Ein reproduzierbarer Deep-Learning-Workflow zur Vorhersage der Leistung von Lithium-Ionen-Batterien unter Verwendung von Mehrkanal-Zyklusdaten

Yitong Qu; Dongliang Zhang

doi:10.3791/71903

Methodenartikel

Ein reproduzierbarer Deep-Learning-Workflow zur Vorhersage der Leistung von Lithium-Ionen-Batterien unter Verwendung von Mehrkanal-Zyklusdaten

DOI:

10.3791/71903

⸱

14. August 2026

Yitong Qu¹ , Dongliang Zhang²

¹Faculty of Science, Department of Physics, Southern University of Science and Technology, ²Homerton College, University of Cambridge

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dieses Protokoll stellt einen reproduzierbaren Deep-Learning-Workflow unter Verwendung von Multikanal-Zyklusdaten und entwickelten Merkmalen zur Vorhersage des Gesundheitszustands, der verbleibenden Nutzungsdauer und der Energiespeicherleistung von Lithium-Ionen-Batterien vor.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dieses Protokoll stellt einen reproduzierbaren Deep-Learning-Workflow zur Vorhersage der Leistung von Lithium-Ionen-Batterien anhand von mehrkanaligen Zyklen-Daten vor. Um die bestehenden Einschränkungen datengetriebener Modelle hinsichtlich der Integration von Mehrquelleninformationen und der Merkmalsdarstellung zu überwinden, nutzt die Methode fünf öffentlich verfügbare Batteriedatensätze. Die Eingaben umfassen rohe Betriebssignale wie Spannung, Strom, Kapazität, Temperatur, Innenwiderstand sowie Coulomb- und Energieeffizienz, zusammen mit konstruierten Merkmalen wie inkrementeller Kapazität, differentieller Spannung und durchgespeister Energie. Das Protokoll beschreibt standardisierte Vorverarbeitungsverfahren zur Erstellung batterieebenenbasierter zeitlicher Tensoren über mehrere Beobachtungsfenster hinweg. Zur Verbesserung der Reproduzierbarkeit bewertet der Workflow ausgewählte neuronale Netzwerkarchitekturen – darunter tiefe neuronale Netze, Faltungsneurale Netze (CNNs), Long-Short-Term-Memory-(LSTM-)Netze, CNN–LSTM- und auf Transformatoren basierende Modelle – unter Verwendung fester Zufallsseeds, wiederholter Evaluationsläufe und Umgebungsprotokollierung. Repräsentative Ergebnisse zeigten, dass die CNN–LSTM-Architektur mit integrierten mehrkanaligen Daten und konstruierten Merkmalen im Vergleich zu den evaluierten Modellen eine vorteilhafte Vorhersageleistung erzielte. Die ausgewählte Konfiguration erreichte einen mittleren absoluten Fehler von 0,024 und einen R²-Wert von 0,955 bei der Zustandsgesundheits-Schätzung, während gleichzeitig eine hohe Vorhersagegenauigkeit für die Restlebensdauer und die entladbare Energie erhalten blieb. Ablations- und Robustheitsanalysen verdeutlichten zudem den Beitrag der mehrkanaligen Merkmalsintegration und die Stabilität des auf Reproduzierbarkeit ausgerichteten Workflows über wiederholte Evaluierungen hinweg. Diese standardisierte Methodik bietet einen reproduzierbaren Rahmen für das Lebenszyklusmanagement von Batterien und die prädiktive Modellierung unter unterschiedlichen Betriebsbedingungen.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Lithium-Ionen-Batterien spielen eine zentrale Rolle beim weltweiten Übergang zu erneuerbaren Energien, da sie über eine hohe Energiedichte, eine lange Zyklenlebensdauer und geringe Selbstentladungsraten verfügen, was sie für Anwendungen von tragbaren Elektronikgeräten bis hin zu großtechnischen Energiespeichersystemen geeignet macht. Allerdings führt ein langfristiger Betrieb unweigerlich zu einer schleichenden Kapazitätsabnahme und einem Anstieg des Innenwiderstands¹. Dieser Leistungsverfall verringert nicht nur die Wirtschaftlichkeit, sondern birgt auch erhebliche Sicherheitsrisiken, darunter thermisches Durchgehen. Mit der zunehmenden Beschleunigung des Einsatzes großtechnischer Energiespeichersysteme ist das Batterielebenszyklus-Management immer komplexer geworden². Herkömmliche, auf Schwellwerten basierende Überwachungsverfahren und manuelle Inspektionsprotokolle sind für dynamische Betriebsumgebungen unzureichend³. Darüber hinaus reicht die alleinige Betrachtung eines einzelnen Parameters nicht aus, um den Zustand der Gesundheit (SOH) oder die verbleibende Nutzungsdauer (RUL) der Batterie unter wechselnden Lade- und Entladeraten, unterschiedlichen Umgebungstemperaturen und variierenden Entladespannungen genau vorherzusagen⁴. Obwohl der aktuelle Arbeitsablauf hauptsächlich anhand von laborgeprüften Zyklen-Datensätzen validiert wurde, könnte die mehrkanalige Architektur und das zeitliche Modellierungsframework künftig auch für dynamische Betriebsbedingungen in Elektrofahrzeuganwendungen und variierenden Umweltbedingungen angepasst werden.

Die Alterung von Batterien ist ein äußerst komplexer, nichtlinearer elektrochemischer Prozess, der durch das Wachstum der festen Elektrolytzwischenschicht, den Verlust von aktivem Lithium und die strukturelle Zersetzung der Elektrodenmaterialien verursacht wird. Bisher basierte die Zustandsschätzung auf äquivalenten Schaltkreismodellen oder elektrochemisch-physikalischen partiellen Differentialgleichungen (PDEs)⁵. Obwohl diese physikalischen Modelle wertvolle mechanistische Einblicke liefern, leiden sie unter erheblichem Rechenaufwand und Schwierigkeiten bei der Parameteridentifikation, wenn multikanalige gekoppelte Signale verarbeitet werden. Folglich ist ihre Echtzeitanwendung in eingebetteten Batteriemanagementsystemen (BMSs) unter Hochstromentladung aufgrund komplexer Diffusionskinetik und Umweltvariabilität stark eingeschränkt⁶. Im Gegensatz dazu konzentriert der vorgeschlagene Deep-Learning-(DL-)Arbeitsablauf den größten Teil des Rechenaufwands auf die Offline-Trainingsphase, während das trainierte Modell während der Anwendung vergleichsweise schnelle Inferenzen durchführt. Dieses Framework könnte daher künftige Implementierungen in ressourcenbeschränkten BMSs und Edge-Computing-Umgebungen unterstützen.

Kürzlich haben datengetriebene DL-Ansätze aufgrund ihrer außergewöhnlichen Fähigkeiten zur nichtlinearen Anpassung als leistungsstarke Werkzeuge an Bedeutung gewonnen. Dennoch weisen bestehende DL-Methoden zwei wesentliche Einschränkungen auf. Erstens basieren viele Ansätze hauptsächlich auf einzelnen Kapazitätsabnahmekurven oder spezifischen Entlade-Spannungsschwellen, während sie die inhärenten räumlich-zeitlichen Korrelationen zwischen mehrkanaligen Zyklierungsantworten – wie Spannung, Strom und Temperatur – vernachlässigen. Diese Einschränkung verringert die Robustheit des Modells unter Betriebsbedingungen mit mehreren Szenarien⁷. Frühere Studien haben gezeigt, dass die Vernachlässigung thermischer Zustände während komplexer Betriebsabläufe die Anhäufung von Vorhersagefehlern beschleunigen kann⁸^,⁹. Zweitens besteht eine anhaltende Reproduzierbarkeitsherausforderung im angewandten maschinellen Lernen (ML). Variationen in den experimentellen Bedingungen, unzureichend beschriebene Vorverarbeitungspipelines und willkürlich gewählte Hyperparameter neuronaler Netzwerke führen häufig dazu, dass ansonsten robuste Modelle bei der Validierung über verschiedene Datensätze hinweg versagen¹⁰. Um das Risiko von Informationslecks während der Vorverarbeitung und der Vorhersage in frühen Zyklen zu verringern, werden die im vorgeschlagenen Workflow verwendeten Normalisierungsfaktoren und die Baselines für extrahierte Merkmale ausschließlich aus den Trainingsdatensätzen abgeleitet, bevor eine externe Validierung und eine Bewertung über verschiedene Datensätze hinweg erfolgt.

Um diese entscheidenden Wissenslücken zu schließen, besteht das übergeordnete Ziel dieses Protokolls darin, einen automatisierten, hochgradig reproduzierbaren Deep-Learning-Workflow zur Vorhersage der Energiespeicherleistung von Lithium-Ionen-Batterien anhand von mehrkanaligen Zykeldaten vorzustellen. Die Grundidee dieses Verfahrens liegt darin, die komplexen langfristigen Abhängigkeiten, die mit dem Batteriealterungsprozess verbunden sind, gezielt abzubilden, indem querschnittliche Zeitreihendaten in einer hochdimensionalen neuronalen Netzwerkarchitektur integriert werden. Ein wesentlicher Vorteil dieses Protokolls im Vergleich zu bestehenden physikbasierten und Deep-Learning-Ansätzen ist die ganzheitliche Standardisierung, die eine vollständige Pipeline von der Rohsignalvorverarbeitung über die Merkmalsentwicklung bis hin zum Modelltraining und der Unsicherheitsbewertung etabliert. Obwohl hybride Architekturen neuronaler Netzwerke bereits früher untersucht wurden, legt der vorliegende Workflow besonderen Schwerpunkt auf standardisierte, mehrkanalige Integration, indem elektrochemische Zykeldaten und konstruierte Degradationsmerkmale innerhalb eines auf Reproduzierbarkeit ausgerichteten Trainingsrahmens synchronisiert werden. Im Gegensatz zu vielen bisher beschriebenen Workflows integriert dieses Protokoll standardisierte Parameterkonfigurationen, feste Zufallsinitialisierungen (random seeds), wiederholte Evaluierungsläufe und eine umfassende Nachverfolgung der Umgebungsbedingungen, um die Reproduzierbarkeit über heterogene Batteriedatensätze und verschiedene Laborumgebungen hinweg zu verbessern. Darüber hinaus vergleicht der Workflow systematisch mehrere Architekturen neuronaler Netzwerke, um die Vorhersagesicherheit und -leistung bei unterschiedlichen Eingabekonfigurationen zu bewerten. Innerhalb der ausgewerteten Datensätze und experimentellen Bedingungen zeigte die Architektur aus faltenden neuronalen Netzen und langen Kurzzeitgedächtnissen (CNN–LSTM) eine günstigere Vorhersageleistung im Vergleich zu den evaluierten reinen CNN- und transformerbasierten Modellen, indem sie die lokale Merkmalsextraktion mit der Modellierung zeitlich weiter reichender Sequenzen kombiniert, bei gleichzeitig moderater rechnerischer Komplexität. Dieses Protokoll eignet sich besonders für Forscher und Ingenieure, die reproduzierbare und an die Umgebung anpassungsfähige Vorhersagemodelle für das Batterielebenszyklus-Management entwickeln möchten.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Eine Genehmigung durch eine ethische Kommission war für diese Studie nicht erforderlich, da die Forschung ausschließlich öffentlich zugängliche Datensätze zu Lithium-Ionen-Batterie-Zyklen nutzte und keine menschlichen Probanden, Versuchstiere oder biologischen Proben einbezog.

