Joule机器学习识别不同NMC组成和设计的电池老化模式

　　https://doi.org/10.1016/j.joule.2022.10.016
　　简介
　　创建了一个基于机器学习（ML）的框架，利用逐个周期记录的多个电化学特征来区分老化模式。主要的老化行为包括阴极活性材料的损失（LAMPE ）和析锂或固体电解质界面（SEI）形成的锂库存损失（LLI）的组合，表现在代表两种阴极化学、两种电极负载和五种充电速率的44个电池上。使用前50个周期内的特征，建立了老化模式，老化模式分类的准确率为86%，超过225个周期后上升到88%。同样的特征可以量化报废LAMPE的百分比误差只有4.3%。
　　【背景】
　　锂离子电池（LiB）技术发展的进步正在推动消费电子、电动汽车（EV）和固定存储系统市场的蓬勃发展。这些系统正在改变人类的生活方式，并使碳排放大幅减少。为了确保电动汽车和长效储能设备的快速部署，开发快速的电池寿命预测和衰减检测方法，以及清楚地了解潜在的老化机制至关重要。如果不能洞察老化的根本原因，电池的开发周期就会延长，产品开发者就会失去洞察如何调整使用和/或操作条件以尽量减少衰减的机会。
　　最近，使用数据驱动、物理学和混合方法来预测锂电健康状态（SoH）和寿命的模型和算法的数量激增。这些方法的一个共同组成部分是使用数据驱动和/或基于机器学习（ML）的算法来获取从电池工作周期或基于物理的电池模型期间收集的数据中提取的特征。这些数据通常包括原始输出特征（例如，电压、电流、容量、阻抗等）。预处理过的特征（如增量容量[IC]曲线和差分电压），甚至是某些特征演变的时间量。尽管许多数据驱动的研究表明在预测电池寿命方面有很高的准确性，但这些方法需要大量的数据，且并不能提供对电池老化根源的洞察力。因此，导致老化的机制/模式仍然是未知的。与数据驱动的方法相比，基于物理学的模型是由多个物理学驱动的方程建立的，这些方程支配着电池运行过程中的电化学过程，提供了衰减和电池性能数据之间的直接联系。然而，这些模型的开发通常需要大量的时间和资源，在适应不同的操作环境和电池设计方面也不太灵活，这使得基于物理的模型在快速诊断电池寿命和性能方面非常困难。
　　为了有效和高效地诊断电池的老化机制，人们对开发电池寿命分析中的  老化机制知情  方法的兴趣越来越大。绘制电池的老化现象图是很复杂的，因为多种模式往往是相互共轭的。为了简化分析，锂离子电池的老化现象被分为三个高级别的 ＂老化模式 ＂：(1) 锂库存的损失(LLI)，(2) 阴极活性材料的损失(LAMPE )，和(3) 阳极活性材料的损失(LAMNE ) 。了解老化模式或机制的传统方法是通过电池拆卸后测试，或  原位  表征方法。这些方法需要专门的仪器或专业知识，通常是时间和资源密集型。为了能够以非侵入性的方式更快地诊断老化机制，已经出现了分析从物理上可解释的电池数据中提取的老化轨迹的趋势，如线性、导数等。例如，电化学（EC）数据的线性以及循环数，如容量衰减、电压和库仑效率（CE），可以用来区分析锂或固体电解质界面（SEI）的增长。IC曲线的特征，如峰位和面积，是由发生在阳极或阴极的不同反应造成的，因此可作为量化的基础，量化LLI、LAMPE 、LAMNE 的数量。此外，电极化学、设计参数和使用情况之间的相互作用决定了电池的降解途径。具有不同设计和操作条件的电池，即使具有相同的活性材料，也可以表现出独特的老化模式组合和衰减演变。此外，不同的老化途径在激进的使用条件下更占优势，如快速充电，其中高电流密度和不同的电极负载设计产生了材料和传输限制。因此，一个可以转移到广泛的电池化学、设计和使用条件混合物的老化检测框架是必要的，可为先进的电池设计、使用协议调整和控制优化提供信息。
　　认识到老化诊断的差距和需要，在我们之前的工作提出了一个基于ML的分类框架，利用电池循环过程中容易测量的基于物理学的信息来区分与LLI相关的两种老化机制，即析锂和SEI层的形成。
