, 2025. OSTI ID:3010008

[4] Severson, K.A., Attia, P.M., Jin, N.et al.Data-driven prediction of battery cycle life before capacity degradation.Nat Energy4, 383–391 (2019).

[5] M. Shao, G. Lv, W. Feng, X. Wu, Z. -X. Yang and S. Guo, "Multifeature Fusion of Noncontact Laser-Generated Ultrasound and Electrochemical Data for In Situ Battery State Estimation," inIEEE Transactions on Instrumentation and Measurement, vol. 75, pp. 1-13, 2026, Art no. 9701813

[6] SUN H, MURALIDHARAN N, AMIN M R, et al. Ultrasonic nondestructive diagnosis of lithium-ion batteries with multiple frequencies[J].Journal of Power Sources, 2022, 549: 232091.

本文为对已发表学术论文的技术解读与评述，旨在促进学术交流与技术传播。文中所有分析、推测及观点均基于论文原文数据和公开信息，不构成对任何产品、技术路线或商业方案的推荐或背书。