1. Datenerfassung und -organisation

Erwerben Sie Multikanal-Zyklisierungsdatensätze
1. Laden Sie Lithium-Ionen-Batterie-Zyklisierungsdatensätze aus öffentlich zugänglichen Batterie-Repositories herunter, die Lade-Entlade-Zyklusaufzeichnungen enthalten. Beziehen Sie die Datensätze CALCE, SANYO, PANASONIC, KOKAM und GOTION direkt aus den jeweiligen institutionellen Open-Access-Repositories oder über Digital-Object-Identifier-Links, um die Konsistenz der Datensatzversionen sicherzustellen.
2. Wählen Sie Batterieproben aus, die vollständige Zykluszahlen, Kapazitätsmessungen und mindestens eine kontinuierliche Lade-Entlade-Kurve enthalten. Überprüfen Sie die Kontinuität, indem Sie sicherstellen, dass innerhalb eines einzelnen Zyklus keine Unterbrechung von mehr als zwei Stunden auftritt und dass sowohl die Konstantstrom- als auch die Konstantspannungsphase vollständig erfasst sind.
Bereinigen Sie die Rohzyklisierungsdatensätze
1. Bereinigen Sie die Rohzyklisierungsdatensätze, um Proben mit Temperatur-, Innenwiderstands-, Coulomb-Wirkungsgrad- und Energie-Wirkungsgradmessungen beizubehalten. Schließen Sie Batteriezellen, die diese obligatorischen Zustandskanäle fehlen, aus dem Analyseworkflow aus, da die anschließende Multikanal-Merkmalsfusion einen vollständigen Satz physikalischer Eingangsvariablen erfordert.
2. Entfernen Sie Zyklen mit unvollständigen Aufzeichnungen, inkonsistenten Zeitstempeln, undefinierten Testverfahren oder unklaren Bedingungen für das Ende der Lade-Entlade-Zyklen. Definieren Sie anomale Zyklen als solche, die einen plötzlichen Kapazitätsabfall von mehr als 5 % zwischen aufeinanderfolgenden Zyklen aufweisen, Spannungsmessungen außerhalb des chemiespezifischen Betriebsbereichs oder nicht monotone Zeitstempelintervalle aufweisen.
Erstellen Sie eine zeitliche Batteriedatenbank
1. Ordnen Sie die beibehaltenen Zyklisierungsdatensätze chronologisch an, um eine zeitbasierte Zeitreihendatenbank auf Ebene der Batterie zu erstellen.
2. Speichern Sie die verarbeiteten Datensätze im Hierarchical Data Format Version 5 (HDF5). Verwenden Sie eine standardisierte Verzeichnisstruktur, die nach Datensatzquelle, chemischem System und individuellem Batteriezellen-Identifier organisiert ist.
3. Weisen Sie einzelnen Batteriezellen vor der Datensatz-Aufteilung eindeutige Identifikatoren zu. Implementieren Sie die Gruppierung basierend auf dem Batteriezellen-Identifier bei der Aufteilung in Trainings- und Testdatensätze, um sicherzustellen, dass alle aufeinanderfolgenden Zyklen einer einzelnen physischen Batterie ausschließlich in einem Datensatzteil verbleiben.
  HINWEIS: Bewahren Sie die ursprünglichen Rohdatensätze vor der Vorverarbeitung, Normalisierung, Resampling oder Merkmalsgenerierung separat auf.
Definieren Sie Beobachtungsfenster
1. Erstellen Sie Multikanal-Beobachtungsfenster basierend auf den ersten 50 Zyklen, den ersten 100 Zyklen und den ersten 20 % der gesamten Batterielebensdauer. Berechnen Sie die 20-%-Lebensdauer-Schwelle, indem Sie die gesamte Zykluslebensdauer vor dem Kapazitätsverlust am Lebensende mit 0,2 multiplizieren.
2. Stellen Sie die Spannungs-, Strom-, Kapazitäts-, Temperatur-, Innenwiderstands- und Wirkungsgradmessungen innerhalb jedes Beobachtungsfensters vor der Tensorkonstruktion aufeinander ab.
3. Formatieren Sie die endgültige Eingabestruktur als dreidimensionalen Tensor, bestehend aus der Länge des Beobachtungsfensters, 128 standardisierten intra-zyklischen Abtastpunkten und dem geordneten Multikanal-Merkmalsatz.

2. Daten-Vorverarbeitung und Merkmalsentwicklung

Rohe Daten der Zyklen vorverarbeiten
1. Führen Sie eine einheitliche Vorverarbeitung der Rohdatensätze für die Zyklen durch, um die Datenqualität über alle Batteriequellen hinweg zu standardisieren. Führen Sie alle Verfahren zur Vorverarbeitung, Synchronisierung und Standardisierung mit Python 3.10 durch, wobei die Bibliothek Pandas für die Zeitreihenmanipulation und SciPy für die numerische Interpolation verwendet wird.
2. Entfernen Sie Ausreißer, erkennen Sie fehlende Werte, kalibrieren Sie Zeitstempel, identifizieren Sie Lade- und Entladephasen und normalisieren Sie die Abtastraten vor der weiteren Analyse. Wenden Sie eine modifizierte Z-Score-Schwellenwertmethode mit einem Ablehnungskriterium größer als 3,0 zur Anomalieerkennung an.
3. Erkennen Sie fehlende Werte automatisch durch Identifizierung von NaN-Markierungen in allen numerischen Arrays. Unterscheiden Sie Lade- und Entladephasen anhand der Strompolarität, indem Sie positive Stromwerte den Ladezyklen und negative Stromwerte den Entladezyklen zuordnen.
4. Rekonstruieren Sie fehlende Signalsegmente mithilfe stückweiser kubischer Hermite-Interpolationspolynome, um die elektrochemischen zeitlichen Dynamiken während der Phasenübergangsanpassung beizubehalten.
Zykluskurven neu abtasten
1. Nehmen Sie eine erneute Abtastung der Zykluskurven vor, wenn Variationen in der Abtastdichte oder Signaldrift in den Datensätzen festgestellt werden. Aktivieren Sie die automatische Neuaufnahme der Abtastung, sobald das Intervall zwischen aufeinanderfolgenden Messungen um mehr als 10 % von der medianen Abtastrate der entsprechenden Zyklenphase abweicht.
2. Standardisieren Sie die Anzahl der Abtastpunkte innerhalb jedes Zyklus, um variationsbedingte Unterschiede durch die Plattform zu reduzieren. Ordnen Sie alle zeitlichen Sequenzen mittels eindimensionaler linearer Interpolation auf ein festes räumliches Raster an.
3. Komprimieren oder erweitern Sie jedes Lade-Entlade-Profil auf exakt 128 äquidistante Abtastpunkte vor der Tensorkonstruktion.
Stetige Variablen normalisieren
1. Normalisieren Sie alle stetigen Variablen vor dem Modelltraining, um die Netzwerkkonvergenz zu stabilisieren und skalenbedingte Verzerrungen zu reduzieren. Wenden Sie die Min-Max-Skalierung an, um alle stetigen Variablen in einen numerischen Bereich zwischen 0 und 1 zu transformieren.
2. Berechnen Sie alle Normalisierungsparameter ausschließlich aus dem Trainingsdatensatz. Wenden Sie die festgelegten Skalierungsparameter auf die Validierungs- und Testdatensätze an, um das Risiko eines zeitlichen Datenlecks während der Vorhersage früher Zyklen zu verringern.
Mehrfachkanal-Eingabetensoren konstruieren
1. Teilen Sie die kontinuierlichen Zyklenaufzeichnungen jeder Batterie in zeitlich feste Segmente ein. Strukturieren Sie die zeitlichen Segmente entsprechend den vordefinierten Beobachtungsfenstern, die den ersten 50 Zyklen, den ersten 100 Zyklen oder den ersten 20 % der Batterielebensdauer entsprechen.
2. Stellen Sie Spannung, Strom, Kapazität, Temperatur, Innenwiderstand und Wirkungsgradmessungen innerhalb jedes zeitlichen Segments vor der Tensorkonstruktion aufeinander ab.
3. Konkatenieren Sie die ausgerichteten Merkmalsmatrizen zu einem dreidimensionalen Tensor im Format (N × 128 × C), wobei N die Länge des Beobachtungsfensters, 128 die standardisierten intra-zyklischen Abtastpunkte und C die Gesamtanzahl der physikalischen und konstruierten Merkmalskanäle darstellt.
Konstruierte Merkmale extrahieren
1. Extrahieren Sie konstruierte elektrochemische Merkmale aus den rohen Zyklen-Signalen, um die Identifizierung von Alterungsmustern zu verbessern. Berechnen Sie Inkremental-Kapazitäts- und Differenzial-Spannungsmerkmale durch Bestimmung von dQ/dV und dV/dQ über das standardisierte Abtastgitter.
2. Wenden Sie eine Savitzky–Golay-Filterung an, um geglättete Inkremental-Kapazitäts- und Differenzial-Spannungskurven zu erzeugen.
3. Extrahieren Sie Alterungsindikatoren wie Spannungspeakverschiebungen, Spannungsunterschiede bei Phasenübergängen und zyklusübergreifende Variationen des Energieverbrauchs aus den gefilterten elektrochemischen Merkmalen.

