近日，时空数据智能实验室在退役锂离子电池分选研究领域取得新进展。相关成果“Synergistic Fusion of Multimodal Information for Retired Lithium-Ion Batteries Sorting Based on Bidirectional Cross-Attention Mechanism”在机械工程领域Top期刊《IEEE/ASME Transactions on Mechatronics》上发表。我院智能车辆工程系硕士研究生马文谦为论文第一作者，武骥副教授为通讯作者，合作作者为安徽国麒科技有限公司罗刚博士和中国科学院福建物质结构研究所林名强研究员。
随着退役锂离子电池数量的快速增长，如何实现高效、可靠的梯次利用已成为新能源产业可持续发展的关键问题。电池分选作为梯次利用的重要前提，其准确性直接影响重组电池组的一致性、安全性和使用寿命。现有分选方法大多依赖单一模态的充放电数据进行状态识别，虽然能够反映电池的外部性能表现，但难以揭示影响电池行为的内部电化学状态信息，从而限制了分选的准确性。针对上述问题，团队提出了一种结合外部动态响应与内部电化学特性的多模态退役锂离子电池分选方法，实现了电池状态信息的协同表征与精准分类。
团队将电化学阻抗谱（EIS）引入退役电池分选任务，作为传统放电曲线的重要补充，用于表征电池内部复杂电化学反应过程及电极界面变化特征。为充分挖掘EIS数据中的潜在信息，研究采用格拉姆角场将阻抗信号编码为二维图像表示，以实现特征增强。在模型设计方面，构建了双分支残差神经网络结构以适应不同模态的输入形式，并进一步引入双向交叉注意力机制，实现不同模态特征之间的深度交互与协同融合，从而提升分选决策能力。实验结果表明，所提出方法在退役商用锂离子电池数据集上表现出优异性能，在多项评价指标下均取得良好效果，平均分类准确率达到94.00%，充分验证了其在梯次利用领域的有效性与应用潜力。
本项研究成果（TMECH.2026.3708599）与团队已有工作形成有机衔接：在电池分选与重组（j.xcrp.2025.102444、TII.2025.3563550）、残值评估与系统运维（TMECH.2025.3619518、j.trd.2026.105236）等前期成果基础上，补齐多模态融合的关键技术环节，使团队在动力电池全生命周期领域的研究更趋系统与完整，有力支撑了我校智能车辆工程、新能源科学与工程等专业的内涵建设与高质量发展。
论文链接：https://ieeexplore.ieee.org/document/11611614
