ترجمه فارسی مقاله طبقه‌بندی عملکرد و پیش‌بینی عمر مفید باقیمانده باتری‌های لیتیومی با استفاده از اندازه‌گیری‌های یادگیری ماشین و طیف‌سنجی امپدانس الکتروشیمیایی چرخه اولیه

چکیده

We presents an approach for early cycle classification of lithium-ion batteries into high and low-performing categories, coupled with the prediction of their remaining useful life (RUL) using a linear lasso technique. Traditional methods often rely on extensive cycling and the measurement of a large number of electrochemical impedance spectroscopy (EIS) frequencies to assess battery performance, which can be time and resource consuming. In this study, we propose a methodology that leverages specific EIS frequencies to achieve accurate classification and RUL prediction within the first few cycles of battery operation. Notably, given only the 20 kHz impedance response, our support vector machine (SVM) model classifies batteries with 100% accuracy. Additionally, our findings reveal that battery performance classification is frequency agnostic within the high frequency ($<20$ kHz) to low-frequency (32 mHz) range. Our model also demonstrates accurate RUL predictions with $R^2>0.96$ based on the out of phase impedance response at a single high (20 kHz) and a single mid-frequency (8.8 Hz), in conjunction with temperature data. This research underscores the significance of the mid-frequency impedance response as merely one among several crucial features in determining battery performance, thereby broadening the understanding of factors influencing battery behavior.

چکیده به فارسی (ترجمه ماشینی)

ما رویکردی را برای طبقه بندی چرخه اولیه باتری های لیتیوم یون به دسته های با عملکرد بالا و کم ، همراه با پیش بینی عمر مفید باقی مانده آنها (RUL) با استفاده از یک تکنیک لاسو خطی ارائه می دهیم.روشهای سنتی اغلب به دوچرخه سواری گسترده و اندازه گیری تعداد زیادی فرکانس طیف سنجی امپدانس الکتروشیمیایی (EIS) برای ارزیابی عملکرد باتری متکی هستند ، که می تواند زمان و منابع مصرف شود.در این مطالعه ، ما یک متدولوژی را پیشنهاد می کنیم که از فرکانسهای خاص EIS برای دستیابی به طبقه بندی دقیق و پیش بینی RUL در چند چرخه اول کار باتری استفاده می کند.نکته قابل توجه ، با توجه به پاسخ امپدانس 20 کیلوهرتز ، مدل دستگاه بردار پشتیبانی ما (SVM) باتری ها را با دقت 100 ٪ طبقه بندی می کند.علاوه بر این ، یافته های ما نشان می دهد که طبقه بندی عملکرد باتری فرکانس آگنوستیک در فرکانس بالا (<20 $ kHz) به محدوده با فرکانس پایین (32 مگاهرتز) است.مدل ما همچنین پیش بینی های دقیق RUL را با $ r^2> 0.96 $ بر اساس پاسخ امپدانس خارج از فاز در یک بالا (20 کیلوهرتز) و یک فرکانس میانی (8.8 هرتز) در رابطه با داده های دما نشان می دهد.این تحقیق بر اهمیت پاسخ امپدانس میان فرکانس فقط یکی از چندین ویژگی مهم در تعیین عملکرد باتری تأکید می کند ، در نتیجه درک عوامل مؤثر بر رفتار باتری را گسترش می دهد.