3. Aufbau und Training des DL-Modells

Erstellen Sie Kandidaten-Vorhersagemodelle
1. Erstellen Sie einen standardisierten Trainings- und Evaluierungsrahmen für alle in Abbildung 1A gezeigten Vorhersagemodelle. Implementieren Sie den DL-Workflow mit PyTorch-Version 2.0 oder höher.
2. Führen Sie den Trainingsworkflow mithilfe modularer Python-Skripte für das Laden von Daten, die Initialisierung des Modells, die Optimierung und die Evaluierung aus.
3. Bereiten Sie traditionelle ML-Baseline-Modelle vor, darunter lineare Regression, Random Forest und gradientenbasierte Entscheidungsbaummodelle. Konfigurieren Sie das Random-Forest-Modell mit 100 Bäumen und einer maximalen Tiefe von 10.
4. Konfigurieren Sie den Rahmen für den gradientenbasierten Entscheidungsbaum mit einer Lernrate von 0,1 und einer maximalen Baumtiefe von 5 über die Scikit-learn-Bibliothek.
5. Bereiten Sie DL-Kandidatenarchitekturen vor, darunter Multilayer-Perzeptron, eindimensionales CNN, LSTM-Netzwerk, CNN–LSTM und transformerbasierte Modelle.
6. Standardisieren Sie die Kern-Hyperparameter über alle DL-Architekturen hinweg, indem Sie den AdamW-Optimizer, Aktivierungsfunktionen mit linearer Gaußscher Fehlerfunktion, eine versteckte Dimension von 128 und eine Dropout-Rate von 0,2 anwenden.
Konfigurieren Sie die CNN–LSTM-Architektur
1. Konfigurieren Sie die CNN–LSTM-Architektur, um mehrkanalige Zykleninformationen aus den Eingabetensoren zu fusionieren (Abbildung 1B). Konstruieren Sie die hybride Architektur, indem Sie den faltenden Merkmalsextraktor in zwei gestapelte rekurrente Schichten mit jeweils 128 versteckten Einheiten kaskadieren.
2. Schließen Sie die Architektur mit drei parallelen vollverknüpften Regressionsköpfen ab, um gleichzeitig SOH, RUL und entladbare Energie vorherzusagen.
3. Verarbeiten Sie die mehrkanaligen Eingabetensoren durch drei aufeinanderfolgende eindimensionale faltende Schichten mit Kernelgrößen von 3, 5 und 7, um mehrskalige lokalisierte Merkmale zu extrahieren.
4. Wenden Sie Batch-Normalisierung nach jeder faltenden Schicht an, um die Gradientenstabilität während der Optimierung zu verbessern.
5. Formen Sie die faltenden Merkmalskarten in kontinuierliche zeitliche Sequenzen um, bevor sie der Sequenzmodellierung unterzogen werden.
6. Leiten Sie die codierten zeitlichen Sequenzen in gestapelte rekurrente Schichten weiter, um langreichweitige Abbaubedingtheiten über die vordefinierten Beobachtungsfenster hinweg zu erfassen.
Teilen Sie Datensätze für das Modelltraining auf
1. Teilen Sie die verarbeiteten Batteriezell-Datensätze im Verhältnis 70:15:15 in Trainings-, Validierungs- und Test-Teilmengen auf. Führen Sie die Datensatz-Aufteilung mit einem festen Zufallsstartwert von 42 durch.
2. Wenden Sie eine stratifizierte Stichprobe basierend auf der Batteriechemie an, um ausgeglichene Abbaudistributionen über alle Datensatz-Teilmengen hinweg zu gewährleisten.
3. Führen Sie die Datensatz-Aufteilung strikt auf Ebene der Batteriezelle durch, anstatt einzelne Zyklen zu randomisieren, um sequenzielle Abbauverläufe zu erhalten.
4. Behandeln Sie jede Batteriezelle während der Aufteilung als unteilbare Einheit, um Informationslecks zwischen den Datensätzen zu vermeiden.
5. Überprüfen Sie die Datensatz-Isolation programmatisch, indem Sie den Durchschnitt der Batteriezell-Identifikatoren über die Trainings-, Validierungs- und Test-Teilmengen berechnen und bestätigen, dass kein Überlapp besteht.
6. Stellen Sie einen externen Testdatensatz zusammen, indem Sie den vollständigen GOTION-Lithium-Eisenphosphat-(LFP)-Datensatz für die Evaluierung außerhalb der Verteilung und zur Beurteilung der Generalisierbarkeit über Datensätze hinweg verwenden.
7. Machen Sie den Quellcode, die Umgebungskonfigurationsdateien und die verarbeiteten Datensatz-Aufteilungen über ein dediziertes GitHub-Repository öffentlich zugänglich, um methodische Transparenz und Reproduzierbarkeit zu unterstützen.
Initialisieren Sie das Modelltraining
1. Legen Sie die Regressionsverlustfunktion vor dem Training auf mittleren quadratischen Fehler fest. Berechnen Sie das globale Trainingsziel, indem Sie die Verlustwerte jedes Vorhersageziels mit gleicher Gewichtung aggregieren.
2. Setzen Sie die anfängliche Lernrate auf 1 × 10⁻³ und wählen Sie eine Batch-Größe von 32 oder 64 entsprechend der Datensatzgröße.
3. Verwenden Sie eine Batch-Größe von 64 für Datensätze mit mehr als 5.000 Zyklen, um die Hardware-Auslastung zu verbessern. Verwenden Sie eine Batch-Größe von 32 für kleinere Datensätze, um die Stabilität der Optimierung zu erhöhen.
  HINWEIS: Wählen Sie diese Hyperparameter durch eine vorläufige Gitter-Suche aus, um die Konvergenzgeschwindigkeit und Gradientenstabilität über verschiedene Beobachtungsfenster hinweg auszugleichen.
Wenden Sie Trainingskontrollen an
1. Wenden Sie einen dynamischen Lernraten-Planer basierend auf Änderungen des Validierungsverlusts an. Reduzieren Sie die Lernrate um den Faktor 0,5, wenn sich der Validierungsverlust über 5 aufeinanderfolgende Epochen hinweg nicht verbessert.
2. Halten Sie eine minimale Lernraten-Schwelle von 1 × 10⁻⁵ während der Optimierung ein.
3. Beenden Sie das Modelltraining nach maximal 100 Epochen, um Überanpassung zu reduzieren.
4. Wenden Sie ein vorzeitiges Abbrechen an, wenn der Validierungsverlust über 15 aufeinanderfolgende Epochen hinweg nicht abnimmt. Stellen Sie die Modellgewichte der besten Validierungsiteration wieder her.
Führen Sie Reproduzierbarkeitsdokumentationen
1. Setzen Sie einen festen Zufallsstartwert von 42 vor der Modellinitialisierung und dem Training.
2. Wenden Sie den festen Zufallsstartwert konsistent auf das Python-Zufallsmodul, NumPy und die PyTorch-Backend-Umgebung an und deaktivieren Sie nichtdeterministische CUDA-Operationen.
3. Dokumentieren Sie die Softwareumgebung, Abhängigkeitsversionen, Parametereinstellungen, Datenaufteilungen und Trainingsausgaben für jeden experimentellen Durchlauf.
4. Führen Sie alle DL-Workflows unter Ubuntu 22.04 mit CUDA 11.8-Beschleunigung auf einer Workstation mit einer NVIDIA RTX 3090-Grafikkarte oder vergleichbarer Hardware aus.

figure-protocol-1
Abbildung 1. Reproduzierbarer Deep-Learning-(DL-)Workflow zur Vorhersage der Leistung von Lithium-Ionen-Batterien mit mehreren Kanälen. (A) Ein vollständig reproduzierbarer Workflow, der die Datenerfassung über mehrere Kanäle, standardisierte Vorverarbeitung, Tensorkonstruktion, Modelltraining und Vorhersage von Leistungsindikatoren für Batterien veranschaulicht. Zu den Maßnahmen zur Sicherstellung der Reproduzierbarkeit gehören feste Zufallsseeds, wiederholte Trainingsdurchläufe, Parameterverfolgung und Protokollierung der Umgebung. (B) Hybride CNN–LSTM-Architektur zur Merkmalsextraktion über mehrere Kanäle, Modellierung zeitlicher Sequenzen, Merkmalsfusion und Vorhersage des Zustands der Gesundheit (SOH), der verbleibenden Nutzungsdauer (RUL) und der abrufbaren Energie. (C) Evaluierungs- und Bereitstellungspipeline, die die Auswahl möglicher Modelle, Bewertung der Robustheit, Optimierung der Hyperparameter und endgültige Modellauswahl zeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

