状态

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。

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。

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。

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。

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。