Article de méthode

Un flux de travail d'apprentissage profond reproductible pour prédire les performances des batteries lithium-ion à l'aide de données de cyclage multicanaux

DOI :

10.3791/71903

⸱

14 août 2026

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

Dans cet article

Résumé

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

Ce protocole présente un flux de travail reproductible basé sur l'apprentissage profond utilisant des données cycliques multicanal et des caractéristiques conçues pour prédire l'état de santé, la durée de vie utile restante et les performances de stockage d'énergie des batteries lithium-ion.

Résumé

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

Ce protocole présente un flux de travail reproductible basé sur l'apprentissage profond pour prédire les performances des batteries lithium-ion à l'aide de données cycliques multicanal. Afin de surmonter les limites des modèles basés sur les données existants en matière d'intégration d'informations multisources et de représentation des caractéristiques, la méthode utilise cinq jeux de données publics sur les batteries. Les entrées comprennent les signaux opérationnels bruts, tels que la tension, le courant, la capacité, la température, la résistance interne, ainsi que l'efficacité coulombique et énergétique, combinés à des caractéristiques élaborées telles que la capacité incrémentielle, la tension différentielle et le flux énergétique. Le protocole décrit des procédures standardisées de prétraitement permettant de construire des tenseurs temporels au niveau des batteries sur plusieurs fenêtres d'observation. Afin d'améliorer la reproductibilité, le flux de travail évalue différentes architectures de réseaux neuronaux candidates, notamment des réseaux neuronaux profonds, des réseaux neuronaux convolutifs (CNN), des réseaux à mémoire à long court terme (LSTM), des modèles CNN–LSTM et des modèles basés sur des transformateurs, en utilisant des graines aléatoires fixes, des exécutions d'évaluation répétées et un suivi de l'environnement. Les résultats représentatifs ont montré que l'architecture CNN–LSTM intégrant des données multicanal et des caractéristiques élaborées atteignait des performances prédictives favorables parmi les modèles évalués. La configuration sélectionnée a obtenu une erreur absolue moyenne de 0,024 et une valeur R2 de 0,955 pour l'estimation de l'état de santé, tout en conservant de hautes performances prédictives pour l'estimation de la durée de vie restante et de l'énergie déchargeable. Des analyses d'ablation et de robustesse ont en outre mis en évidence la contribution de l'intégration des caractéristiques multicanal et la stabilité du flux de travail axé sur la reproductibilité lors d'évaluations répétées. Cette méthodologie standardisée fournit un cadre reproductible pour la gestion du cycle de vie des batteries et la modélisation prédictive dans diverses conditions de fonctionnement.

Introduction

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

Les batteries au lithium-ion jouent un rôle central dans la transition mondiale vers les énergies renouvelables en raison de leur densité énergétique élevée, de leur longue durée de cycle et de leurs faibles taux d'autodécharge dans des applications allant de l'électronique portable aux systèmes de stockage d'énergie à l'échelle du réseau. Toutefois, une utilisation prolongée entraîne inévitablement une dégradation progressive de la capacité et une augmentation de la résistance interne1. Cette baisse de performance réduit non seulement la viabilité économique, mais introduit également de graves risques pour la sécurité, notamment le déclenchement thermique. Alors que le déploiement de systèmes de stockage d'énergie à grande échelle continue de s'accélérer, la gestion du cycle de vie des batteries devient de plus en plus complexe2. Les protocoles traditionnels de surveillance basés sur des seuils et les inspections manuelles s'avèrent insuffisants dans des environnements de fonctionnement dynamiques3. De plus, le recours à un seul paramètre ne permet pas de prédire avec précision l'état de santé (SOH) ou la durée de vie résiduelle (RUL) des batteries soumises à des variations des taux de charge-décharge, des températures ambiantes et des tensions de décharge4. Bien que le flux de travail actuel ait été principalement validé à l'aide de jeux de données de cyclage contrôlés en laboratoire, l'architecture multicanal et le cadre de modélisation temporelle pourraient permettre une adaptation future aux conditions de fonctionnement dynamiques rencontrées dans les applications des véhicules électriques et dans des environnements environnementaux variables.

La dégradation des batteries est un processus électrochimique hautement complexe et non linéaire, provoqué par la croissance de l'interphase solide-électrolyte, la perte de lithium actif et la détérioration structurale des matériaux d'électrode. Historiquement, l'estimation d'état s'est appuyée sur des modèles équivalents de circuits ou sur des équations aux dérivées partielles (EDP) électrochimiques et physiques5. Bien que ces modèles physiques fournissent des informations mécanistiques précieuses, ils souffrent d'une charge de calcul importante et de difficultés d'identification des paramètres lors du traitement de signaux couplés multicanal. Par conséquent, leur mise en œuvre en temps réel dans des systèmes embarqués de gestion de batterie (BMS) est fortement limitée par la complexité des cinétiques de diffusion et la variabilité environnementale dans des conditions de décharge à haut débit6. En revanche, le flux de travail basé sur l'apprentissage profond (DL) proposé concentre la majeure partie de la charge de calcul dans la phase d'entraînement hors ligne, tandis que le modèle entraîné effectue une inférence relativement rapide lors du déploiement. Ce cadre pourrait donc permettre une mise en œuvre future dans des BMS à ressources limitées et dans des environnements de calcul en périphérie.

