作者：Zhiwen Wan，Anna G. Stefanopoulou 等｜单位：University of Michigan / General Motors / Imperial College London｜期刊：Joule

一句话导读：硅/石墨复合负极能够提高锂离子电池能量密度，但硅材料在循环中更容易快速衰退。本文提出一种面向电池管理系统（BMS）的材料级诊断方法，仅利用常规恒流充电数据即可追踪硅主导工作的SOC区间及其随老化的迁移，并据此设计“硅活跃时升温、非硅主导时降温”的自适应热管理策略，在不牺牲可用容量的前提下实现约2倍循环寿命提升。

关键词：硅/石墨复合负极；材料级健康诊断；硅燃尽；电池管理系统；Transition SoC；自适应热管理

图文摘要：车载材料诊断识别硅主导SOC区间，并将诊断结果转化为热管理策略。

【研究背景】

高比能材料进入电池后，如何在全寿命周期内被“管理”？

提高能量密度是动力电池持续发展的核心目标之一。硅因具有远高于石墨的理论比容量，被广泛认为是提升负极容量和整电池能量密度的重要材料路线。然而，硅在嵌锂/脱锂过程中伴随巨大的体积变化，易引发颗粒开裂、电接触损失以及固态电解质界面膜（SEI）在新生表面的反复生成。这些过程会加速活性硅损失和锂库存损失，使含硅负极电池的寿命优势难以充分释放。

过去，延缓硅/石墨负极衰退的主要思路集中在材料层面，例如硅氧复合、纳米结构设计、粘结剂和电解液优化等。材料创新当然至关重要，但当电池已经被集成到电动车或储能系统中之后，用户真正面对的是一个正在老化、状态不断变化的电池包。此时，BMS不仅需要估算总容量或内阻，还需要知道：哪一种材料正在承担主要反应？硅在什么SOC区间被大量使用？这个区间是否会随着老化而改变？

现有经验表明，避免低SOC运行通常有助于延长含硅负极电池寿命，因为在低SOC区域硅往往承担更高的电流份额。由此产生的一个直接策略是限制电池的可用SOC窗口，尽量避开硅活跃区。然而，这种固定限制存在两个问题：第一，硅主导工作的SOC边界并不是固定的，它会随老化路径而迁移；第二，长期限制低SOC使用会牺牲可用容量，削弱引入硅材料的初衷。

因此，本文关注的核心问题不是“如何完全不用硅”，而是“如何知道硅何时在工作，并在它工作时更聪明地保护它”。这也是本文提出车载材料诊断与自适应热管理策略的出发点。

【研究介绍】

用常规充电数据识别硅主导区间，并把诊断结果用于控制

近日，美国密歇根大学Anna G. Stefanopoulou和Jason B. Siegel团队，联合通用汽车全球技术中心及帝国理工学院Gregory J. Offer团队，在国际能源领域期刊Joule发表题为“Managing silicon burn-out via onboard material diagnostics for durable high-energy density batteries”的研究论文。本文第一作者为密歇根大学机械工程系博士研究生Zhiwen Wan，通讯作者为Zhiwen Wan和Anna G. Stefanopoulou。

本工作提出了一个面向BMS部署的硅/石墨复合负极材料级诊断框架。该框架以整电池恒流充电电压和微分电压信息为输入，同时估计硅、石墨和正极的材料级健康状态，并引入两个参数描述老化诱导的硅开路电压（OCP）变形。基于这些估计结果，作者进一步定义并追踪“transition SoC”：即电流份额从硅主导转入石墨主导的SOC边界。

研究表明，这一边界随老化路径发生显著且方向相反的迁移：新电池中transition SoC约为48%；当老化主要由锂库存损失（LLI）主导时，该边界可上移至约73%；当老化主要由活性硅损失（LAM-Si）主导时，则可下移至约33%。这意味着，任何固定的“硅规避SOC窗口”都可能在电池老化后变得不准确，既可能保护不足，也可能过度限制容量使用。

更进一步，作者将诊断结果转化为控制策略：当电池运行在硅主导SOC区间时，将温度提高至有利于硅内锂扩散的水平，以降低浓度梯度和机械应力；当石墨主导或电池静置时，则回到较低温度，减少副反应和日历老化。基于实验数据，该策略预计可相对于固定25 °C运行实现约2倍循环寿命提升，同时不牺牲低SOC容量访问。