4. Modellbewertung und Zielvorhersage

Generieren Sie Modellvorhersagen
1. Verarbeiten Sie die Ziel-Testbatterie-Datensätze durch jedes trainierte Modell. Laden Sie die vorverarbeiteten Testdatensätze als serialisierte PyTorch-Tensoren vor der Inferenz.
2. Führen Sie den Vorwärts-Inferenzschritt unter Verwendung eines Kontext-Managers zur Deaktivierung von Gradienten aus, um unbeabsichtigte Parameteraktualisierungen während der Evaluierung zu verhindern.
3. Generieren Sie gleichzeitige Vorhersagen für jeden Leistungsindikator unter Verwendung der trainierten Regressionsmodule.
4. Extrahieren Sie simultane Ausgaben aus den drei parallelen Regressionsmodulen, die für die Vorhersage von SOH, RUL und entnehmbarer Energie konfiguriert sind.
Berechnen Sie die Vorhersageziele
1. Berechnen Sie die SOH, indem Sie die derzeit verfügbare Kapazität mit der anfänglichen Batteriekapazität vergleichen.
2. Definieren Sie die anfängliche Batteriekapazität als die maximale Entladekapazität, die während der ersten drei Stabilisierungszyklen aufgezeichnet wurde.
3. Berechnen Sie die SOH als Verhältnis zwischen der Kapazität des aktuellen Zyklus und der etablierten Referenzbasis der Anfangskapazität.
4. Schätzen Sie die RUL ab, indem Sie den Betriebs-Schwellenwert identifizieren, bei dem die stabile Batteriekapazität endet.
5. Definieren Sie das Lebensende als die Zyklenanzahl, bei der die Batteriekapazität unwiderruflich unter 80 % der nominalen Nennkapazität sinkt.
6. Berechnen Sie die RUL als die verbleibende Anzahl von Zyklen vom aktuellen Beobachtungszeitpunkt bis zum definierten Lebensende-Schwellenwert.
7. Prognostizieren Sie die entnehmbare Energie basierend auf den aufgezeichneten Entladebedingungen.
8. Berechnen Sie die tatsächliche entnehmbare Energie, indem Sie das Produkt aus Entladespannung und Entladestrom über das Entladeintervall numerisch integrieren, unter Verwendung der Trapezregel.
Bewerten Sie die Vorhersageleistung
1. Berechnen Sie den mittleren absoluten Fehler (MAE), den Root-Mean-Square-Fehler (RMSE), den mittleren absoluten prozentualen Fehler (MAPE) und den Determinationskoeffizienten (R²) für jedes Vorhersageziel.
2. Berechnen Sie alle Evaluierungsmetriken mithilfe des Scikit-learn-Metrikenmoduls unter Verwendung standardisierter statistischer Formulierungen.
3. Wenden Sie identische Metrikberechnungen auf alle Modelle, Datensätze und Eingabekonfigurationen an, um die Konsistenz der Evaluierung sicherzustellen.
4. Aggregieren Sie alle Leistungsmetriken über die zusammengefassten Batterieproben innerhalb des unabhängigen Testdatensatzes, um die allgemeine Modellgeneralisierung zu bewerten.
Berichten Sie stratifizierte Leistung
1. Berechnen Sie Mittelwert und Standardabweichung für jede Evaluierungsmetrik über wiederholte experimentelle Durchläufe.
2. Leiten Sie die berichteten statistischen Maße aus fünf unabhängigen Modellinitialisierungen ab.
3. Geben Sie 95 % Konfidenzintervalle zusammen mit den mittleren Leistungsmetriken an, um die Vorhersageunsicherheit zu quantifizieren.
4. Vergleichen Sie die Modellleistung bei unterschiedlichen Beobachtungsfensterlängen und Eingabekanal-Konfigurationen.
5. Stratifizieren Sie die vergleichende Analyse anhand von Beobachtungsfenstern, die 50 Zyklen, 100 Zyklen und 200 Zyklen entsprechen.
6. Bewerten Sie die Vorhersageleistung über mehrere Eingabekonfigurationen, die von ausschließlich Kapazitätseingaben bis hin zur vollständigen Integration mehrkanaliger Tensoren reichen. Siehe Abbildung 1C für den Workflow zur Evaluierung, Robustheitsprüfung und Auswahl für den Einsatz.

5. Reproduzierbarkeit, Robustheit und Sensitivitätsanalyse

Reproduzierbarkeit und Robustheit überprüfen
1. Identische Datenaufteilungen, Vorverarbeitungsworkflows und experimentelle Verfahren für alle in Abbildung 2A gezeigten Reproduzierbarkeitsbewertungen beibehalten.
2. Den Variationskoeffizienten der primären Evaluierungsmetriken über wiederholte Durchläufe berechnen, um die Konsistenz der Reproduzierbarkeit zu beurteilen.
3. Alle Evaluierungsverfahren unter Verwendung desselben standardisierten Trainings- und Testworkflows erneut durchführen.
4. Jede wiederholte Evaluierung mit zufällig initialisierten Netzwerkgewichten starten, wobei die gleichen deterministischen Datenlade- und Shuffle-Verfahren beibehalten werden.
Wiederholte Trainingsexperimente durchführen
1. Die Vorhersagemodelle unter identischen experimentellen Bedingungen mehrfach trainieren, wobei vordefinierte feste Random-Seed-Werte verwendet werden, um reproduzierbare Gewichtsinitialisierungen sicherzustellen.
2. Fünf unabhängige Trainingsdurchläufe mit identischen Datensatzpartitionen durchführen, um datenbedingte Variabilität zu reduzieren.
3. Die endgültigen Leistungsmetriken berechnen, indem die aus den fünf wiederholten Trainingsdurchläufen erhaltenen Evaluierungsmetriken gemittelt werden.
4. Die endgültigen Robustheitsmetriken durch Aggregation der gemittelten Evaluierungsergebnisse ermitteln, anstatt rohe Vorhersagetensoren zu kombinieren.
Empfindlichkeit gegenüber Hyperparametern evaluieren
1. Lernrate, Batch-Größe, Dimension der versteckten Schicht und Dropout-Ratio einzeln während der Sensitivitätsanalyse verändern.
2. Lernraten im Bereich von 1 × 10⁻⁴ bis 1 × 10⁻², Batch-Größen von 32 bis 128, versteckte Dimensionen von 32 bis 256 und Dropout-Ratio von 0,1 bis 0,5 evaluieren.
3. Die entsprechenden Änderungen in der Vorhersagegenauigkeit nach jeder Hyperparameteranpassung dokumentieren.
4. Die Variation der Vorhersageleistung mittels RMSE und R² quantifizieren.
Feature-Ablationsanalyse durchführen
1. Ausgewählte Eingangskanäle, einschließlich Temperatur, Innenwiderstand und vektorisierte Merkmale, aus dem mehrkanaligen Eingangsstrom entfernen.
2. Die Feature-Ablation mithilfe einer Leave-one-out-Strategie durchführen, indem jeweils eine Merkmalsgruppe entfernt wird, während die verbleibende mehrkanalige Eingangsstruktur erhalten bleibt.
3. Die resultierende Vorhersageleistung nach jedem Feature-Entfernungs-Experiment vergleichen, um den Beitrag einzelner Merkmalsgruppen zur Modellstabilität und -genauigkeit zu bewerten.
4. Den relativen Beitrag jeder Merkmalsgruppe quantifizieren, indem der prozentuale Anstieg des mittleren absoluten Fehlers im Vergleich zum vollständig integrierten mehrkanaligen Basismodell berechnet wird. Siehe Abbildung 2B für den Workflow der Robustheitsbewertung und Sensitivitätsanalyse.

figure-protocol-2
Abbildung 2. Standardisierter Vorverarbeitungs-, Robustheitsbewertungs- und Sensitivitätsanalyse-Workflow. (A) Standardisierter Multikanal-Vorverarbeitungsworkflow, der die Verarbeitung roher Zyklen-Signale, Zeitstempel-Kalibrierung, Ausreißerentfernung, Resampling, Normalisierung, Kanal-Ausrichtung und Tensorkonstruktion veranschaulicht. Strategien zur Eingabedaten-Darstellung vergleichen Einzelkanal-Eingaben, Multikanal-Rohdaten-Eingaben sowie Multikanal-Eingaben kombiniert mit extrahierten Merkmalen. (B) Pipeline zur Robustheits- und Sensitivitätsanalyse, die systematische Hyperparameter-Störung, mehrfache Durchlaufbewertung, Merkmals-Ablationsanalyse, Kreuzvalidierung und externe Validierung des CNN–LSTM-Workflows zeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Mehrkanalige Zyklen-Signale und Datenverteilung

Repräsentative mehrkanalige Zyklierungssignale und Leistungsverteilungen wurden analysiert, um das Zyklierungsreaktionsverhalten von Lithium-Ionen-Batterien zu charakterisieren. Die Studie verwendete fünf Datensätze von Lithium-Ionen-Batterien, die verschiedene chemische Systeme repräsentieren, darunter Lithium-Kobaltoxid (LCO), Nickel-Kobalt-Aluminium-Oxid (NCA), Nickel-Mangan-Kobalt-Oxid (NMC) und LFP (Tabelle 1). Wesentliche Zyklierungsvariablen wie Spannung, Strom, Kapazität, Temperatur, Innenwiderstand sowie coulombsche oder energetische Effizienz wurden mit abgeleiteten Merkmalen wie inkrementeller Kapazität und differentieller Spannungscharakteristik kombiniert, um einen mehrkanaligen Charakterisierungsansatz zu etablieren. Kapazität-Spannungs-Profile und SOH-Verteilungen für den CALCE-Datensatz (Abbildung 3A), mittlere Spannungsprofile und SOH-Verteilungen für den SANYO-Datensatz (Abbildung 3B), Alterungstrajectorien für den PANASONIC-Datensatz (Abbildung 3C), Spannungsverlauf-Heatmaps für den KOKAM-Datensatz (Abbildung 3D) sowie Spannungsverteilungs-Profile für den GOTION-Datensatz (Abbildung 3E) zeigten deutlich unterschiedliche Degradationsverhalten zwischen den untersuchten Batteriechemien. Beispielsweise wies der GOTION-IFP20100140A-Datensatz stufenartige Spannungscharakteristika auf, die typischerweise mit LFP-Systemen assoziiert werden, während der PANASONIC-NCR18650BD-Datensatz eine fortschreitende Kapazitätsabnahme zeigte, begleitet von Verschiebungen der Spannungsprofile während langzeitlicher Zyklierung.