Récemment, les approches d'apprentissage profond (DL) fondées sur les données se sont imposées comme des outils puissants en raison de leurs capacités exceptionnelles de modélisation non linéaire. Néanmoins, les méthodologies actuelles d'apprentissage profond présentent deux limitations majeures. Premièrement, de nombreuses approches s'appuient principalement sur des courbes de dégradation de capacité unique ou sur des seuils spécifiques de tension de décharge, tout en négligeant les corrélations spatiotemporelles inhérentes aux réponses cycliques multicanal, telles que la tension, le courant et la température. Cette limitation réduit la robustesse du modèle dans des scénarios de fonctionnement à multiples conditions7. Des études antérieures ont montré que la non-prise en compte des états thermiques lors d'opérations complexes peut accélérer l'accumulation d'erreurs de prédiction8,9. Deuxièmement, un défi persistant de reproductibilité existe dans le domaine de l'apprentissage automatique (ML). Les variations des conditions expérimentales, les pipelines de prétraitement insuffisamment décrits et le choix arbitraire des hyperparamètres des réseaux de neurones entraînent fréquemment l'échec de modèles pourtant robustes lors de la validation croisée entre jeux de données10. Afin de réduire le risque de fuite d'information durant le prétraitement et la prévision précoce des cycles, le flux de travail proposé détermine les facteurs d'échelle de normalisation et les références des caractéristiques élaborées exclusivement à partir des jeux de données d'entraînement, avant toute validation externe ou évaluation croisée entre jeux de données.

Pour combler ces lacunes essentielles, l'objectif général de ce protocole est de présenter un flux de travail d'apprentissage profond (DL) automatisé et hautement reproductible permettant de prédire les performances de stockage d'énergie des batteries lithium-ion à l'aide de données cycliques multicanal. La logique sous-jacente à cette méthode consiste à capturer explicitement les dépendances complexes à long terme associées à la dégradation des batteries en intégrant des données de séries chronologiques cross-modales au sein d'une architecture de réseau neuronal en haute dimension. Un avantage majeur de ce protocole par rapport aux approches existantes basées sur la physique ou l'apprentissage profond réside dans sa standardisation globale, qui établit un pipeline complet allant du prétraitement des signaux bruts à l'ingénierie des caractéristiques, en passant par l'entraînement du modèle et l'évaluation de l'incertitude. Bien que des architectures hybrides de réseaux neuronaux aient déjà été étudiées auparavant, le flux de travail actuel met l'accent sur une intégration multicanal standardisée en alignant les variables électrochimiques de cyclage avec des caractéristiques de dégradation conçues dans un cadre d'entraînement axé sur la reproductibilité. Contrairement à de nombreux flux de travail précédemment rapportés, ce protocole intègre des configurations standardisées de paramètres, des graines aléatoires fixes, des exécutions d'évaluation répétées et un suivi complet de l'environnement afin d'améliorer la reproductibilité sur des jeux de données de batteries hétérogènes et dans différents contextes de laboratoire. En outre, le flux de travail compare systématiquement plusieurs architectures de réseaux neuronaux afin d'évaluer la stabilité prédictive et les performances selon différentes configurations d'entrée. Dans les jeux de données et les conditions expérimentales évalués, l'architecture combinant réseau neuronal convolutif et mémoire à long court terme (CNN–LSTM) a montré des performances prédictives favorables par rapport aux modèles CNN autonomes et aux modèles basés sur des transformeurs évalués, en combinant l'extraction de caractéristiques locales avec la modélisation de séquences temporelles à longue portée, tout en conservant une complexité computationnelle modérée. Ce protocole convient particulièrement aux chercheurs et ingénieurs souhaitant développer des modèles prédictifs reproductibles et adaptatifs à l'environnement pour la gestion du cycle de vie des batteries.

Protocole

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

Une approbation éthique institutionnelle n'était pas requise pour cette étude, car la recherche a utilisé exclusivement des ensembles de données publics sur le cyclage des batteries lithium-ion et n'a impliqué aucun participant humain, sujet animal ou échantillon biologique.

1. Acquisition et organisation des données

  1.  Acquérir des jeux de données multicanal de cyclage
    1. Téléchargez des jeux de données de cyclage de batteries lithium-ion à partir de référentiels publics contenant des enregistrements de charge-décharge. Obtenez directement les jeux de données CALCE, SANYO, PANASONIC, KOKAM et GOTION à partir des référentiels en libre accès de leurs institutions respectives ou via les liens d'identifiant d'objet numérique afin de maintenir la cohérence des versions des jeux de données.
    2. Sélectionnez des échantillons de batteries contenant un nombre complet de cycles, des mesures de capacité et au moins une courbe continue de charge-décharge. Vérifiez la continuité en confirmant qu'aucune interruption dépassant deux heures ne se produit au sein d'un cycle unique et que les phases à courant constant et à tension constante sont entièrement enregistrées.
  2. Filtrer les enregistrements bruts de cyclage
    1. Filtrez les enregistrements bruts de cyclage afin de conserver les échantillons contenant des mesures de température, de résistance interne, d'efficacité coulombique et d'efficacité énergétique. Excluez les cellules de batterie dépourvues de ces canaux d'état obligatoires du flux d'analyse, car la fusion ultérieure de caractéristiques multicanal nécessite un ensemble complet de variables physiques d'entrée.
    2. Supprimez les cycles contenant des enregistrements incomplets, des horodatages incohérents, des procédures d'essai non définies ou des conditions de terminaison de charge-décharge ambiguës. Définissez les cycles anormaux comme ceux présentant des baisses soudaines de capacité excédant 5 % entre des cycles adjacents, des mesures de tension en dehors de la plage de fonctionnement spécifique à la chimie ou des intervalles d'horodatage non monotones.
  3. Construire une base de données temporelle de batteries
    1. Organisez chronologiquement les enregistrements de cyclage conservés afin de construire une base de données de séries temporelles au niveau de la batterie.
    2. Stockez les jeux de données traités à l'aide du format de données hiérarchique version 5 (HDF5). Maintenez une structure de répertoire normalisée organisée par source du jeu de données, système chimique et identifiant individuel de la cellule de batterie.
    3. Attribuez des identifiants uniques aux cellules individuelles de batterie avant la partition du jeu de données. Mettez en œuvre un regroupement basé sur l'identifiant de la cellule de batterie lors de la séparation apprentissage-test afin de garantir que tous les cycles consécutifs provenant d'une même batterie physique restent exclusivement dans un seul sous-ensemble du jeu de données.
      ​REMARQUE : Conservez séparément les jeux de données bruts d'origine avant tout prétraitement, normalisation, rééchantillonnage ou ingénierie de caractéristiques.
  4. Définir des fenêtres d'observation
    1. Construisez des fenêtres d'observation multicanal en utilisant les 50 premiers cycles, les 100 premiers cycles et les 20 % initiaux de la durée de vie totale de la batterie. Calculez le seuil de 20 % de la durée de vie en multipliant la durée de vie totale du cycle avant la dégradation de la capacité en fin de vie par 0,2.
    2. Alignez les mesures de tension, courant, capacité, température, résistance interne et efficacité au sein de chaque fenêtre d'observation avant la construction du tenseur.
    3. Formatez la structure d'entrée finale sous la forme d'un tenseur tridimensionnel composé de la longueur de la fenêtre d'observation, de 128 points d'échantillonnage normalisés par cycle et de l'ensemble ordonné de caractéristiques multicanal.