【核心部分】

3.1 为什么要把“硅是否在工作”变成一个可诊断变量？

在硅/石墨复合负极中，硅和石墨并不是彼此独立工作的两个电极，而是在同一个负极中共享有效电位的两类活性材料。由于硅与石墨的OCP曲线不同，在同一负极电位下二者的嵌锂程度和容量贡献并不相同。本文通过材料级OCP和微分容量分析，将硅和石墨在整电池SOC轴上的容量贡献分解出来，并进一步定义“硅电流份额”：即给定SOC下，整电池电流中由硅承担的比例。

这一量与退化机理直接相关。在低SOC区域，硅通常承担更高的电流份额；同时硅颗粒处于相对收缩状态，有效表面积较小。在这种情况下，同样的电流分布到更小的活性表面上，会导致更高的局部电流密度、更陡的锂浓度梯度和更强的机械应力，从而促进颗粒开裂和SEI在新生表面的继续生长。相反，在高SOC区域，硅电流份额降低，颗粒已相对膨胀，局部电流密度和应力梯度也更低。

因此，作者定义transition SoC作为一个简洁的控制边界：当硅电流份额首次降到50%以下并在后续SOC区间内保持较低水平时，该SOC被视为硅主导区与石墨主导区的分界点。这个定义将原本模糊的“低SOC硅风险区”转化为可计算、可追踪、可用于BMS控制的状态变量。

图1. 硅/石墨复合负极中的硅电流份额及transition SoC定义。

3.2 硅主导SOC区间不是固定的：老化路径会让边界向相反方向迁移

本文的一个关键发现是：硅主导SOC区间不仅会随老化改变，而且其迁移方向取决于主导退化路径。作者比较了新电池、70% SOH下LLI主导的模拟案例、LAM-Si主导的模拟案例，以及实际混合老化电池。结果显示，新电池的transition SoC约为48%，即低于约48% SOC时硅承担更主要的反应。

当电池主要发生LLI时，正负极OCP窗口的相对位置发生移动，使可访问的负极化学计量范围向更低区域偏移，硅贡献被放大，transition SoC上移至约73%。这意味着即便电池仍处在较高SOC，硅也可能已经在承担大量反应。相反，当老化主要表现为活性硅损失时，硅容量减少，复合负极行为更接近石墨，transition SoC下移至约33%。

在实际电池中，不同退化模式往往混合发生。作者在一只70% SOH、经历混合LAM-Si、LAM-Gr和LLI的实验电池中观察到transition SoC约为38%，位于两个极端路径之间。更重要的是，在相同70% SOH下，不同循环条件电池的transition SoC仍可相差约16个百分点。这说明只用总容量SOH并不足以判断硅是否被过度使用，必须引入材料级诊断。

图2. 不同退化路径下硅主导SOC边界的迁移：BOL 48%、LLI 73%、LAM-Si 33%、混合老化38%。

3.3 诊断框架：从整电池电压反推材料级健康状态和硅OCP演化

为了让transition SoC能够在车载系统中实时更新，必须从BMS可获得的信号中推断材料级信息。传统电极健康状态（eSoH）方法通常将整电池电压曲线与正负极OCP曲线对齐，从而估计正极、负极容量和锂库存等参数。但对于硅/石墨复合负极，一个额外挑战是硅在老化过程中不仅会损失容量，其有效OCP形状也可能由于应力和结构演变而改变。若仍假设硅OCP不变，估计结果可能出现系统性偏差。

本文在传统五参数eSoH基础上进一步引入两个硅OCP变形参数：电压缩放项sV和电压偏移项Uoff。最终诊断参数包括硅容量、石墨容量、正极容量、满电时正负极化学计量位置，以及两个硅OCP变形参数。通过材料OCP到复合负极OCP、再到整电池电压的正向模型，作者建立了从材料到电池的映射；再通过同时拟合电压曲线和微分电压曲线，反向估计材料级状态。

这种设计有两个重要意义。第一，微分电压能够放大相变和平台等材料特征，使模型更容易区分硅、石墨和正极的贡献。第二，允许硅OCP随老化发生变形，使诊断框架不再把所有电压变化都强行解释成容量损失，从而能够更物理一致地追踪材料演化。估计完成后，模型即可输出材料容量、锂库存、硅OCP变形以及transition SoC。

