8 月 5 日消息，中国科学院深圳先进技术研究院今日宣布，旗下智能仿生研究中心郭师峰团队与清华大学深圳国际研究生院周光敏团队合作。相关研究成果已于 7 月 29 日发表在《Science Advances》上。

该研究面向高倍率工况下锂离子电池的荷电状态（SoC，State of Charge，表示电池当前剩余电量）与健康状态（SoH，State of Health，反映电池经循环后的性能退化程度）的高精度原位监测需求，提出了一种将“非接触激光超声传感”与“Transformer 深度学习”模型相结合的一体化方案。

现有电池状态估算方法多依赖电压、电流和内阻等电化学参数，但在高倍率充放电过程中，复杂的电化学动力学及热效应会显著削弱此类方法的适用性。近年来兴起的超声检测技术虽为电池内部状态的无损感知提供了新路径，但主流的接触式和浸液式压电超声方法普遍依赖耦合剂或浸液介质，检测结果易受耦合状态及温度波动影响，耦合剂残留也限制了其在真实场景中的推广。

针对上述局限，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（LEUS）系统。该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。根据论文摘要，该设计可将超声信号振幅提升 10 倍，信噪比达到 30dB，较典型配置高出 16dB。通过将采集到的超声信号转化为时频谱图，Transformer 网络可自动提取与 SoC、SoH 相关的判别性特征，减少对人工特征构建的依赖，同时实现高精度预测。在预测精度方面，该模型对 SoC 的平均误差低于 5.7%，对 SoH 的平均误差低于 2.1%。

研究团队还引入了迁移学习策略，使基础模型能够快速适配不同的电池化学体系、型号及高倍率循环条件，仅需少量超声数据即可实现稳定监测，显著降低了重训练时间和成本。在验证环节，团队构建了覆盖磷酸铁锂（LFP）和镍钴锰（NCM）两种正极材料、三种容量设计、13 种高倍率测试协议的 40 块商用电池数据集，累计采集超过 10 万个超声信号样本。验证结果表明该方法具有较强的鲁棒性和可靠性。

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的无损、实时与智能化状态监测提供了新的技术路径。

郭师峰研究员、冯伟研究员和周光敏副教授为该论文共同通讯作者，吕高龙博士与孙崇博博士为共同第一作者。该研究获得国家重点研发计划、国家自然科学基金、广东省及深圳市基础研究项目的资助支持。IT之家附论文地址：