2. Prétraitement des données et ingénierie des caractéristiques

  1. Prétraiter les données brutes de cyclage
    1. Appliquer un prétraitement uniforme aux jeux de données bruts de cyclage afin de standardiser la qualité des données provenant de toutes les sources de batteries. Exécuter toutes les procédures de prétraitement, de synchronisation et de standardisation à l’aide de Python 3.10, avec la bibliothèque Pandas pour la manipulation des séries temporelles et SciPy pour l’interpolation numérique.
    2. Supprimer les valeurs aberrantes, détecter les données manquantes, calibrer les horodatages, identifier les phases de charge et de décharge, et normaliser les fréquences d’échantillonnage avant toute analyse ultérieure. Appliquer une méthode de seuil basée sur un score Z modifié, avec un critère de rejet supérieur à 3,0, pour la détection d’anomalies.
    3. Détecter automatiquement les valeurs manquantes à l’aide de l’identification des indicateurs NaN dans tous les tableaux numériques. Différencier les phases de charge et de décharge selon la polarité du courant, en attribuant les valeurs de courant positives aux cycles de charge et les valeurs négatives aux cycles de décharge.
    4. Reconstruire les segments de signal manquants à l’aide de polynômes d’interpolation d’Hermite par morceaux cubiques afin de préserver la dynamique temporelle électrochimique lors de l’alignement des transitions de phase.
  2. Re-échantillonner les courbes de cyclage
    1. Re-échantillonner les courbes de cyclage lorsque des variations de densité d’échantillonnage ou des dérives de signal sont détectées entre les jeux de données. Déclencher automatiquement le re-échantillonnage chaque fois que l’intervalle entre deux mesures consécutives s’écarte de plus de 10 % par rapport à la fréquence médiane d’échantillonnage de la phase de cyclage correspondante.
    2. Standardiser le nombre de points d’échantillonnage dans chaque cycle afin de réduire les variations liées à la plateforme d’enregistrement. Projeter toutes les séquences temporelles sur une grille spatiale fixe à l’aide d’une interpolation linéaire unidimensionnelle.
    3. Compresser ou étendre chaque profil de charge-décharge en exactement 128 points d’échantillonnage équidistants avant la construction du tenseur.
  3. Normaliser les variables continues
    1. Normaliser toutes les variables continues avant l’entraînement du modèle afin de stabiliser la convergence du réseau et de réduire les biais liés à l’échelle. Appliquer une normalisation Min-Max pour transformer toutes les variables continues dans une plage numérique comprise entre 0 et 1.
    2. Calculer tous les paramètres de normalisation exclusivement à partir du jeu de données d’entraînement. Appliquer les paramètres de mise à l’échelle figés aux jeux de données de validation et de test afin de réduire le risque de fuite temporelle vers l’avant lors de la prédiction des premiers cycles.
  4. Construire des tenseurs d’entrée multicanal
    1. Diviser les enregistrements continus de cyclage de chaque batterie en segments temporels de longueur fixe. Structurer les segments temporels selon les fenêtres d’observation prédéfinies correspondant aux 50 premiers cycles, aux 100 premiers cycles, ou aux 20 % initiaux du cycle de vie de la batterie.
    2. Aligner les mesures de tension, courant, capacité, température, résistance interne et efficacité au sein de chaque segment temporel avant la construction du tenseur.
    3. Concaténer les matrices de caractéristiques alignées en un tenseur tridimensionnel au format (N × 128 × C), où N représente la longueur de la fenêtre d’observation, 128 désigne les points d’échantillonnage standardisés intra-cycle, et C correspond au nombre total de canaux de caractéristiques physiques et conçues.
  5. Extraire les caractéristiques conçues
    1. Extraire des caractéristiques électrochimiques conçues à partir des signaux bruts de cyclage afin d’améliorer l’identification des motifs de dégradation. Calculer les caractéristiques de capacité incrémentielle et de tension différentielle en dérivant dQ/dV et dV/dQ sur la grille d’échantillonnage standardisée.
    2. Appliquer un filtrage de Savitzky–Golay pour obtenir des courbes lissées de capacité incrémentielle et de tension différentielle.
    3. Extraire des indicateurs de dégradation, notamment les décalages de tension de pic, les différences de tension lors des transitions de phase, et les variations du rendement énergétique d’un cycle à l’autre, à partir des caractéristiques électrochimiques filtrées.