图3. 面向硅/石墨复合负极的材料级eSoH诊断框架。

3.4 诊断结果是否可信：多层级验证与车载部署约束分析

为了验证该诊断框架是否真正恢复了材料级信息，而不仅是拟合了整电池电压，作者进行了三个层级的验证。首先，在七种循环条件下，利用周期性0.05C诊断充电数据验证整电池拟合效果。结果显示，平均容量误差为0.39%，电压RMSE平均为4.1 mV，dV/dQ误差平均为87.1 mV/Ah，说明该方法在不同温度和SOC窗口老化条件下均具有较好的鲁棒性。

第二，作者使用三电极测试进行电极级验证。通过参考电极同时测量整电池、负极和正极电位，再将仅由整电池信号估计得到的参数用于重构电极电位。结果显示，整电池、负极和正极电位RMSE分别为3.6 mV、8.1 mV和7.2 mV，说明该方法在拟合整电池响应的同时，仍保留了合理的电极级物理意义。第三，作者将BOL下估计得到的硅、石墨和NMC622容量与基于电芯设计规格和材料比容量计算得到的参考容量进行对比，进一步验证了估计结果的合理性。

图4. 诊断框架的多层级验证。

面向车载部署，作者还系统分析了倍率、采样密度和SOC窗口覆盖对算法误差的影响。结果显示，在退化容量基准下有效充电倍率不超过约0.3C时，transition SoC误差可保持在3%以内，参数平均绝对误差可控制在5%左右；在0–100% SOC窗口内，每1% SOC采样约8个点，即总计约800个数据点，即可使所有参数误差界限低于5%。相较于10小时0.1C充电过程中0.1秒采样产生的约36万个数据点，这相当于约450倍的样本相关计算量降低。

此外，部分SOC窗口并非对所有参数都同样有用。低SOC区域对硅容量、锂库存和硅OCP偏移等负极相关参数尤为关键，而高SOC区域则更有利于约束正极容量。因此，本文不仅提出一个诊断算法，也给出了未来BMS在实际充电片段中选择“何时诊断、用多少数据诊断、诊断结果是否足够可信”的定量依据。

图5. 面向实际BMS部署的算法约束：有效≤0.3C、8 points/SOC及部分SOC窗口可观测性。

3.5 从诊断到控制：硅主导时升温，其他时候降温

诊断本身并不是最终目的。对于已经投入使用的电池，知道“它怎么老化”只有在能够转化为控制动作时，才真正对当前用户有价值。本文进一步把材料级诊断与热管理联系起来，提出了面向寿命延长的控制策略。

实验结果显示，在本文所研究的硅/石墨电池中，45 °C循环相较于25 °C循环可显著提升寿命，接近2倍。这一现象与硅中锂扩散较慢有关：较高温度可以提高锂扩散速率，降低硅颗粒内部浓度梯度和由此产生的机械应力，从而减缓颗粒开裂和活性硅损失。与此同时，日历老化实验显示，在静置条件下较高温度反而会加速容量衰减，主要表现为更快的锂库存损失。

由此可以得到一个关键控制逻辑：高温不是越多越好，而应当在“硅正在承担主要反应、且高温能够缓解硅机械退化”的时刻使用；在石墨主导或电池静置时，应回到较低温度以抑制副反应。本文提出的BMS策略正是利用在线估计的transition SoC作为热管理切换边界：当电池处于硅主导窗口时升温，当进入石墨主导窗口或静置时降温。

这种策略的优势在于，它不需要简单粗暴地禁止用户使用低SOC容量，而是通过材料级诊断判断低SOC何时真正对应高硅风险，并在风险区内进行针对性保护。基于实验数据，该策略预计可实现与连续45 °C循环相当的寿命增益，即相对于固定25 °C基线约2倍的循环寿命，同时减少高SOC和静置时的高温暴露。需要强调的是，这一热管理策略仍是基于电芯实验和控制映射提出的概念验证，实际整包应用还需要考虑热惯性、温度均匀性、执行器限制以及加热能耗等工程因素。

图6. 从材料级诊断到自适应热管理：硅主导时升温，石墨主导或静置时降温。

【最终结论】

本文的核心贡献可以概括为四点。第一，作者将硅/石墨复合负极中“硅主导风险区”这一经验概念量化为 transition SoC，并证明该边界会随退化路径显著迁移。第二，作者提出了可由整电池恒流充电数据驱动的材料级诊断框架，同时估计硅、石墨和正极容量、锂库存以及硅 OCP 变形。第三，作者通过全电池、电极级和材料设计容量三个层级的验证，证明该框架能够反演具有物理意义的材料状态，并进一步通过倍率、采样频率和 SOC 窗口分析评估其车载部署可行性。第四，作者将诊断结果转化为硅感知热管理策略，展示了在不牺牲可用容量的前提下延长高比能电池寿命的可能路径。

