随着新能源汽车与新型储能产业的持续发展，锂离子电池在复杂工况下的安全性、可靠性与寿命管理问题日益凸显。荷电状态表征电池当前可用电量，健康状态反映电池经长期循环后的性能退化程度，二者是电池管理系统中实现寿命预测与安全预警的关键参量。在高倍率充放电条件下，电池极化效应、电压滞后及温度波动显著加剧，对内部状态监测的准确性和稳定性提出了更高要求。

7月29日，中国科学院深圳先进技术研究院研究员郭师峰团队与清华大学深圳国际研究生院副教授周光敏团队合作，在《科学进展》发布最新研究。研究团队面向高倍率工况下锂离子电池荷电状态与健康状态的高精度原位监测需求，提出“非接触激光超声传感”与“Transformer深度学习”一体化融合方案，旨在突破传统超声及电化学估算方法在工程应用中的局限，并通过构建覆盖多型号商业电池的大规模数据集，系统验证了该方法的泛化能力与适用性。

现有电池状态估计方法多依赖电压、电流和内阻等电化学参数，但在高倍率循环过程中，复杂的电化学动力学及热效应会显著削弱该类方法的适用性。近年兴起的超声检测技术为电池内部状态的无损感知提供了新的解决路径。

该研究中，研究团队提出了一种无需耦合剂的非接触激光激励超声传感技术（LEUS），并结合Transformer网络实现电池状态的实时原位监测。该LEUS系统采用环形脉冲激光与连续激光协同的双激光设计方案，大幅提升了超声信号强度与信噪比，能够有效追踪与电池荷电状态和健康状态密切相关的内部状态演化。通过将超声信号转化为时频谱图，Transformer网络可自动提取与荷电状态、健康状态相关的判别性特征，减少对人工特征构建和经验参数设定的依赖，同时实现高精度预测。

借助迁移学习，该基础模型可快速适配不同电池化学体系、型号及高倍率循环条件，显著降低重训练时间和成本，且仅需少量超声数据即可实现稳定状态监测。在来自多种型号电池、超过10万个超声信号样本的大规模验证中，该方法展现出较强的鲁棒性和可靠性，为下一代电池管理系统的构建提供了有力技术支撑。

该研究贯通了非接触超声信号采集、多场景电池数据构建及深度学习状态推断等关键环节，为复杂工况下锂离子电池无损、实时与智能化的状态监测提供了全新的解决方案，有望为高安全性、高智能化电池管理系统的发展奠定技术基础。

相关论文信息：https://www.science.org/doi/10.1126/sciadv.aec5358