3. Construction et entraînement du modèle d'apprentissage profond

  1. Construire des modèles prédictifs candidats
    1. Construire un cadre standardisé d'apprentissage et d'évaluation pour tous les modèles prédictifs présentés dans la Figure 1A. Mettre en œuvre le flux de travail d'apprentissage profond à l'aide de PyTorch version 2.0 ou supérieure.
    2. Exécuter le flux de travail d'apprentissage à l'aide de scripts Python modulaires pour le chargement des données, l'initialisation du modèle, l'optimisation et l'évaluation.
    3. Préparer des modèles de référence d'apprentissage automatique classiques incluant la régression linéaire, la forêt aléatoire et les modèles d'arbres de décision boostés par gradient. Configurer le modèle de forêt aléatoire avec 100 arbres et une profondeur maximale de 10.
    4. Configurer le cadre d'arbres de décision boostés par gradient avec un taux d'apprentissage de 0,1 et une profondeur maximale d'arbre de 5 à l'aide de la bibliothèque Scikit-learn.
    5. Préparer des architectures d'apprentissage profond candidates incluant le perceptron multicouche, le CNN unidimensionnel, le réseau LSTM, le CNN–LSTM et les modèles basés sur des transformeurs.
    6. Standardiser les hyperparamètres principaux pour toutes les architectures d'apprentissage profond en appliquant l'optimiseur AdamW, des fonctions d'activation de type unité linéaire d'erreur gaussienne, une dimension cachée de 128 et un taux de dropout de 0,2.
  2. Configurer l'architecture CNN–LSTM
    1. Configurer l'architecture CNN–LSTM afin de fusionner les informations multicanal de cyclage provenant des tenseurs d'entrée (Figure 1B). Construire l'architecture hybride en enchaînant l'extracteur de caractéristiques convolutif à deux couches récurrentes empilées contenant chacune 128 unités cachées.
    2. Terminer l'architecture par trois têtes de régression entièrement connectées en parallèle pour prédire simultanément l'état de santé (SOH), la durée de vie restante (RUL) et l'énergie déchargeable.
    3. Traiter les tenseurs d'entrée multicanal à travers trois couches convolutives unidimensionnelles consécutives ayant des tailles de noyau de 3, 5 et 7 afin d'extraire des caractéristiques localisées à plusieurs échelles.
    4. Appliquer une normalisation par lot après chaque couche convolutive pour améliorer la stabilité du gradient durant l'optimisation.
    5. Remodeler les cartes de caractéristiques convolutives en séquences temporelles continues avant la modélisation de séquence.
    6. Alimenter les séquences temporelles encodées dans des couches récurrentes empilées afin de capturer les dépendances de dégradation à long terme sur les fenêtres d'observation prédéfinies.
  3. Partitionner les ensembles de données pour l'apprentissage du modèle
    1. Diviser les ensembles de données de cellules de batterie traitées en sous-ensembles d'apprentissage, de validation et de test selon un ratio de 70:15:15. Effectuer la division des données à l'aide d'une graine aléatoire fixe de valeur 42.
    2. Appliquer un échantillonnage stratifié basé sur la chimie de la batterie afin de maintenir des distributions de dégradation équilibrées dans tous les sous-ensembles de données.
    3. Effectuer la partition des données strictement au niveau de la cellule de batterie, plutôt que d'aléatoriser les cycles individuels, afin de préserver les trajectoires séquentielles de dégradation.
    4. Conserver chaque cellule de batterie comme une unité indivisible lors de la partition pour éviter toute fuite d'information entre les ensembles de données.
    5. Vérifier par programme l'isolement des ensembles de données en calculant l'intersection des identifiants de cellules de batterie entre les sous-ensembles d'apprentissage, de validation et de test, et confirmer qu'aucun chevauchement n'existe.
    6. Constituer un ensemble de test externe en utilisant l'ensemble de données complet GOTION de phosphate de fer lithium (LFP) pour une évaluation hors distribution et une évaluation de la généralisation inter-ensembles de données.
    7. Rendre le code source, les fichiers de configuration d'environnement et les partitions de données traitées publiquement disponibles via un dépôt GitHub dédié afin de soutenir la transparence méthodologique et la reproductibilité.
  4. Initialiser l'apprentissage du modèle
    1. Définir la fonction de perte de régression comme l'erreur quadratique moyenne avant l'apprentissage. Calculer l'objectif global d'apprentissage en agrégeant les valeurs de perte de chaque cible de prédiction avec un poids égal.
    2. Définir le taux d'apprentissage initial à 1 × 10−3 et choisir une taille de lot de 32 ou 64 selon la taille de l'ensemble de données.
    3. Utiliser une taille de lot de 64 pour les ensembles de données contenant plus de 5 000 cycles afin d'améliorer l'utilisation du matériel. Utiliser une taille de lot de 32 pour les ensembles de données plus petits afin d'améliorer la stabilité de l'optimisation.
      NOTE : Choisir ces hyperparamètres à l'aide d'une évaluation préliminaire par recherche en grille afin d'équilibrer la vitesse de convergence et la stabilité du gradient sur différentes fenêtres d'observation.
  5. Appliquer des contrôles d'apprentissage
    1. Appliquer un planificateur dynamique de taux d'apprentissage basé sur les variations de la perte de validation. Réduire le taux d'apprentissage d'un facteur 0,5 si la perte de validation ne s'améliore pas sur 5 époques consécutives.
    2. Maintenir un seuil minimal de taux d'apprentissage de 1 × 10−5 durant l'optimisation.
    3. Arrêter l'apprentissage du modèle après un maximum de 100 époques afin de réduire le surapprentissage.
    4. Appliquer l'arrêt précoce si la perte de validation ne diminue pas sur 15 époques consécutives. Restaurer les poids du modèle correspondant à l'itération de validation la plus performante.
  6. Conserver des enregistrements de reproductibilité
    1. Définir une graine aléatoire fixe de valeur 42 avant l'initialisation et l'apprentissage du modèle.
    2. Appliquer la graine aléatoire fixe de manière cohérente aux modules aléatoires de Python, à NumPy et au backend PyTorch, tout en désactivant les opérations CUDA non déterministes.
    3. Enregistrer l'environnement logiciel, les versions des dépendances, les réglages des paramètres, les partitions de données et les sorties d'apprentissage pour chaque exécution expérimentale.
    4. Exécuter tous les flux de travail d'apprentissage profond sous Ubuntu 22.04 avec accélération CUDA 11.8 sur une station de travail équipée d'un processeur graphique NVIDIA RTX 3090 ou d'un matériel équivalent.