　　本工作将LLI的分类框架扩展到LAMPE ，使用新识别的EC特征。我们使用一组44个石墨/NMC（锂镍锰钴氧化物）锂电池构建了新的分类框架，这些电池采用两种阴极化学成分（NMC532和NMC811）和电极活性材料负载（低度和中度负载），在各种老化情况（1C-9C充电曲线）下测试。通过慢速（C/20）参考性能测试（RPT）数据，结合多种物理特性，进行了EC分析，以确定这些电池的老化机制。确定的老化模式包括SEI驱动的正常LLI、与镀锂有关的LLI和LAMPE 。与使用参考性能测试（RPT）的传统方法不同的是，本研究的特点是逐周期（CBC）分析，使老化诊断更快。基于CBC的分析也适合现实中很少进行RPT的电池使用场景。
　　我们发现，在充电或放电步骤后的休息期，CBC电压响应包含LLI或LAMPE 的独特特征，并且这些响应是电池设计和使用条件的特定组合的特征。基于这些发现，我们建立了一个基于ML的框架，以区分具有不同程度的LAMPE 的析锂和SEI形成情况。使用这个框架，仅用50个周期的数据就达到了86%的分类精度。在225个寿命周期后，准确率增加到88%。在循环寿命结束时，LAMPE 的百分比与实验测量的LAMPE 数据的均方根误差（RMSE）为4.3%所显示的特征有定量关系。总的来说，我们的分类框架允许使用CBC数据在电池寿命的早期检测到退化模式。结果还表明，电池的设计和使用场景对老化途径至关重要，在建立寿命分析框架时应考虑到这一点。
　　图1.总结主要的老化模式和电池构建之间的相关性的示意图，包括电极负载、阴极化学和充电条件。
　　图2.EOCV和EODV的趋势与周期数和电池设计/使用情况的关系。
　　图3.分离主导老化模式的决策框架--镀铝、SEI形成和LAMPE。
　　图4.数据预处理和老化模式的分类。
　　图5.LAM的数量PE 回归结果与电池数据中不同特征的关系。
　　总之，本工作将多种EC特征（EOCV、EODV、CE和容量衰减）被结合起来，以建立一个跨越各种电池设计和使用案例的老化模式检测和量化框架。在这个框架中，通过基于ML的决策树结构，区分了三种主要的老化行为，即析锂、较少LAMPE 的SEI形成，以及较多LAMPE 成分的SEI形成。在分类和量化方面，RF算法是最有效的算法。允许老化模式分离的最强特征在50个老化周期（总寿命的8%-10%）后开始显示出来，准确率高达86%-90%，表明早期老化诊断可以在NMC阴极成分和电池设计中转移。在循环寿命结束时，LAMPE的百分比，可以从用于分类的EC信息中估计出来，与实验数据相比，误差只有4.3%。与提供LAM和LLI定量信息的IC分析相比，我们的分析不需要在RPT期间获得的数据，因此提供了加速老化模式诊断，补充了传统方法。
　　我们还发现，电池的整体老化行为是由阴极化学、电极结构和使用条件所决定的。阴极化学控制了老化的程度；电极材料的负载决定了主要的老化模式是以LLI还是LAM为主 ，而阳极负载和使用条件的综合影响决定了析锂的趋势。这项研究强调，在研究电池老化时，电池构建信息是一个不可缺少的因素，可以作为老化模式预测的指标，也就是说，在某些设计的电池中可以预期到特定类型的老化现象。这一概念也与最近提出的电池数据库倡议 ＂  电池数据基因组 ＂  相一致，该倡议要求在报告电池性能数据的同时报告电池和电极设计的信息，从而允许对电池设计和退化途径之间的相关性进行潜在的洞察。这项工作的关键成果意味着，故障模式分类和预测可以在不需要准备由每个特定电池类型和化学成分组成的完整训练集的情况下取得进展。从类似（尽管不完全相同）的设计参数集汇集数据的能力将为更快速地评估新产品或不断变化的使用情况创造机会。
　　在未来，将额外的EC特征-老化现象的相关性纳入这个老化决策框架将是有价值的，例如阳极的退化或由于析锂或SEI形成而导致的LLI的量化。这个框架对电池开发者来说是很有希望的，可以在漫长的测试周期中节省时间和精力，以及创建对抗特定退化模式的设计策略。最终，在未来可以大大加快建立更强大的电池的开发周期。从终端用户的角度来看，老化模式诊断框架也使用户能够微调电池的使用场景，以尽量减少退化；因此，它提高了电动汽车或固定存储系统的使用寿命和安全性。