摘要：

电化学阻抗谱（EIS）对固态电池（SSB）中的界面过程具有极高的敏感性，但其结果在实时分析中往往难以解读。本文将原位EIS与机器学习（ML）相结合，构建了一个轻量级且易于解释的诊断框架。通过将谱图编码为特征向量并训练基于树结构的多输出回归模型，我们实现了对电量状态和循环指数的实时预测，R2>0.99。特征重要性分析表明，主导的中低频响应分别与正极和负极的退化相关。值得注意的是，仅基于五个关键特征进行重新训练仍能保持亚百分比级别的精度，从而实现了适用于嵌入式固态电池管理系统、以阻抗为基础的毫秒级监测。

文章简介：

电化学储能正步入一个转折点：电动交通、可再生能源并网以及便携式电子产品的广泛应用，都要求电池必须更安全、寿命更长、能量密度更高。固态电池（SSB）有望通过用无机固体电解质取代易燃液体电解质并采用锂金属负极，实现质的飞跃。然而，尽管材料化学和电池工程方面取得了令人瞩目的进展，但固态电池在运行过程中的监测和控制仍然十分困难。界面是传输和失效的主要因素，机械和电化学耦合会随着荷电状态（SoC）的变化而变化，而全固态结构又掩盖了内部过程。最终导致的结果是，根据传统的电压-电流指标，电池可能看起来状态良好，但实际上却在悄然发展出界面电阻、空隙或接触不良等问题，从而导致容量快速衰减或短路。目前缺失的是能够持续运行并直接转化为可操作电池管理方案的微创、信息丰富的诊断方法。

电化学阻抗谱（EIS）长期以来一直是研究多尺度电池物理现象最灵敏的探针。通过用微小的正弦波扰动电池并记录其频率依赖性响应，EIS能够按时间尺度分离各种过程，从而揭示传输、界面电荷转移和极化现象。在固态电池（SSBs）中，界面是主要作用者，EIS展现出独特的强大优势。挑战不在于数据生成，而在于数据解读：奈奎斯特弧重叠、波德图特征随循环而偏移、等效电路的选择具有主观性，且当界面阻抗占主导地位时，最小二乘拟合会变得不稳定。这些现实因素导致EIS主要局限于静态表征和事后分析，而非实时控制。

在此，我们通过在专有软件包NEVORA（参见披露声明）中融合原位电化学阻抗谱（EIS）与机器学习（ML），提出了一种实现固态电池（SSBs）实时、可解释性诊断的实用方案。该框架能够从原始的原位循环数据中自动检测充放电循环，并将每个阻抗谱转换为紧凑且具有物理意义的特征向量，该向量与明确定义的电荷状态和虚拟循环次数相关联。随后，通过训练多输出回归模型来预测电量状态（SoC）和循环次数（作为健康状态SoH的替代指标），同时利用模型解释技术将这些预测结果映射回具有物理意义的界面和传输过程。关键在于，该方法在保持可解释性的同时，能够有效应对等效电路拟合固有的模糊性——这是将其集成到电池管理系统中的必要条件。

文章结论：

我们证明，将原位电化学阻抗谱（EIS）与机器学习相结合，可为固态电池提供一个实用且易于解释的诊断框架。通过将光谱编码为数学特征向量并训练轻量级多输出模型，我们实现了对电量状态（SoC）和循环指数的准确、实时预测，且无需依赖易失效的等效电路拟合。特征重要性分析和电压依赖性趋势（图1-4）表明，这些模型聚焦于对界面健康状况最敏感的频谱区域——特别是与正极复合材料-电解质界面相关的中频相位峰值的增长与偏移，以及表明负极接触损失的低频变化。此外，我们证明了这些结构紧凑且稳健的模型，即使仅基于对应于界面过程的最小特征子集进行训练，仍能保持较高的预测精度。综合来看，这些结果为基于阻抗信息的电池管理系统指明了明确的发展方向：通过在运行过程中适时采集短时电化学阻抗谱（EIS）数据块，可实现自适应控制策略，从而延长电池寿命并提升安全性。

图1.工作原理图与等效电路框架。(a)具有电阻项R0–R3定性标注的典型奈奎斯特图。(b) SSB堆栈的剖面示意图，标明了输运路径以及与各R项相关的工艺位置。(c)阳极侧接触损耗及空隙形成的示意图，显示其与电位的依赖关系。(d)用于物理解释的等效电路——串联R0加上三个并联的R–CPE元件及一个终端CPE。(e)实验方案：恒流循环过程中在选定电压下采集的EIS曲线段。

图2.模型性能与可解释性。(a)预测循环次数与实际循环次数对比（梯度提升法）。(b)预测电量状态（SoC）与实际电量状态对比（梯度提升法）。(c)预测循环次数与实际循环次数对比（随机森林）。(d)预测电量状态（SoC）与实际电量状态对比（随机森林）。(e)随机森林特征重要性图，突显了电位特征和选定相位角特征的主导作用。

图3.第三次循环期间在3.2 V处提取的代表性电化学阻抗谱（EIS）及模型拟合结果。(a)奈奎斯特图（−Zim，Zre），显示实验数据及等效电路拟合结果，其中标注的电阻元件R0–R3分别对应体相、晶界和界面过程。(b)波德幅值图和(c)波德相位图突出了794 Hz附近的主要松弛特征，该特征归因于阴极-电解质界面（R2）。(d)实部和虚部的百分比残差证实了模型拟合的质量，在整个频率范围内均保持在±2%以内。

图4.波德相位响应随电压和循环次数的变化。（a）覆盖整个电压窗口的相位角谱，在约794 Hz处呈现出显著特征。(b–d)固定电位（2、3.1、4 V）下的相角谱，按循环指数着色；随着老化，中频峰值增大并向低频偏移（向上箭头），而低频相角减小（向下箭头），这与界面电阻增大及阳极侧接触损失一致。

文章信息：

Real-Time, Interpretable Diagnostics for Solid-State Batteries via Machine Learning on In Situ Impedance Spectra

Zachary Warren, Felipe Cuasquer, Regina Sanchez, Patricia A. Apellániz, Alejandro Almodóvar, Juan Parras, Nataly Carolina Rosero-Navarro*

https://doi.org/10.1002/bte2.70122