研究提出面向退役 18650 锂离子电池的快速无损评估框架，以超声传播时间和声速为输入，通过机器学习估计健康状态、开路电压和直流内阻，再利用 DBSCAN 完成一致性筛选。180 节退役电池的实验表明，随机森林具有较均衡的综合性能，SOH、OCV 和 DCIR 的全局均方根误差分别为 0.0697、0.0161 V 和 3.07 mΩ。该方法将单次声学特征采集压缩到数十秒，为梯次利用前的大批量检测提供了非破坏性路径。
测试对象 | 180 节电动自行车退役 NCM 18650 电池，额定容量 2.55 Ah |
超声检测 | 1 MHz 穿透式检测；在 50% SOC 下提取 TOF 和声速 |
学习模型 | GBRT、随机森林、SVR、岭回归 |
随机森林误差 | SOH：0.0697；OCV：0.0161 V；DCIR：3.07 mΩ |
筛选方法 | DBSCAN 无监督聚类，可组合声学与估计状态参数 |
一句话导读
给退役圆柱电池做一次数十秒的超声“体检”，再用机器学习估算关键状态并自动分组，可显著缩短梯次利用前的筛选流程。
作者团队与研究定位
论文由石家庄铁道大学安全工程与应急管理学院牵头，山东科技大学、江苏大学、上海交通大学和中国科学技术大学团队共同参与。研究面向电动自行车退役圆柱电池的梯次利用，结合超声无损检测、机器学习状态估计和无监督聚类筛选，重点解决传统充放电测试耗时长、参数提取复杂及大规模分选效率低的问题。
电动自行车和电动交通工具产生了大量退役锂离子电池，其中不少仍有梯次利用价值。但重新组包前必须掌握健康状态、开路电压和内阻，并筛除一致性较差的单体。传统容量测试需要完整充放电循环，阻抗或脉冲测试又涉及复杂参数识别，不适合大批量处理。18650 圆柱电池还具有钢壳和多层卷绕结构，声波传播路径复杂。本文因此尝试用超声无损检测替代长时间电测试，再用数据模型完成状态推断。下图展示电池循环系统、温控箱、超声检测设备和计算机组成的综合实验平台，并给出来自电动自行车的退役电池样本。
图1 退役 18650 电池循环、温控和超声综合测试平台。
针对圆柱电池内部界面多、反射强且回波信噪比较低的问题，作者没有采用单探头脉冲回波方式，而是在电池两侧布置发射和接收探头，使用 1 MHz 穿透式超声检测。探头直径为 10 mm，弧形楔块曲率为 18 mm，并配合耦合剂提高钢壳表面的声学接触。全部测试在 25 ℃和 50% SOC 条件下进行，以减少温度与荷电状态差异造成的干扰。该方案在穿透能力和时间测量精度之间取得平衡。夹具示意图显示两个超声探头通过弧形楔块夹持圆柱电池，声波沿径向穿过钢壳和卷绕电芯后被另一侧探头接收。
图2 退役 18650 电池穿透式超声检测夹具与传播路径。
研究选取 180 节额定容量 2.55 Ah 的退役 NCM 电池，先提取超声飞行时间 TOF 和纵波声速，再通过标准循环及 HPPC 测试获得学习标签。SOH 由实测容量与额定容量之比计算，OCV 和 DCIR 分别描述电压水平与功率性能。作者比较 GBRT、随机森林、支持向量回归和岭回归，建立声学参数到三类状态的映射。耗时电测试主要用于建模阶段，后续电池可由声学输入快速估计。研究框架图将循环和 HPPC 获得的状态参数与超声获得的声学参数对应起来，再由机器学习输出快速状态估计结果。
图3 超声特征、真实状态参数和机器学习估计之间的关系。
不同算法在各目标上各有优势：线性关系明显时，岭回归能够稳定拟合；复杂非线性和异常样本较多时，树模型更具适应性。综合比较后，随机森林在 SOH、OCV 和 DCIR 三项任务中表现最均衡，并获得最低的内阻误差。其全局 RMSE 分别为 0.0697、0.0161 V 和 3.07 mΩ。散点结果显示主样本较贴近参考线，但低健康度和高内阻离群电池仍较难预测，应用中应保留异常复核。四类模型的预测值与真实值散点图展示各算法对 SOH、OCV 和 DCIR 的拟合差异，随机森林在三项指标间取得较均衡表现。
图4 四种机器学习模型对电池状态参数的估计结果。
仅估计平均状态还不够，梯次组包更关注同组电池的离散程度。作者采用 DBSCAN 无监督聚类，将 SOH、OCV、DCIR 和 TOF 组合输入，无需预设类别数量，也能把偏离密集区域的电池标记为噪声。两参数筛选可剔除明显异常样本，三参数约束则进一步降低组内波动。例如加入 DCIR 后，某组内阻标准差由 16.3486 降至 0.8785。该方法可根据储能或功率需求灵活选择特征。二维散点聚类图显示 DBSCAN 将特征接近的电池归入同一组，并用叉号标记偏离主体分布的异常电池，便于后续人工复核或淘汰。
图5 基于 SOH 与 TOF 的双参数 DBSCAN 一致性筛选示例。
这项工作的亮点是把数十秒级超声检测、三类状态估计和无监督筛选串联成完整流程，避免每节电池都经历漫长循环测试，并可根据目标应用调整特征组合。三参数筛选可保留约 149-157 节电池，同时提升综合一致性。不过模型只用单一来源和化学体系的电动自行车电池训练，换厂商、温度、SOC 或老化路径时可能需要重新标定；论文也未验证重组电池包的实际寿命，因此目前更适合作为快速初筛工具。三维聚类结果进一步结合 SOH、OCV、DCIR 或 TOF，对主体电池、第二特征组和异常点进行区分，体现多指标筛选的灵活性。
图6 基于三参数组合的退役电池 DBSCAN 筛选结果。
论文信息
Ma M, Zhang C, Zhang Y, Chen M, Zhang Y, Yang Y, Jiang L, Yang J, Wang Q. Rapid State Estimation and Screening for Retired 18650 Lithium-Ion Batteries Based on Machine Learning via Ultrasound Technology[J]. IEEE Transactions on Transportation Electrification, 2026, early access.
DOI：https://doi.org/10.1109/TTE.2026.3705412
【免责声明】本文中的部分图片和文字信息来自该文献，版权归原作者所有，此公众号转载的所有文章仅用于学习，对文中发表的观点和分析保持中立，如果您认为文中信息来源或者分析观点错误，又或者涉及版权、隐私等问题，请及时私信联系，本公众号将立即删除修改，谢谢各位的关注！
10个月宝宝每天需要喝多少奶粉？