figure-protocol-1
Figure 1. Flux de travail reproductible d'apprentissage profond (DL) pour la prédiction des performances des batteries lithium-ion à plusieurs canaux. (A) Flux de travail reproductible de bout en bout illustrant l'acquisition de données multicanal, le prétraitement normalisé, la construction de tenseurs, l'entraînement du modèle et la prédiction d'indicateurs de performance des batteries. Les contrôles de reproductibilité comprennent des graines aléatoires fixes, des répétitions d'entraînement, le suivi des paramètres et la journalisation de l'environnement. (B) Architecture hybride CNN–LSTM utilisée pour l'extraction de caractéristiques multicanal, la modélisation de séquences temporelles, la fusion de caractéristiques et la prédiction de l'état de santé (SOH), de la durée de vie utile restante (RUL) et de l'énergie déchargeable. (C) Pipeline d'évaluation et de déploiement montrant le criblage des modèles candidats, l'évaluation de la robustesse, l'optimisation des hyperparamètres et la sélection finale du modèle. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

4. Évaluation du modèle et prédiction des cibles

  1. Générer les prédictions du modèle
    1. Traiter les jeux de données du test-batterie cible à l’aide de chaque modèle entraîné. Charger les jeux de données de test prétraités sous forme de tenseurs PyTorch sérialisés avant l’inférence.
    2. Exécuter le passage d’inférence directe en utilisant un gestionnaire de contexte désactivant les gradients afin d’éviter des mises à jour involontaires des paramètres durant l’évaluation.
    3. Générer simultanément des prédictions pour chaque indicateur de performance à l’aide des têtes de régression entraînées.
    4. Extraire les sorties simultanées des trois têtes de régression parallèles configurées pour la prédiction de l’état de santé (SOH), de la durée de vie résiduelle (RUL) et de l’énergie déchargeable.
  2. Calculer les valeurs cibles de prédiction
    1. Calculer le SOH en comparant la capacité disponible actuelle avec la capacité initiale de la batterie.
    2. Définir la capacité initiale de la batterie comme étant la capacité de décharge maximale enregistrée durant les trois premiers cycles de stabilisation.
    3. Calculer le SOH comme le rapport entre la capacité du cycle actuel et la référence établie de capacité initiale.
    4. Estimer la RUL en identifiant le seuil opérationnel au-delà duquel la capacité stable de la batterie cesse.
    5. Définir la fin de vie comme le numéro de cycle auquel la capacité de la batterie diminue de façon irréversible en dessous de 80 % de la capacité nominale.
    6. Calculer la RUL comme le nombre de cycles restants à partir du point d’observation actuel jusqu’au seuil défini de fin de vie.
    7. Prévoir l’énergie déchargeable à partir des conditions de décharge enregistrées.
    8. Calculer l’énergie déchargeable de référence en intégrant numériquement le produit de la tension de décharge et du courant de décharge sur l’intervalle de décharge, en utilisant la méthode d’intégration trapézoïdale.
  3. Évaluer la performance prédictive
    1. Calculer l’erreur absolue moyenne (MAE), l’erreur quadratique moyenne (RMSE), l’erreur moyenne absolue en pourcentage (MAPE) et le coefficient de détermination (R2) pour chaque cible de prédiction.
    2. Calculer toutes les métriques d’évaluation à l’aide du module metrics de Scikit-learn en utilisant des formulations statistiques standardisées.
    3. Appliquer des calculs de métriques identiques à tous les modèles, jeux de données et configurations d’entrée afin de maintenir la cohérence de l’évaluation.
    4. Regrouper toutes les métriques de performance sur l’ensemble des échantillons de batteries combinés dans le jeu de données de test indépendant afin d’évaluer la généralisation globale du modèle.
  4. Présenter la performance stratifiée
    1. Calculer la moyenne et l’écart-type pour chaque métrique d’évaluation sur plusieurs exécutions expérimentales répétées.
    2. Dériver les mesures statistiques rapportées à partir de cinq initialisations indépendantes du modèle.
    3. Indiquer les intervalles de confiance à 95 % conjointement avec les métriques de performance moyennes afin de quantifier l’incertitude prédictive.
    4. Comparer la performance des modèles selon différentes longueurs de fenêtres d’observation et configurations de canaux d’entrée.
    5. Stratifier l’analyse comparative en utilisant des fenêtres d’observation correspondant à 50, 100 et 200 cycles.
    6. Évaluer la performance prédictive selon plusieurs configurations d’entrée, allant des entrées basées uniquement sur la capacité à l’intégration complète de tenseurs multicanal. Se référer à Figure 1C pour le flux de travail d’évaluation, de criblage de la robustesse et de sélection du déploiement.