Datensatz-ID	Batterietyp / Modell	Chemie	Format	Anzahl der Zellen	Insgesamt analysierte Zyklen	Für die frühen Zyklen verwendete Fenster	Abtastpunkte pro Zyklus	Kern-Zyklisierungskanäle	Zusätzliche Zustandskanäle	Abgeleitete Merkmale	Vorhersageziele
Datensatz #1	CALCE LCO-Batterie	LCO	Beutel	38	4.216	Erste 50, erste 100, erste 20 % der Lebensdauer	128	Spannung, Strom, Zeit, Kapazität	Temperatur, Innenwiderstand	dQ/dV, dV/dQ, Ladedauer, Entladeenergie	SOH, RUL, entladbare Energie
Datensatz #2	SANYO UR18650E	NCA	Zylindrisch 18650	24	2.487	Erste 50, erste 100, erste 20 % der Lebensdauer	128	Spannung, Strom, Zeit, Kapazität	Temperatur, Coulomb-Wirkungsgrad	dQ/dV, Steigung der Spannungsplateau, Energieeffizienz	SOH, RUL, entladbare Energie
Datensatz #3	PANASONIC NCR18650BD	NCA	Zylindrisch 18650	42	5.134	Erste 50, erste 100, erste 20 % der Lebensdauer	128	Spannung, Strom, Zeit, Kapazität	Temperatur, Innenwiderstand, Coulomb-Wirkungsgrad	dQ/dV, dV/dQ, Ladedauer, Energieumsatz	SOH, RUL, entladbare Energie
Datensatz #4	KOKAM SLPB533459H4	NMC	Beutel	19	1.968	Erste 50, erste 100, erste 20 % der Lebensdauer	128	Spannung, Strom, Zeit, Kapazität	Temperatur, Innenwiderstand	dQ/dV, Entladedauer, Spannungsanstieg	SOH, RUL, entladbare Energie
Datensatz #5	GOTION IFP20100140A	LFP	Prismatisch	57	6.482	Erste 50, erste 100, erste 20 % der Lebensdauer	128	Spannung, Strom, Zeit, Kapazität	Temperatur, Innenwiderstand, Energieeffizienz	dQ/dV, Plateaudauer, Lade-/Entladeenergie	SOH, RUL, entladbare Energie

Tabelle 1: Merkmale der Lithium-Ionen-Batteriedatensätze, mehrkanaliger Zyklierungsvariablen, generierter Merkmale und Vorhersageziele, die im reproduzierbaren DL-Workflow verwendet wurden. Die Tabelle fasst die in dieser Studie enthaltenen Datensätze zu Lithium-Ionen-Batterien zusammen, einschließlich Batteriechemie, Zellformat, Anzahl der Zellen, gesamte analysierte Zyklen, Beobachtungsfenster, Abtastdichte, mehrkanalige Zyklierungsvariablen, generierte elektrochemische Merkmale und Vorhersageziele, die für die Modellentwicklung und -bewertung verwendet wurden. Abkürzungen: SOH = Zustand der Gesundheit; RUL = verbleibende Nutzungsdauer; LCO = Lithiumkobaltoxid; NCA = Nickel-Kobalt-Aluminium-Oxid; NMC = Nickel-Mangan-Kobalt-Oxid; LFP = Lithiumeisenphosphat.

figure-results-1
Abbildung 3. Repräsentative Multikanal-Ladezyklusprofile und Batteriezustandsverteilungen über verschiedene Lithium-Ionen-Batteriedatensätze hinweg. (A) Kapazitäts-Spannungsprofile und SOH-Verteilungen für den CALCE-Lithium-Kobaltoxid-Datensatz. (B) Mittlere Spannungsprofile und SOH-Verteilungen für den SANYO-Nickel-Kobalt-Aluminiumoxid-Datensatz. (C) Alterungsverläufe und kumulative SOH-Verteilungen für den PANASONIC-Nickel-Kobalt-Aluminiumoxid-Datensatz. (D) Spannungsverlauf-Heatmaps und SOH-Stichprobenverteilungen für den KOKAM-Nickel-Mangan-Kobaltoxid-Datensatz. (E) Spannungsverteilungsprofile sowie SOH in Abhängigkeit vom Innenwiderstand für den GOTION-Lithium-Eisenphosphat-Datensatz. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Gesamte vorhersagende Leistung für die Energiespeicherung

Der vorgeschlagene Workflow zeigte geringe Vorhersagefehler und eine konsistente Vorhersageleistung in allen Evaluierungsaufgaben (Tabelle 2). Bei der SOH-Schätzung erreichte das Modell einen MAE von 0,021 im Validierungsdatensatz und 0,024 im Testdatensatz, mit entsprechenden R²-Werten von 0,962 bzw. 0,955. Diese Ergebnisse deuten auf eine stabile Vorhersageleistung für die kontinuierliche Schätzung des Batteriezustands unter den untersuchten Bedingungen hin. Der Workflow zeigte zudem eine zuverlässige Vorhersagefähigkeit für die Schätzung der verbleibenden Nutzungsdauer (RUL) und der entladbaren Energie und erreichte R²-Werte im Testdatensatz von 0,927 bzw. 0,941. Um die Vorhersagestabilität weiter zu bewerten, wurden alle Leistungsmetriken über fünf unabhängige Modellinitialisierungen hinweg berechnet, wobei identische Datensatzpartitionen verwendet wurden. Die resultierenden Standardabweichungen und Variationskoeffizienten blieben bei wiederholten Auswertungen gering, was auf eine geringe Empfindlichkeit gegenüber stochastischer Initialisierung und ein stabiles Vorhersageverhalten unter wiederholten Trainingsbedingungen hindeutet. Außerdem zeigten die 95-%-Konfidenzintervalle eine geringe Variabilität über wiederholte Durchläufe hinweg, was die Robustheit und Reproduzierbarkeit des vorgeschlagenen mehrkanaligen Workflows untermauert.

Vorhersageaufgabe	Datensatz-Aufteilung	MAE	RMSE	MAPE (%)	R²
SOH-Schätzung	Validierung	0.021	0.029	2.47	0.962
SOH-Schätzung	Test	0.024	0.033	2.83	0.955
RUL-Vorhersage	Validierung	18.6	25.9	8.74	0.938
RUL-Vorhersage	Test	21.4	29.7	9.63	0.927
Vorhersage der entladbaren Energie	Validierung	0.087	0.121	3.18	0.948
Vorhersage der entladbaren Energie	Test	0.094	0.129	3.56	0.941

Tabelle 2: Vorhersagegenauigkeit des reproduzierbaren Deep-Learning-Workflows zur Leistungsabschätzung von Lithium-Ionen-Batterien anhand von Validierungs- und Testdatensätzen. Die Tabelle fasst die Vorhersagegenauigkeit des vorgeschlagenen Workflows für die Schätzung des Gesundheitszustands (SOH), die Vorhersage der verbleibenden Nutzungsdauer (RUL) und die Vorhersage der entladbaren Energie anhand von Validierungs- und Testdatensätzen zusammen. Zu den Leistungskennzahlen gehören der mittlere absolute Fehler (MAE), der quadratische Mittelwert des Fehlers (RMSE), der mittlere absolute prozentuale Fehler (MAPE) und der Determinationskoeffizient (R²). Abkürzungen: SOH = Zustand der Gesundheit; RUL = verbleibende Nutzungsdauer; MAE = mittlerer absoluter Fehler; RMSE = quadratischer Mittelwert des Fehlers; MAPE = mittlerer absoluter prozentualer Fehler.

Leistungsvergleich zwischen verschiedenen Deep-Learning-Architekturen

Die Bewertung anhand verschiedener Netzwerkarchitekturen und Eingabekonfigurationen zeigte erhebliche Unterschiede in der Vorhersagegenauigkeit (Tabelle 3). Die RMSE-Verteilungen vor und nach der auf Reproduzierbarkeit basierenden Architekturauswahl sind in Abbildung 4A dargestellt. Die tiefe neuronale Netzwerkarchitektur wies im Vergleich zu sequenzbasierten und hybriden Architekturen höhere MAE- und RMSE-Werte auf. Der Vergleich verschiedener Multikanal-Eingabekonfigurationen ist in Abbildung 4B zusammengefasst. Modelle, die sowohl lokale Merkmalsextraktion als auch zeitliche Modellierung über Zyklen hinweg beinhalteten, zeigten unter den untersuchten Bedingungen eine verbesserte Vorhersagegenauigkeit. Modelle mit geringerer Vorhersagevariabilität gruppierten sich im Allgemeinen um höhere mittlere Leistungswerte mit reduzierten Standardabweichungen (Abbildung 4C). Die Beziehungen zwischen mittlerer Leistung und Standardabweichung über die evaluierten Eingabekonfigurationen hinweg sind in Abbildung 4D veranschaulicht. Unter den getesteten Konfigurationen erreichte die CNN–LSTM-Architektur den niedrigsten MAE-Wert (0,024) sowie den höchsten R²-Wert (0,955) innerhalb der untersuchten Datensätze und experimentellen Bedingungen. Zudem verringerte die Integration von konstruierten Merkmalen mit vollständigen Multikanal-Eingaben den MAE-Wert auf 0,022 bei einem R²-Wert von 0,961, während Eingaben, die nur Kapazitätsdaten enthielten, eine geringere Vorhersagegenauigkeit aufwiesen.

