北京
周三下午，一辆正在快充桩上充电的电动车，电池内部正发生着剧烈的电化学反应。与此同时，一束肉眼看不见的激光脉冲扫过电池表面，激发出超声波——就像医生用听诊器监听心脏，研究人员通过这些声波，实时“听”出了电池的剩余电量和健康状态。这并非科幻场景，而是中国科学院深圳先进技术研究院联合清华大学深圳国际研究生院，刚刚发表在《Science Advances》上的最新成果。
这项研究试图解决电池的荷电状态（SoC）和健康状态（SoH）的高精度实时监测难题。SoC就是我们常说的“还剩多少电”，而SoH则反映了电池经历过多次充放电后的性能衰退。现有方法大多依赖电压、电流等电参数估算，但在快充高倍率放电下，电池内部复杂的电化学和热效应会让这些估算变得不准。近年来出现的压电超声检测虽然能无损感知，但需要涂抹耦合剂或浸在液体中，既麻烦又容易受耦合状态和温度干扰，难以大规模应用。
深圳先进院智能仿生研究中心郭师峰团队提出了一个“非接触激光激励超声传感（LEUS）”方案，彻底告别耦合剂。他们用环形脉冲激光轰击电池表面，产生宽频超声波，同时用一束连续激光作为“麦克风”探测回波。根据论文摘要，这种双激光设计能将超声信号振幅提升10倍，信噪比达到30dB，比常见配置高出16dB。相当于在嘈杂的环境中，把一个微弱的信号放大了数十倍，听得更清晰。
采集到的超声信号被转换成时频谱图，接下来交给Transformer深度学习模型自动识别特征。研究团队训练的网络能从图像中直接抽取出与SoC和SoH相关的判别性模式，省去了人工设计特征的环节。在测试中，该模型对SoC的平均预测误差低于5.7%，对SoH的误差更低，低于2.1%。打个比方，如果充满电是100%，模型估算出的剩余电量误差一般不超过6个百分点；而判断电池老化的健康度误差不超过2个百分点，足以满足大多数应用需求。
更妙的是，团队引入了迁移学习策略，基础模型只需少量新数据，就能快速适应不同配方的电池，比如磷酸铁锂或镍钴锰三元材料，以及不同容量和快充协议。他们构建了一个包含40块商用电池的数据集，涵盖两种正极材料、三种容量和13种高倍率测试方案，累计采集了超过10万个超声信号样本。验证结果显示，这套非接触超声+Transformer的组合，在高倍率充放电、多种电池体系下都表现出很强的鲁棒性和可靠性。
这意味着，未来电池管理系统或许会多一个“声学维度”。相比传统仅靠电信号的监测，激光超声能像给电池做B超一样，无需开盖、无需接触，就能探知内部电解液浸润、电极膨胀等细微变化。论文通讯作者郭师峰研究员、冯伟研究员和周光敏副教授表示，这项研究打通了从非接触信号获取、多场景数据构建到深度学习推断的全链条，为复杂工况下的电池无损、实时、智能化监测提供了新路径。
相关研究成果已于7月29日发表在《Science Advances》上，研究得到国家重点研发计划、国家自然科学基金及广东省、深圳市基础研究项目的资助。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