5. Analyse de la reproductibilité, de la robustesse et de la sensibilité

  1. Vérifier la reproductibilité et la robustesse
    1. Conserver des partitions de données identiques, des flux de prétraitement et des procédures expérimentales identiques dans toutes les évaluations de reproductibilité présentées dans la Figure 2A.
    2. Calculer le coefficient de variation des métriques d'évaluation principales sur plusieurs essais répétés afin d'évaluer la cohérence de la reproductibilité.
    3. Répéter toutes les procédures d'évaluation en utilisant le même flux de travail standardisé pour l'entraînement et les tests.
    4. Initialiser chaque évaluation répétée avec des poids de réseau aléatoires tout en conservant les mêmes procédures déterministes de chargement et de mélange des données.
  2. Effectuer des expériences d'entraînement répétées
    1. Entraîner les modèles de prédiction plusieurs fois dans des conditions expérimentales identiques en utilisant des valeurs prédéfinies de graine aléatoire fixe afin d'assurer une initialisation reproductible des poids.
    2. Effectuer cinq exécutions d'entraînement indépendantes en utilisant des partitions de jeu de données identiques pour réduire la variabilité liée aux données.
    3. Calculer les métriques finales de performance en faisant la moyenne des métriques d'évaluation obtenues à partir des cinq exécutions d'entraînement répétées.
    4. Aggréger les métriques finales de robustesse à l'aide des scores d'évaluation moyennés plutôt qu'en combinant les tenseurs de prédiction bruts.
  3. Évaluer la sensibilité aux hyperparamètres
    1. Modifier individuellement le taux d'apprentissage, la taille du lot, la dimension de la couche cachée et le taux de dropout pendant l'analyse de sensibilité.
    2. Évaluer des taux d'apprentissage allant de 1 × 10−4 à 1 × 10−2, des tailles de lot allant de 32 à 128, des dimensions cachées allant de 32 à 256, et des taux de dropout allant de 0,1 à 0,5.
    3. Enregistrer les variations correspondantes de la précision prédictive après chaque ajustement d'hyperparamètre.
    4. Quantifier la variation de la performance prédictive à l'aide du RMSE et du R2.
  4. Effectuer une analyse d'ablation des caractéristiques
    1. Supprimer des canaux d'entrée sélectionnés, notamment la température, la résistance interne et les vecteurs de caractéristiques conçus, du flux d'entrée multicanal.
    2. Effectuer l'ablation des caractéristiques selon une stratégie « leave-one-out » en supprimant un groupe de caractéristiques à la fois, tout en conservant la structure restante du flux d'entrée multicanal.
    3. Comparer la performance prédictive obtenue après chaque expérience de suppression de caractéristiques afin d'évaluer la contribution de chaque groupe de caractéristiques à la stabilité et à la précision du modèle.
    4. Quantifier la contribution relative de chaque groupe de caractéristiques en calculant le pourcentage d'augmentation de l'erreur absolue moyenne par rapport au modèle de référence multicanal entièrement intégré. Se référer à la Figure 2B pour le flux de travail d'évaluation de la robustesse et d'analyse de sensibilité.

figure-protocol-2
Figure 2. Prétraitement normalisé, évaluation de la robustesse et flux de travail d’analyse de sensibilité. (A) Flux de travail de prétraitement multicanal normalisé illustrant le traitement des signaux bruts de cyclage, l’étalonnage des horodatages, la suppression des valeurs aberrantes, le rééchantillonnage, la normalisation, l’alignement des canaux et la construction du tenseur. Les stratégies de représentation des entrées comparent les entrées monocanaux, les entrées brutes multicanal et les entrées multicanal combinées à des caractéristiques conçues. (B) Pipeline d’analyse de robustesse et de sensibilité montrant la perturbation systématique des hyperparamètres, l’évaluation par exécutions répétées, l’analyse d’ablation des caractéristiques, la validation croisée et la validation externe du flux de travail CNN–LSTM. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

Résultats

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

Signaux cycliques multicanal et distribution des données

Des signaux cycliques multicanal représentatifs et des distributions de performance ont été analysés afin de caractériser le comportement de réponse au cyclage des batteries lithium-ion. L'étude a utilisé cinq ensembles de données de batteries lithium-ion représentant plusieurs systèmes chimiques, notamment l'oxyde de cobalt et de lithium (LCO), l'oxyde de nickel, cobalt et aluminium (NCA), l'oxyde de nickel, manganèse et cobalt (NMC) et le LFP (Tableau 1). Les variables fondamentales de cyclage, telles que la tension, le courant, la capacité, la température, la résistance interne et le rendement coulombique ou énergétique, ont été combinées à des caractéristiques élaborées telles que les caractéristiques de capacité incrémentielle et de tension différentielle afin d'établir un cadre de caractérisation multicanal. Les profils capacité-tension et les distributions de SOH pour l'ensemble de données CALCE (Figure 3A), les profils moyens de tension et les distributions de SOH pour l'ensemble de données SANYO (Figure 3B), les trajectoires de vieillissement pour l'ensemble de données PANASONIC (Figure 3C), les cartes thermiques d'évolution de la tension pour l'ensemble de données KOKAM (Figure 3D) et les profils de distribution de tension pour l'ensemble de données GOTION (Figure 3E) ont révélé des comportements de dégradation distincts selon les chimies de batterie évaluées. Par exemple, l'ensemble de données GOTION IFP20100140A présentait des caractéristiques de tension en forme d'escalier généralement associées aux systèmes LFP, tandis que l'ensemble de données PANASONIC NCR18650BD montrait une dégradation progressive de la capacité accompagnée de décalages du profil de tension au cours du cyclage à long terme.

ID du jeu de donnéesType / Modèle de batterieChimieFormatNombre de cellulesCycles totaux analysésFenêtres des premiers cycles utiliséesPoints d'échantillonnage par cycleCanaux de cyclage principauxCanaux supplémentaires d'étatCaractéristiques dérivéesCibles de prédiction
Jeu de données n°1CALCE LCO batteryLCOPouch384 21650 premiers, 100 premiers, 20 % de la durée de vie initiale128Tension, courant, temps, capacitéTempérature, résistance internedQ/dV, dV/dQ, durée de charge, énergie déchargéeSOH, RUL, énergie déchargeable
Jeu de données n°2SANYO UR18650ENCACylindrical 18650242 48750 premiers, 100 premiers, 20 % de la durée de vie initiale128Tension, courant, temps, capacitéTempérature, efficacité coulombiquedQ/dV, pente du plateau de tension, efficacité énergétiqueSOH, RUL, énergie déchargeable
Jeu de données n°3PANASONIC NCR18650BDNCACylindrical 18650425 13450 premiers, 100 premiers, 20 % de la durée de vie initiale128Tension, courant, temps, capacitéTempérature, résistance interne, efficacité coulombiquedQ/dV, dV/dQ, durée de charge, énergie cumuléeSOH, RUL, énergie déchargeable
Jeu de données n°4KOKAM SLPB533459H4NMCPouch191 96850 premiers, 100 premiers, 20 % de la durée de vie initiale128Tension, courant, temps, capacitéTempérature, résistance internedQ/dV, durée de décharge, pente de tensionSOH, RUL, énergie déchargeable
Jeu de données n°5GOTION IFP20100140ALFPPrismatic576 48250 premiers, 100 premiers, 20 % de la durée de vie initiale128Tension, courant, temps, capacitéTempérature, résistance interne, efficacité énergétiquedQ/dV, durée du plateau, énergie de charge/déchargeSOH, RUL, énergie déchargeable