Kategorie	Modell / Eingabekonfiguration	MAE	RMSE	MAPE (%)	R²
Deep-Learning-Architektur	DNN	0.031	0.042	3.58	0.928
	CNN	0.027	0.037	3.14	0.941
	LSTM	0.026	0.036	3.05	0.944
	CNN–LSTM	0.024	0.033	2.81	0.955
	Transformer	0.025	0.034	2.89	0.951
Eingabekonfiguration	nur Kapazität	0.034	0.046	3.92	0.916
	Spannung + Strom	0.029	0.039	3.29	0.936
	vollständige multikanalige Eingabe	0.024	0.033	2.83	0.955
	multikanalig + extrahierte Merkmale	0.022	0.031	2.61	0.961

Tabelle 3: Vergleich der Vorhersagegenauigkeit verschiedener Deep-Learning-Architekturen und Eingabekonfigurationen. Die Tabelle vergleicht die Vorhersagegenauigkeit unterschiedlicher Deep-Learning-Architekturen und Eingabekonfigurationen, die im reproduzierbaren Mehrkanal-Workflow verwendet wurden. Bewertungskriterien umfassen den mittleren absoluten Fehler (MAE), den quadratischen Mittelwert des Fehlers (RMSE), den mittleren absoluten prozentualen Fehler (MAPE) und den Determinationskoeffizienten (R²). Abkürzungen: DNN = tiefes neuronales Netzwerk; CNN = faltungsbasiertes neuronales Netzwerk; LSTM = langzeitiges Kurzzeitgedächtnis; MAE = mittlerer absoluter Fehler; RMSE = quadratischer Mittelwert des Fehlers; MAPE = mittlerer absoluter prozentualer Fehler.

figure-results-2
Abbildung 4. Reproduzierbarkeitsbasierte Gegenüberstellung von Modellarchitekturen und Eingabekonfigurationen. (A) Verteilungen des mittleren quadratischen Fehlers vor und nach der Auswahl der Architektur basierend auf Reproduzierbarkeit. (B) Verteilungen des mittleren quadratischen Fehlers bei verschiedenen Eingabekonfigurationen vor und nach der Auswahl stabiler Modelle. (C) Vergleich von mittlerer Leistung und Standardabweichung für in Frage kommende Modellarchitekturen, wobei die Farbe den mittleren quadratischen Fehler angibt und offene Kreise die ausgewählten stabilen Modelle markieren. (D) Vergleich von mittlerer Leistung und Standardabweichung für Eingabekonfigurationen, wobei die Farbe den mittleren quadratischen Fehler angibt und offene Kreise die ausgewählten optimalen Konfigurationen markieren. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Fehlerverteilung und Konsistenzbewertung

Absolute Fehlerverteilungen wurden analysiert, um die Vorhersagestabilität bei herkömmlichen ML-Basismodellen und DL-Architekturen zu bewerten. Traditionelle ML-Basismodelle wiesen breitere Fehlerverteilungen und längere Schwanzbereiche bei hohen Fehlern auf, was auf eine geringere Stabilität bei komplexen Aufgaben der Vorhersage von Abbaumustern hindeutet. Unter den evaluierten DL-Modellen zeigte die CNN–LSTM-Architektur vergleichsweise engere Fehlerverteilungen und kürzere Schwanzbereiche bei hohen Fehlern, was auf eine verbesserte Integration der lokalen Merkmalsextraktion und der Modellierung zeitlicher Sequenzen schließen lässt (Abbildung 5). Die Einbeziehung von Variablen wie Temperatur, Innenwiderstand und Effizienz war mit fortschreitenden Verringerungen der Streuung der Vorhersagefehler über die evaluierten Datensätze hinweg verbunden.

figure-results-3
Abbildung 5. Verteilungen der absoluten Fehler für herkömmliche Machine-Learning-(ML-)Basismodelle und multikanale DL-Modelle. Violin-Diagramme zum Vergleich der Verteilungen der absoluten Vorhersagefehler bei herkömmlichen ML-Basismodellen, DL-Architekturen und multikanalen Eingabekonfigurationen. Schwarze Linien zeigen den mittleren absoluten Fehler an, farbige Linien zeigen Mittelwert ± Standardabweichung. Klicken Sie bitte hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Reproduzierbarkeit und Robustheit über verschiedene Validierungsszenarien hinweg

Der Workflow zeigte über wiederholte Trainingsdurchläufe und mehrere Validierungsstrategien hinweg eine konsistente Vorhersageleistung (Tabelle 4). Wiederholte Durchläufe, die mit festgelegten Datenaufteilungen und fester Zufallsinitialisierung durchgeführt wurden, ergaben stabile Leistungsmetriken, wobei die R²-Werte durchgängig über 0,95 lagen und die Standardabweichungen des MAE gering waren. Zusätzliche Bewertungen mittels Fünf-Fold-Kreuzvalidierung und externen Validierungsdatensätzen zeigten nur geringe Leistungsschwankungen unter wiederholten experimentellen Bedingungen. Die externe Validierungsphase nutzte ausschließlich den GOTION-Datensatz, der vollständig von der Modelltrainings- und Hyperparameter-Optimierungsprozedur ausgeschlossen blieb. Da dieser Datensatz eine andere LFP-Chemie und prismatische Zellenkonfiguration repräsentiert, ermöglichte die externe Bewertung eine strenge Prüfung der Generalisierungsfähigkeit über Datensätze hinweg unter heterogenen elektrochemischen und strukturellen Bedingungen. Darüber hinaus zeigten Analysen des Variationskoeffizienten und Bewertungen wiederholter Durchläufe eine geringe Streuung der Vorhersagen in unabhängigen Experimenten, was die Robustheit und Reproduzierbarkeit des vorgeschlagenen Mehrkanal-Workflows untermauert.

Validierungseinstellung	Leistungskennzahl	Mittelwert	SD	Minimum	Maximum	Variationskoeffizient (%)
Wiederholte Durchläufe mit fester Datenaufteilung (n = 5)	MAE	0.023	0.0021	0.021	0.026	9.13
	RMSE	0.032	0.0028	0.029	0.036	8.75
	MAPE (%)	2.76	0.24	2.48	3.11	8.7
	R²	0.957	0.006	0.949	0.964	0.63
Wiederholte Durchläufe mit verschiedenen Zufallszahlen (n = 5)	MAE	0.024	0.0024	0.021	0.027	10
	RMSE	0.033	0.0031	0.029	0.037	9.39
	MAPE (%)	2.84	0.27	2.52	3.19	9.51
	R²	0.954	0.007	0.946	0.962	0.73
Fünffache Kreuzvalidierung	MAE	0.025	0.003	0.022	0.029	12
	RMSE	0.034	0.0034	0.03	0.039	10
	MAPE (%)	2.95	0.31	2.57	3.41	10.51
	R²	0.951	0.009	0.94	0.961	0.95
Externe Validierung	MAE	0.027	0.0032	0.023	0.031	11.85
	RMSE	0.037	0.0038	0.032	0.042	10.27
	MAPE (%)	3.18	0.35	2.76	3.67	11.01
	R²	0.944	0.011	0.931	0.956	1.17

Tabelle 4: Analyse der Reproduzierbarkeit und Robustheit des vorgeschlagenen mehrkanaligen DL-Workflows über wiederholte Trainingsläufe und Validierungsstrategien hinweg. Die Tabelle fasst die Leistung des vorgeschlagenen Workflows hinsichtlich Reproduzierbarkeit und Robustheit bei wiederholten Läufen mit festen Datenaufteilungen, wiederholten Läufen mit unterschiedlichen Zufallsseeds, einer Fünf-Fold-Kreuzvalidierung und einer externen Validierung zusammen. Die verwendeten Leistungskennzahlen umfassen den mittleren absoluten Fehler (MAE), den quadratischen Mittelwert der Abweichungen (RMSE), den mittleren absoluten prozentualen Fehler (MAPE), das Bestimmtheitsmaß (R²), die Standardabweichung (SD) und den Variationskoeffizienten. Abkürzungen: MAE = mittlerer absoluter Fehler; RMSE = quadratischer Mittelwert der Abweichungen; MAPE = mittlerer absoluter prozentualer Fehler; SD = Standardabweichung.

Empfindlichkeit gegenüber Hyperparametern und Ablation von Merkmalen

Die Hyperparameter-Sensitivitätsanalyse zeigte, dass die Vorhersageleistung je nach Größe des Beobachtungsfensters, verwendeter Aktivierungsfunktion, Größe der versteckten Dimensionen und Tiefe des Sequenzmodells variierte. Der Einfluss der Größe des Beobachtungsfensters auf die Verteilung der Vorhersagefehler ist in Abbildung 6A dargestellt. Unter den untersuchten Bedingungen waren Beobachtungsfenster zwischen 100 und 200 Zyklen mit geringeren Vorhersagefehlern verbunden, während längere Beobachtungsfenster nur noch geringfügige Verbesserungen der Vorhersagegenauigkeit zeigten. Die abhängige Vorhersagevariabilität von der Aktivierungsfunktion ist in Abbildung 6B zusammengefasst. Die Rektifizierte Lineare Einheit (ReLU) und die Gaußsche Fehler-Lineare Einheit (GELU) wiesen unter den untersuchten Bedingungen geringere Vorhersagefehler im Vergleich zu alternativen Aktivierungsfunktionen auf. Die Empfindlichkeit der Vorhersageleistung gegenüber der Größe der versteckten Dimensionen und der Tiefe des Sequenzmodells ist in Abbildung 6C dargestellt. Versteckte Dimensionen mit einer Größe von 128 sowie zwei bis drei Schichten zur Sequenzmodellierung waren mit einer verbesserten Vorhersageleistung verbunden, während flache Architekturen und reduzierte versteckte Dimensionen mit höheren Vorhersagefehlern einhergingen. Eine Merkmalsablationsanalyse zeigte zudem, dass das Entfernen konstruierter Merkmale oder effizienzbezogener Variablen den MAE im Vergleich zur vollständigen Multikanal-Konfiguration erhöhte (Tabelle 5), was darauf hindeutet, dass kombinierte Multikanal-Eingaben und konstruierte elektrochemische Merkmale zur Verbesserung der Vorhersageleistung beigetragen haben.

