Excitation Signal Design for Fast Electrochemical Impedance Spectroscopy in Battery Testing
Notice bibliographique
Résumé
Electrochemical impedance spectroscopy (EIS) is a widely used technique for analyzing battery dynamics over a broad frequency spectrum. Conventional state-of-the-art EIS methods involve applying a sequence of sinusoidal excitation signals, ranging from very low to very high frequencies, to capture the impedance response of the battery. However, this process is time-consuming, often requiring several hours to complete. Alternatively, approaches using pulse-based excitation have shown promise in reducing test time but often suffer from challenges in handling measurement noise and poor frequency resolution, especially at low frequencies. This work presents an improved rectangular pulse-based impedance characterization technique that enhances low-frequency resolution, increases robustness to noise, and reduces experimental time. This is accomplished through the following three key contributions of this paper: First, it establishes statistical noise properties in the Fourier-transformed signals, enabling effective noise reduction through averaging. Second, it proposes a log-frequency clustering approach to average impedance data, enhancing the accuracy of the impedance spectrum. Third, it presents a systematic pulse design method using the knowledge of the approximate time constants of the system to select the sampling interval, pulse width, and rest duration for reduced test time, improved low-frequency resolution, and enhanced signal-to-noise ratio (SNR). Together, the proposed approach enables faster and more accurate impedance characterization. Simulation analysis and experimental results confirm that the proposed approach enhances spectral resolution at low frequencies, mitigates the impact of noise at high frequencies, and significantly improves the reliability of impedance estimates at a faster measurement time frame.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».