Tableau 1 : Caractéristiques des ensembles de données de batteries lithium-ion, des variables cycliques multicanal, des caractéristiques conçues et des cibles de prédiction utilisées dans le flux de travail DL reproductible. Ce tableau résume les ensembles de données de batteries lithium-ion inclus dans cette étude, notamment la chimie des batteries, le format des cellules, le nombre de cellules, le nombre total de cycles analysés, les fenêtres d'observation, la densité d'échantillonnage, les variables cycliques multicanal, les caractéristiques électrochimiques conçues et les cibles de prédiction utilisées pour le développement et l'évaluation du modèle. Abréviations : SOH = état de santé ; RUL = durée de vie utile restante ; LCO = oxyde de cobalt et de lithium ; NCA = oxyde de nickel, cobalt et aluminium ; NMC = oxyde de nickel, manganèse et cobalt ; LFP = phosphate de fer et de lithium.

figure-results-1
Figure 3. Profils cycliques multicanal représentatifs et distributions de l'état de santé des batteries dans divers jeux de données sur les batteries lithium-ion. (A) Profils capacité-tension et distributions de l'état de santé (SOH) pour le jeu de données CALCE sur l'oxyde de cobalt de lithium. (B) Profils moyens de tension et distributions de l'état de santé (SOH) pour le jeu de données SANYO sur l'oxyde de nickel, cobalt et aluminium. (C) Trajectoires de vieillissement et distributions cumulatives de l'état de santé (SOH) pour le jeu de données PANASONIC sur l'oxyde de nickel, cobalt et aluminium. (D) Cartes thermiques d'évolution de la tension et distributions échantillonnées de l'état de santé (SOH) pour le jeu de données KOKAM sur l'oxyde de nickel, manganèse et cobalt. (E) Profils de distribution de tension et relations entre l'état de santé (SOH) et la résistance interne pour le jeu de données GOTION sur le phosphate de fer et de lithium. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Performance prédictive globale pour le stockage d'énergie

Le flux de travail proposé a démontré des erreurs de prédiction faibles et une performance prédictive constante dans toutes les tâches d'évaluation (Tableau 2). Pour l'estimation de l'état de santé (SOH), le modèle a atteint une erreur absolue moyenne (MAE) de 0,021 sur le jeu de données de validation et de 0,024 sur le jeu de données de test, avec des valeurs de R2 respectives de 0,962 et 0,955. Ces résultats indiquent une performance prédictive stable pour l'estimation continue de l'état de santé des batteries dans les conditions évaluées. Le flux de travail a également montré une capacité prédictive fiable pour l'estimation de la durée de vie résiduelle (RUL) et de l'énergie déchargeable, avec des valeurs de R2 sur le jeu de test de 0,927 et 0,941, respectivement. Afin d'évaluer davantage la stabilité prédictive, toutes les métriques de performance ont été calculées sur cinq initialisations indépendantes du modèle utilisant des partitions de jeu de données identiques. Les écarts types et les coefficients de variation obtenus sont restés faibles lors des évaluations répétées, indiquant une sensibilité limitée à l'initialisation stochastique et un comportement prédictif stable dans des conditions d'apprentissage répétées. De plus, les intervalles de confiance à 95 % ont montré une variabilité étroite au cours des exécutions répétées, confirmant la robustesse et la reproductibilité du flux de travail multicanal proposé.

Tâche de prédictionRépartition du jeu de donnéesMAERMSEMAPE (%)R²
Estimation de l'état de santé (SOH)Validation0.0210.0292.470.962
Estimation de l'état de santé (SOH)Test0.0240.0332.830.955
Prédiction de la durée de vie résiduelle (RUL)Validation18.625.98.740.938
Prédiction de la durée de vie résiduelle (RUL)Test21.429.79.630.927
Prédiction de l'énergie déchargeableValidation0.0870.1213.180.948
Prédiction de l'énergie déchargeableTest0.0940.1293.560.941

Tableau 2 : Performances prédictives du flux de travail en apprentissage profond reproductible pour l'estimation des performances des batteries lithium-ion sur les jeux de données de validation et de test. Le tableau résume les performances prédictives du flux de travail proposé pour l'estimation de l'état de santé (SOH), la prédiction de la durée de vie restante (RUL) et la prédiction de l'énergie déchargeable, à l'aide de jeux de données de validation et de test. Les métriques de performance incluent l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE), l'erreur moyenne absolue en pourcentage (MAPE) et le coefficient de détermination (R2). Abréviations : SOH = état de santé ; RUL = durée de vie restante ; MAE = erreur absolue moyenne ; RMSE = erreur quadratique moyenne ; MAPE = erreur moyenne absolue en pourcentage.

Comparaison des performances entre les architectures de DL

L'évaluation menée sur différentes architectures de réseaux et configurations d'entrée a révélé des variations importantes en matière de performance prédictive (Tableau 3). Les distributions de l'ERQM avant et après la sélection d'architecture basée sur la reproductibilité sont présentées dans la Figure 4A. L'architecture de réseau neuronal profond a produit des valeurs de MAE et d'ERQM relativement plus élevées par rapport aux architectures basées sur les séquences et aux architectures hybrides. Les comparaisons entre différentes configurations d'entrée multicanal sont résumées dans la Figure 4B. Les modèles intégrant à la fois l'extraction de caractéristiques locales et la modélisation temporelle inter-cycle ont montré une précision prédictive améliorée dans les conditions évaluées. Les modèles présentant une variabilité de prédiction plus faible se regroupaient généralement autour de scores moyens plus élevés avec des écarts-types réduits (Figure 4C). Les relations entre la performance moyenne et l'écart-type selon les configurations d'entrée évaluées sont illustrées dans la Figure 4D. Parmi les configurations testées, l'architecture CNN–LSTM a atteint la plus faible valeur de MAE (0,024) et la valeur de R2 la plus élevée (0,955) dans les jeux de données et les paramètres expérimentaux évalués. En outre, l'intégration de caractéristiques conçues avec des entrées complètes multicanal a réduit la MAE à 0,022 avec une valeur de R2 de 0,961, tandis que les entrées basées uniquement sur la capacité ont montré une performance prédictive réduite.

