围绕退役锂离子电池在梯次利用前的高效一致性筛选需求，中国科学院海西研究院泉州装备制造研究中心等团队提出“基于改进格拉姆角场图像编码+重启辅助分类生成对抗网络-分类一体”的新方案。该方案将局部充电电压时间序列一键转化为包含时域+幅度+相位信息的三通道图像，并引入稳定训练的生成对抗网络，在小样本条件下完成多类别判别。该方法在284 节 LFP 退役电池（ANR26650M1-B）上实现95.41%的平均准确率、98.12%召回与 0.963 的 F1 分数，显著优于对照的 ACGAN 与多种主流分类器。此外，仅使用局部充电区间（≤3.2 V）即可保持>90%的精度，验证了在生产线场景下的快速可用性。

图1. 所提出的局部电压转图像的退役电池分选总体框架

图2. 所提出方法与其他模型对比分选结果

这项工作提出并系统验证了一个的退役锂电池快速筛选框架：将局部充电电压时间序列经FFT提取幅度，相位信息并映射为二维图像输入，配合改进的损失设计以提升生成质量与判别稳定性。在包含 284 节退役电池的数据集上，方法实现95.41%的平均准确率，并通过对照与消融实验证明了在小样本条件下的鲁棒性与通用性，为退役电池一致性快速分选与梯次利用提供了新思路。

相关研究成果以“Retired Battery Screening Based on Rebooted Auxiliary Classifier Generative Adversarial Network and Improved Gramian Angular Field”为题发表于IEEE Transactions on Industrial Electronics期刊上。中国科学院海西研究院泉州装备制造研究中心林名强正高级工程师为第一作者，合肥工业大学武骥副教授为通讯作者。研究工作获得国家自然科学基金、福建省自然科学基金等项目的支持。

论文链接：https://doi.org/10.1109/TIE.2025.3549087

(戴厚德课题组林名强团队供稿)