大家好，今天为大家分享一篇关于电池退化诊断技术的学术论文，它来自清华大学欧阳明高院士团队，该论文于2020年2月发表于顶级学术期刊eTransportation 第3卷。
论文提出了一种名为“Level Evaluation ANalysis”的方法，简称LEAN，通过计算每个采样级别的点数来实现电池降解的诊断。此方法具有高准确性和可重复性，可应用于大数据分析和在线电池监控中。
欧阳团队通过我司提供的锂电池检测实验室智能工作站，进行了大量实验和数据分析，同时收集了伦敦帝国理工学院和密歇根大学安娜堡分校的实验电池降解数据，使用LEAN方法进行交叉验证，证明了LEAN方法的可靠性和与ICA方法的等价性。
传统方法
传统电池诊断过程中的数据拟合方法存在以下缺陷：
SG和SVR方法在曲线拟合时，其可调参数会影响结果，特别是峰值位置和高度，可能导致不准确的结果。
无法很好地处理大数据集，因为它们的计算复杂性较高。
不适用于实时数据处理，因为它们的计算时间较长。
无法很好地处理电池测试数据中的阶梯特征。
LEAN方法
LEAN方法在电池性能差异分析中具有如下优势：
1.代码非常简单，只需调整几个参数。
2.结果的一致性。传统方法在设置曲线拟合优化问题时，需要研究人员人为调整曲线拟合算法中的参数，从而导致不同实验室的不同研究人员对同一样本数据的拟合结果不一致。而LEAN方法提供了一个基准来判断曲线拟合结果，避免了人为调整参数的环节，让不同实验室的不同研究人员对同一组数据得出相同的ICA/DVA/DTV结果。
3.可以有效地推导不同类型的差分曲线（ICA/DVA/DTV），信息损失最小，并且没有产生信息或过度拟合/欠拟合的风险。
4.计算复杂度低（为Q（n））。
总之，通过调整优化过程中的函数来控制曲线拟合的精度，从而在计算ICA曲线时控制拟合的准确性。这使得LEAN方法在处理电池退化数据时具有更高的精度和更低的计算复杂度。简单代码、精确拟合、一致的结果、计算可行性以及可靠性，使其在大数据分析和在线电池监控方面具有广泛应用前景，支持电动汽车、便携式电子产品和电站等各类电化学储能系统的智能管理。
文章中清华大学实验团队的数据来自于我司提供的第二代锂电池检测设备——超声检测智能工作站，通过与伦敦帝国理工学院和密歇根大学安娜堡分校的实验电池降解数据的交叉验证，证明了这台高性能高精度的设备已经具备了国际前沿的科技水平。
作为一家拥有自主知识产权和核心技术的企业，我司致力于不断创新和技术迭代，以提高产品的性能和可靠性。目前新一代的锂电池超声检测智能工作站无论从外形还是技术水平上都有了更大的改进和提升，具有灵敏更高、收发能量更大、有利于微小信号接收、配套的检测软件功能丰富等特点。
新一代的超声检测智能工作站
1
缺陷特征参量种类丰富，含有声衰减、TOF、频散等；缺陷等级判定可从单点、部分区域去判定。
02
可实现多通道扫查和独立成像。两组或多组探头可同时对一块电池进行透射检测；也可透射与反射两种检测方式同时进行，反射可用来具体分析电池内部间隙和产气问题，多通道检测大大缩短了检测时间，提高了检测效率。
03
针对SOC检测，我司开发了独特的孔隙率变化检测技术，能够实时监测电池的充电状态和剩余电量。这些技术的应用为电池生产企业的质量控制和安全管理提供了有力保障。
eTransportation是国际交通电动化领域的领军期刊，2021年被收录于中国汽车工程领域的重要权威期刊的T1级目录，同年6月被《科学引文索引》SCI收录。
该论文发表于2020年2年，目前已被引用73次，说明其学术价值和实验数据被业内高度认可，同时这也是对我司锂电池检测技术和应用的肯定。而我们目前正在进一步加强与清华大学欧阳院士团队的合作，为未来推动锂电池技术的发展做出更大的贡献。
寄语
sciencedirect
学术分享系列会经常为大家分享一些关于电池检测应用领域内新技术，系统和设备，在开发和测试的所有阶段的研究学术论文。如果您对该领域感兴趣，请持续关注我们的后续文章。谢谢您的阅读！
