中国科学院深圳先进技术研究院的智能仿生研究中心与清华大学深圳国际研究生院的研究团队近日取得了一项重要突破，相关成果已在国际知名学术期刊《Science Advances》上发表。这项研究聚焦于锂离子电池在高倍率工况下的状态监测难题，提出了一种将非接触激光超声传感技术与Transformer深度学习模型相结合的创新方案，为电池健康管理和安全运行提供了新的技术路径。
传统电池状态估算方法主要依赖电压、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反应和热效应会显著影响这些参数的准确性，导致监测结果出现偏差。近年来，超声检测技术因其非侵入性特点逐渐受到关注，但现有接触式和浸液式压电超声方法需要使用耦合剂或浸液介质，不仅检测过程繁琐，且结果易受温度波动和耦合状态影响，难以在实际场景中广泛应用。
针对这些技术瓶颈，研究团队开发了一套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工作的双激光设计，通过优化激光参数和信号处理算法，将超声信号振幅提升了10倍，信噪比达到30dB，较传统配置提高了16dB。采集到的超声信号经转换后形成时频谱图，再由Transformer网络自动提取与电池荷电状态（SoC）和健康状态（SoH）相关的特征，实现了高精度预测——SoC预测平均误差低于5.7%，SoH预测平均误差低于2.1%。
为提升模型的泛化能力，研究团队引入了迁移学习策略，使基础模型能够快速适配不同化学体系、型号的电池以及多样化的高倍率循环条件。实验表明，仅需少量超声数据即可完成模型微调，显著降低了重训练成本和时间。在验证阶段，团队构建了包含磷酸铁锂（LFP）和镍钴锰（NCM）两种正极材料、三种容量设计的40块商用电池数据集，覆盖13种高倍率测试协议，累计采集超10万个超声信号样本。测试结果显示，该方法在不同场景下均表现出较强的鲁棒性和可靠性。
这项研究通过整合非接触超声信号采集、多场景电池数据构建和深度学习状态推断等关键技术，为复杂工况下锂离子电池的无损、实时监测提供了系统性解决方案。研究工作得到了国家重点研发计划、国家自然科学基金以及广东省、深圳市基础研究项目的资助支持。