figure-results-4
Abbildung 6. Empfindlichkeit der Vorhersageleistung gegenüber Variationen der Hyperparameter. (A) Einfluss der Größe des Eingabefensters auf die Verteilung des Vorhersagefehlers. (B) Einfluss der Auswahl der Aktivierungsfunktion auf die Verteilung des Vorhersagefehlers. (C) Wärmekarte, die die Empfindlichkeit der Vorhersage gegenüber der Größe der versteckten Dimension und der Anzahl der Schichten im Sequenzmodell zeigt. Schwarze Linien kennzeichnen den mittleren absoluten Fehler, farbige Linien zeigen den Mittelwert ± Standardabweichung, wo zutreffend. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Kategorie	Einstellung	MAE	RMSE	MAPE (%)	R²
Eingabefenstergröße	20 Zyklen	0.031	0.043	3.74	0.927
	50 Zyklen	0.026	0.036	3.08	0.944
	100 Zyklen	0.023	0.032	2.71	0.957
	150 Zyklen	0.022	0.031	2.63	0.96
	200 Zyklen	0.022	0.031	2.59	0.961
	250 Zyklen	0.023	0.032	2.67	0.958
	300 Zyklen	0.024	0.033	2.79	0.955
Aktivierungsfunktion	ReLU	0.023	0.032	2.74	0.957
	GELU	0.022	0.031	2.61	0.961
	Tanh	0.026	0.036	3.05	0.946
	Sigmoid	0.034	0.047	3.96	0.918
Versteckte Dimension / Kanäle pro Schicht	32	0.028	0.039	3.22	0.939
	64	0.024	0.033	2.81	0.954
	128	0.022	0.031	2.58	0.961
	256	0.023	0.032	2.69	0.958
Anzahl der Sequenzmodellierungsschichten	1	0.027	0.038	3.14	0.942
	2	0.023	0.032	2.73	0.956
	3	0.022	0.031	2.6	0.961
	4	0.024	0.034	2.86	0.952
Feature-Ablation	Vollständige Multikanal- + extrahierte Merkmale	0.022	0.031	2.61	0.961
	Ohne extrahierte Merkmale	0.024	0.033	2.84	0.955
	Ohne Temperatur	0.025	0.034	2.93	0.951
	Ohne innere Widerstände	0.026	0.035	3.01	0.949
	Ohne leistungsbezogene Variablen	0.025	0.034	2.95	0.95
	Nur Spannung + Strom	0.029	0.039	3.29	0.936
	Nur Kapazität	0.034	0.046	3.92	0.916

Tabelle 5: Sensitivitätsanalyse der Modellleistung unter verschiedenen Hyperparameter-Einstellungen und Feature-Ablations-Konfigurationen. Die Tabelle fasst die Auswirkungen der Eingabefenstergröße, Aktivierungsfunktion, Größe der versteckten Dimension, Tiefe des Sequenzmodells und Strategien zur Feature-Ablation auf die Vorhersageleistung im vorgeschlagenen multikanaligen DL-Workflow zusammen. Zu den Leistungskennzahlen gehören der mittlere absolute Fehler (MAE), der quadratische Mittelwert des Fehlers (RMSE), der mittlere absolute prozentuale Fehler (MAPE) und der Determinationskoeffizient (R²). Abkürzungen: MAE = mittlerer absoluter Fehler; RMSE = quadratischer Mittelwert des Fehlers; MAPE = mittlerer absoluter prozentualer Fehler; ReLU = rectified linear unit; GELU = Gaussian error linear unit.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Der in diesem Protokoll beschriebene reproduzierbare DL-Workflow zeigte genaue Vorhersagen der Leistung von Lithium-Ionen-Batterien anhand von mehrkanaligen Zyklen-Daten. Der Workflow erreichte einen Test-MAE-Wert von 0,024 und einen R²-Wert von 0,955 bei der Schätzung des SOH unter den untersuchten experimentellen Bedingungen, was seine potenzielle Nützlichkeit für das Management des Batterielebenszyklus sowie für Anwendungen in der Überwachung von Energiespeichern untermauert¹¹^,¹²^,¹³.

Ein wesentlicher Vorteil dieses Protokolls besteht in der Verringerung der rechnerischen Komplexität im Vergleich zu traditionellen elektrochemisch-physikalischen PDE-Modellen⁵. Obwohl physikbasierte Ansätze mechanistische Einblicke in den Batterieverschleiß ermöglichen, stoßen sie häufig auf Herausforderungen bei der Parameteridentifikation unter Bedingungen mit hohen Entladeströmen und in mehrkanaligen Betriebsumgebungen. Demgegenüber modelliert der vorgestellte datengetriebene Workflow das nichtlineare Verschleißverhalten direkt aus Zyklen-Daten, ohne eine explizite, auf der Zellchemie basierende Parametrisierung zu erfordern¹⁴. Innerhalb der ausgewerteten Datensätze und experimentellen Rahmenbedingungen zeigte die CNN–LSTM-Architektur eine verbesserte Vorhersageleistung im Vergleich zu den evaluierten reinen CNN-, LSTM- und transformerbasierten Modellen. Jüngste Studien haben die Wirksamkeit von Transformer-Architekturen für die Verschleißvorhersage mit Unsicherheitsabschätzung nachgewiesen¹⁵ sowie die Fähigkeit von CNNs zur datenschutzfreundlichen Vorhersage von Batteriefehlern anhand heterogener Ladedaten¹⁶. Die CNN–LSTM-Architektur wurde jedoch im vorliegenden Workflow bevorzugt, da sie unter den evaluierten Laborbedingungen eine ausgewogene Kombination aus Vorhersagegenauigkeit, rechnerischer Effizienz und Trainingsstabilität bietet. Die faltenden Schichten extrahierten lokalisierte morphologische Merkmale aus den Zyklenkurven, während die LSTM-Schichten langreichweitige zeitliche Abhängigkeiten über wiederholte Zyklenmuster hinweg modellierten¹⁷^,¹⁸. Obwohl die hybride Architektur die Modellkomplexität im Vergleich zu Einzelnetzwerken erhöht, blieben die rechnerischen Anforderungen unter den evaluierten experimentellen Bedingungen mit praktischen Szenarien für den Einsatz in Batteriemanagementsystemen vereinbar. Da der Großteil des Rechenaufwands während des Offline-Trainings des Modells entsteht, bleibt die Inferenzphase vergleichsweise gering belastet, was die Machbarkeit einer Echtzeit-Onboard-Vorhersage und einer Batteriezustandsüberwachung auf Edge-Ebene unterstützt, ohne kontinuierlich auf Cloud-basierte Berechnungen angewiesen zu sein.

Die Leistung dieses Protokolls hängt stark von mehreren kritischen Vorverarbeitungs- und Eingabekonfigurationsschritten ab. Zunächst sind strenge Sequenzalignierungs- und Resampling-Verfahren (Schritt 2.2) entscheidend, um die zeitlichen Beziehungen zwischen mehrkanaligen Zykelsignalen zu bewahren. Bei vorläufigen Bewertungen zeigte sich, dass fehlerhafte Ausrichtung mehrkanaliger Sequenzen mit einer verringerten Vorhersagestabilität und erhöhtem Modellfehler verbunden war. Zweitens trug die Integration konstruierter elektrochemischer Merkmale, wie differenzielle Spannungscharakteristika, zusammen mit den rohen Zykelsignalen zu einer verbesserten Vorhersageleistung bei. Die Merkmalsablationsanalyse ergab geringere Werte des mittleren absoluten Fehlers, wenn konstruierte Merkmale gemeinsam mit Temperatur- und Innenwiderstandsvariablen beibehalten wurden¹⁹. Darüber hinaus verbesserte die Kombination konstruierter elektrochemischer Deskriptoren mit mehrkanaligen zeitlichen Merkmalen die Fähigkeit des Modells, komplexe Degradationsmuster unter unterschiedlichen Betriebsbedingungen abzubilden²⁰^,²¹^,²². Eine entscheidende methodische Absicherung, die in dieser Studie implementiert wurde, war die strikte Trennung der Normalisierungsskalierungsfaktoren und der Basislinien für die Merkmalskonstruktion. Alle statistischen Normalisierungsparameter und Berechnungen konstruierter Merkmale wurden ausschließlich aus dem Trainingsdatensatz abgeleitet, bevor sie auf die Validierungs- und Testdatensätze angewendet wurden. Dieses Vorgehen verringerte das Risiko von Informationslecks während der Frühzyklusprognose und der Quervergleichs-Evaluation über Datensätze hinweg und verbesserte somit die Zuverlässigkeit und Reproduzierbarkeit des Vorhersagewerkzeugs.

Bei der Durchführung oder Modifizierung dieses Protokolls können Instabilitäten während des Trainings oder gradientenbezogene Probleme während der CNN–LSTM-Optimierung auftreten. Verlustfunktionen, die nicht konvergieren oder NaN-Werte erzeugen, können auf eine Gradientenexplosion in den rekurrenten Schichten zur Modellierung von Sequenzen hinweisen. In solchen Fällen können Gradient Clipping, eine Verringerung der anfänglichen Lernrate von 1 × 10⁻³ auf 1 × 10⁻⁴ oder moderate Erhöhungen der Batch-Größe die Trainingsstabilität verbessern, indem sie die Gradientenaktualisierungen glätten. Außerdem zeigten Aktivierungsfunktionen wie ReLU und GELU im Vergleich zu sigmoiden oder hyperbolisch-tangensbasierten Aktivierungsfunktionen eine verbesserte Gradientenweiterleitung während der tiefen Modellierung zeitlicher Sequenzen. Die in dieser Studie vorgestellten Analysen zur Empfindlichkeit gegenüber Hyperparametern können Forschern daher dabei helfen, die Stabilität des Workflows und die Vorhersageleistung unter verschiedenen Trainingsbedingungen zu optimieren²³.