从更广的角度看，这项研究把硅负极从“材料容易退化，因此尽量少用”的被动思路，推进到“识别其使用窗口，并在合适时机主动管理”的控制思路。它并不把高比能材料的老化仅仅视为材料失效问题，而是进一步提出：当 BMS 能够在线识别不同活性材料的使用窗口和退化状态时，电池系统可以通过温度、电流和 SOC 窗口的协同控制主动调节材料所经历的老化路径。对于硅基负极、复合电极等先进电池材料而言，材料本身的高性能只有与诊断和控制协同起来，才能在真实应用中转化为可管理、可用且耐久的高能量密度。

作者同步开源了支撑本文分析的数据与代码。配套数据集包含 60 个 NMC622/SiO-石墨软包电池在 24 种工况下的循环老化、日历老化和诊断测试数据，涵盖不同温度、SOC 窗口、倍率和机械预紧力等条件。该数据集不仅可用于复现本文结果，也可作为高比能硅基负极电池老化建模、健康诊断和 BMS 算法开发的公开基准数据集。

【文献详情】

Wan et al., Managing silicon burn-out via onboard material diagnostics for durable high-energy density batteries,Joule (2026), https://doi.org/10.1016/j.joule.2026.102531

【作者思考与未来展望】

这项工作的一个重要启发是，电池材料开发与BMS控制不应被视为彼此独立的两个阶段。对于硅/石墨这类复合负极，材料级反应分配会随老化、温度和使用窗口不断变化；如果BMS只能看到总容量和总内阻，就难以判断哪个材料正在承受主要退化压力。未来的高比能电池管理需要更接近材料层面的在线状态感知，并将这种感知转化为电流、温度和SOC窗口的协同控制。

当然，本文框架仍有需要继续发展的方向。当前诊断更适用于近似恒流、较低到中等倍率的充电片段；在高倍率和动态工况下，还需要引入更高保真的电化学模型，或结合膨胀、阻抗、温度等多模态信号进一步提高参数可辨识性。本文展示的热管理策略只是材料级诊断向控制策略转化的一个例子。未来，类似的硅利用诊断还可以用于调节充电电流、优化工作 SOC 窗口，并在满足用户能量需求的前提下尽量减少硅的高负荷使用，从而降低硅颗粒应力和老化速率。进一步结合车队数据和预测控制后，BMS 将有机会从“监测电池是否衰退”发展为“实时调控电池如何衰退”，从而推动高比能电池材料在实际系统中的可靠应用。

【作者简介】

第一作者/通讯作者：万智文（Zhiwen Wan），密歇根大学机械工程系博士研究生，师从 Anna G. Stefanopoulou 教授和 Jason B. Siegel 教授，主要从事面向高比能下一代电池的电池管理系统算法研究，研究方向包括电池健康状态诊断、老化机理建模、材料层级状态估计以及寿命优化控制。

通讯作者：Anna G. Stefanopoulou， 现任密歇根大学机械工程系教授， Huei Peng Distinguished University Professor of Mechanical Engineering 和 William Clay Ford Professor of Technology。她是 IEEE Fellow、ASME Fellow 和 SAE Fellow，研究方向涵盖动态系统与控制、汽车动力系统、电池管理系统和能源系统控制等，在控制理论与交通能源系统工程应用交叉领域作出了重要贡献。她曾获 IEEE Control Systems Society Control System Technology Award、ASME Gustus L. Larson Memorial Award、NSF CAREER Award、密歇根大学工程学院 Research Excellence Award 等荣誉。她长期服务于国际控制与机械工程学术共同体，曾担任 IEEE Transactions on Control Systems Technology 副主编、IEEE Control Systems Society Board of Governors 成员、ASME Dynamic Systems and Control Division 执行委员会成员，并多次在国际重要会议作大会报告或主题报告。

共同作者团队还包括密歇根大学、通用汽车全球技术中心和英国帝国理工学院的研究人员。

图7. 部分作者团队在密歇根大学电池控制实验室。
Zhiwen Wan （中），Anna G. Stefanopoulou （左），Jason B. Siegel （右）。

文章来源：能源学人