Trotz der unter den evaluierten Bedingungen erzielten Vorhersageleistung weist dieses Protokoll mehrere Einschränkungen auf. Der derzeitige Arbeitsablauf wurde hauptsächlich anhand von unter Laborbedingungen kontrollierten Datensätzen mit konstantem Strom/konstanter Spannung validiert. In praktischen Anwendungen bei Elektrofahrzeugen sind Batterien stochastischem Lade- und Entladeverhalten, variablen Nutzerbetriebsmustern und wechselnden Umweltbedingungen ausgesetzt, die die Degradationscharakteristika verändern können. Unter solchen dynamischen Betriebsbedingungen könnten datenbasierte Batteriemodelle auf Verteilungsszenarien stoßen, bei denen zuvor nicht beobachtete Degradationsverläufe oder Umweltbedingungen die Vorhersagesicherheit beeinträchtigen. Um die Robustheit in praktischen Einsatzumgebungen zu verbessern, könnten zukünftige Implementierungen dieses Arbeitsablaufs Strategien zur Unsicherheitsquantifizierung integrieren, wie beispielsweise evidenzbasiertes Deep Learning oder Quantilregressions-Modelle, um kalibrierte Konfidenzintervalle zusammen mit den Vorhersagen zum Batteriezustand bereitzustellen. Außerdem könnten Ansätze zur Domänenanpassung und zum Transferlernen helfen, die Verteilungslücke zwischen im Labor erzeugten Degradationsverläufen und realen Zyklen zu überbrücken²⁴. Strategien wie federatives Lernen oder dynamisch gewichtetes Transferlernen könnten darüber hinaus das Vorab-Training des Modells mithilfe großer Labordatensätze unterstützen, gefolgt von einer Feinabstimmung mit begrenzten realen Betriebsdaten, wobei die Privatsphäre der Nutzerdaten gewahrt bleibt²⁵. Obwohl der aktuelle Rahmen unter kontrollierten Laborbedingungen eine stabile Vorhersageleistung zeigte, müssen praktische Batteriemanagementsysteme (BMS) in Elektrofahrzeugen unter stark wechselnden Lastprofilen und schwankenden Umgebungstemperaturen arbeiten. Zukünftige Anpassungen dieses Arbeitsablaufs könnten daher von der Einbindung realistischer Fahrzyklusdaten und Strategien für die Online-Modellaktualisierung profitieren, um die Zuverlässigkeit der Vorhersagen im realen Einsatz zu verbessern.

Durch die Standardisierung von Datenpartitionierung, Vorverarbeitung, Merkmalsextraktion und Verfahren zur Initialisierung von Zufallszahlen-Saatwerten verbessert dieses Protokoll die Reproduzierbarkeit innerhalb angewandter maschineller Lern-Workflows für Batterien²⁶. Die hier vorgestellte Multikanal-Merkmalsintegrationsstrategie und der auf Reproduzierbarkeit ausgerichtete Trainingsrahmen könnten die zukünftige Entwicklung vorhersagender BMS für die Speicherung erneuerbarer Energien, die Überwachung von Elektrofahrzeugen sowie die langfristige Bewertung des Batterielebenszyklus unterstützen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren erklären keine konkurrierenden finanziellen Interessen oder Interessenkonflikte.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren danken der institutionellen Unterstützung durch die Abteilung für Physik an der Southern University of Science and Technology und dem Homerton College der University of Cambridge, die das akademische Umfeld und die Rechenressourcen bereitgestellt haben, die für diese Forschung erforderlich waren. Die Autoren danken außerdem den Forschungseinrichtungen und Beiträgern, die die Open-Access-Datensätze zu Lithium-Ionen-Batterien, einschließlich CALCE, SANYO, PANASONIC, KOKAM und GOTION, öffentlich zugänglich gemacht haben, wodurch diese umfassende multikanalige Analyse ermöglicht wurde.

Materialien

Liste der in diesem Artikel verwendeten Materialien
Name	Unternehmen	Katalognummer	Kommentare
CALCE-Batteriedatensatz	Zentrum für fortschrittliches Lebenszyklus-Engineering (CALCE), University of Maryland	https://calce.umd.edu/battery-data	Quelle für multikanalige Lithium-Ionen-Batterie-Zyklen-Daten zur Modelltrainierung und -validierung
CUDA Toolkit	NVIDIA	Version 11.8	GPU-Beschleunigung für das Training von Deep-Learning-Modellen
GOTION IFP20100140A-Datensatz	Mendeley Data	https://doi.org/10.17632/vpw4t7ytbx.2	Externe Validierung und Analyse des multikanaligen Batteriealterungsverhaltens
KOKAM SLPB533459H4-Datensatz	Mendeley Data	https://doi.org/10.17632/7w4y4fzzbb.1	Modellierung und Validierung des multikanaligen Batteriealterungsverhaltens
Matplotlib	Matplotlib-Entwicklungsteam	Version 3.7.1	Visualisierung der Modellleistung, Sensitivitätsanalyse und Reproduzierbarkeitsergebnisse
NumPy	NumPy-Entwickler	Version 1.24.3	Numerische Berechnungen und Tensorerstellung
PANASONIC NCR18650BD-Datensatz	Mendeley Data	https://doi.org/10.17632/wykht8y7tg.1	Quelle für multikanalige Zyklen-Daten und extrahierte Merkmale
Pandas	Pandas-Entwickler	Version 2.0.3	Datenorganisation, Vorverarbeitung und Verwaltung tabellarischer Daten
PyTorch	PyTorch Foundation	Version 2.0.1	Erstellung und Training von Deep-Learning-Architekturen, einschließlich des CNN–LSTM-Modells
Python	Python Software Foundation	Version 3.10.12	Datenvorverarbeitung, Merkmalsengineering, Modelltraining und -bewertung
SANYO UR18650E-Datensatz	NASA Prognostics Data Repository	https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/	Quelle für multikanalige Zyklen-Daten zur Bewertung der Reproduzierbarkeit und Modellvalidierung
Scikit-learn	Scikit-learn-Entwickler	Version 1.2.2	Implementierung von Basislinienmodellen, Datensatz-Aufteilung und Berechnung von Leistungsmetriken

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Lu J, Xiong R, Tian J. Deep learning to estimate lithium-ion battery state of health without additional degradation experiments. Nat Commun. 2023;14:2760.
Zhang H, Li Y, Zheng S. Battery lifetime prediction across diverse ageing conditions with inter-cell deep learning. Nat Mach Intell. 2025;7:270–7.
Zhang Y, et al. State-of-health estimation for lithium-ion batteries via incremental energy analysis and hybrid deep learning model. Batteries. 2025;11(6):217.
Liu C, et al. Deep learning for state of health estimation of lithium-ion batteries in electric vehicles: A systematic review. Energies. 2025;18(6):1463.
Chen C, Wei J, Li Z. Remaining useful life prediction for lithium-ion batteries based on a hybrid deep learning model. Processes. 2023;11(8):2333.
Chen B, et al. Lithium-ion battery state of health estimation based on feature reconstruction and Transformer-GRU parallel architecture. Energies. 2025;18(5):1236.
Zhao W, Ding W, Zhang S, Zhang Z. Enhancing lithium-ion battery lifespan early prediction using a multi-branch vision transformer model. Energy. 2024;302:131816.
Hu J, et al. Early prediction of lithium-ion battery degradation with a generative pre-trained transformer. Nat Commun. 2026;17:126.
Li Y, et al. Accurate and adaptive state of health estimation for lithium-ion battery based on patch learning framework. Measurement. 2025;250:117083.
Geng M, et al. Interpretable deep learning with uncertainty quantification for lithium-ion battery SOH estimation. Energy. 2025;335:138027.
Li Y, et al. State-of-health prediction of lithium-ion batteries using feature fusion and a hybrid neural network model. Energy. 2025;319:135163.
Zhou J, et al. Deep learning estimation of state of health for lithium-ion batteries using multi-level fusion features of discharge curves. J Power Sources. 2025;653:237781.
Wang Y, et al. A comprehensive review of machine learning-based state of health estimation for lithium-ion batteries: Data, features, algorithms, and future challenges. Renew Sustain Energy Rev. 2025;224:116125.
Severson KA, et al. Data-driven prediction of battery cycle life before capacity degradation. Nat Energy. 2019;4(5):383–91.
Wu R, et al. Confidence-aware quantile Transformer for reliable degradation prediction of battery energy storage systems. Reliab Eng Syst Saf. 2025;260:111019.
Yang H, et al. Privacy-preserving collaborative battery fault warning for massive electric vehicles by heterogeneous data from charging stations. Nat Commun. 2026;17:974.
Liu Y, et al. A hybrid deep learning approach for remaining useful life prediction of lithium-ion batteries based on discharging fragments. Appl Energy. 2024;358:122555.
Bockrath S, Lorentz V, Pruckner M. State of health estimation of lithium-ion batteries with a temporal convolutional neural network using partial load profiles. Appl Energy. 2023;329:120307.
Zhang Z, et al. Multi-cycle charging information guided state of health estimation for lithium-ion batteries based on pre-trained large language model. Energy. 2024;313:133993.
Li Z, Zhang X, Gao W. State of health estimation of lithium-ion battery during fast charging process based on BiLSTM-Transformer. Energy. 2024;311:133418.
Bao X, et al. Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries. Energy. 2023;278:127734.
He N, et al. Early prediction of battery lifetime based on graphical features and convolutional neural networks. Appl Energy. 2024;353:122048.
Rieger LH, et al. Uncertainty-aware and explainable machine learning for early prediction of battery degradation trajectory. Digit Discov. 2023;2(1):112–22.
Li H, et al. A cross-material lithium-ion battery state of health estimation method based on three-stage domain adaptation. Energy. 2025;139376.
Han T, et al. Source-free dynamic weighted federated transfer learning for state-of-health estimation of lithium-ion batteries with data privacy. IEEE Trans Power Electron. 2024;39(11):15085–100.
Rhyu J, et al. Systematic feature design for cycle life prediction of lithium-ion batteries during formation. Joule. 2025;9(5):101884.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Vorhersage der Batterieleistung neuronale Netzwerkmodelle Feature Engineering Gesundheitszustand verbleibende Nutzungsdauer Batterielebezyklusmanagement pr diktive Modellierung

Ein reproduzierbarer Deep-Learning-Workflow zur Vorhersage der Leistung von Lithium-Ionen-Batterien unter Verwendung von Mehrkanal-Zyklusdaten

In diesem Artikel

Zusammenfassung

Zusammenfassung

Einleitung

Protokoll

Ergebnisse

Diskussion

Offenlegungen

Danksagungen

Materialien

Referenzen

Nachdrucke und Genehmigungen

Schlagwörter

Verwandte Artikel