CatégorieModèle / Configuration de l'entréeEMMERQMEMAP (%)R²
Architecture d'apprentissage profondDNN0.0310.0423.580.928
CNN0.0270.0373.140.941
LSTM0.0260.0363.050.944
CNN–LSTM0.0240.0332.810.955
Transformer0.0250.0342.890.951
Configuration de l'entréeCapacité uniquement0.0340.0463.920.916
Tension + courant0.0290.0393.290.936
Entrée multicanal complète0.0240.0332.830.955
Multicanal + caractéristiques élaborées0.0220.0312.610.961

Tableau 3 : Comparaison des performances prédictives entre les architectures de DL et les configurations d'entrée. Le tableau compare les performances prédictives de différentes architectures de DL et configurations d'entrée utilisées dans le flux de travail multicanal reproductible. Les métriques de performance incluent l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE), l'erreur moyenne absolue en pourcentage (MAPE) et le coefficient de détermination (R2). Abréviations : DNN = réseau neuronal profond ; CNN = réseau neuronal convolutif ; LSTM = mémoire à long court terme ; MAE = erreur absolue moyenne ; RMSE = erreur quadratique moyenne ; MAPE = erreur moyenne absolue en pourcentage.

figure-results-2
Figure 4. Comparaison des architectures de modèles et des configurations d'entrée guidée par la reproductibilité. (A) Répartition des erreurs quadratiques moyennes avant et après la sélection de l'architecture basée sur la reproductibilité. (B) Répartition des erreurs quadratiques moyennes selon différentes configurations d'entrée, avant et après la sélection du modèle stable. (C) Comparaison entre la performance moyenne et l'écart-type des architectures de modèles candidates, la couleur indiquant l'erreur quadratique moyenne et les cercles ouverts représentant les modèles stables sélectionnés. (D) Comparaison entre la performance moyenne et l'écart-type des configurations d'entrée, la couleur indiquant l'erreur quadratique moyenne et les cercles ouverts représentant les configurations optimales sélectionnées. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Répartition des erreurs et évaluation de la cohérence

Les distributions d'erreurs absolues ont été analysées afin d'évaluer la stabilité des prédictions par rapport aux modèles de base classiques d'apprentissage machine (ML) et aux architectures d'apprentissage profond (DL). Les modèles de base traditionnels d'apprentissage machine présentaient des distributions d'erreurs plus larges ainsi que des queues étendues en zone d'erreurs élevées, indiquant une stabilité réduite pour les tâches de prédiction de motifs complexes de dégradation. Parmi les modèles DL évalués, l'architecture CNN–LSTM a montré des distributions d'erreurs relativement plus étroites et des queues plus courtes en zone d'erreurs élevées, suggérant une meilleure intégration de l'extraction de caractéristiques locales et de la modélisation de séquences temporelles (Figure 5). L'intégration de variables liées à la température, à la résistance interne et à l'efficacité a été associée à des réductions progressives de la dispersion des erreurs de prédiction sur l'ensemble des jeux de données évalués.

figure-results-3
Figure 5. Distributions des erreurs absolues pour les modèles de référence classiques d'apprentissage automatique (ML) et les modèles d'apprentissage profond (DL) multicanal. Graphiques en violon comparant la distribution des erreurs absolues de prédiction entre les modèles de référence classiques d'apprentissage automatique, les architectures d'apprentissage profond et les configurations d'entrée multicanal. Les lignes noires indiquent l'erreur absolue moyenne, et les lignes colorées indiquent la moyenne ± l'écart type. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

Reproductibilité et robustesse dans différents scénarios de validation

Le flux de travail a maintenu des performances prédictives constantes au cours de plusieurs exécutions d'apprentissage et de diverses stratégies de validation (Tableau 4). Les exécutions répétées effectuées avec des partitions de données fixes et une initialisation fixe de la graine aléatoire ont produit des métriques de performance stables, les valeurs de R2 restant systématiquement supérieures à 0,95 et les écarts types étant faibles pour l'erreur absolue moyenne (MAE). Une évaluation supplémentaire utilisant une validation croisée en cinq parties et des jeux de données de validation externe a montré une variation limitée des performances dans différentes conditions expérimentales répétées. La phase de validation externe a utilisé exclusivement le jeu de données GOTION, entièrement exclu des procédures d'apprentissage du modèle et d'optimisation des hyperparamètres. Étant donné que ce jeu de données représente une chimie LFP distincte et une configuration de cellule prismatique différente, l'évaluation externe a permis une évaluation rigoureuse de la capacité de généralisation inter-jeux de données dans des conditions électrochimiques et structurales hétérogènes. De plus, les analyses du coefficient de variation et les évaluations basées sur des exécutions répétées ont révélé une dispersion prédictive faible au cours d'expériences indépendantes, confirmant la robustesse et la reproductibilité du flux de travail multicanal proposé.

Paramètre de validationMétrique de performanceMoyenneÉcart typeMinimumMaximumCoefficient de variation (%)
Exécutions répétées avec une même répartition des données (n = 5)MAE0.0230.00210.0210.0269.13
RMSE0.0320.00280.0290.0368.75
MAPE (%)2.760.242.483.118.7
R²0.9570.0060.9490.9640.63
Exécutions répétées avec différentes graines aléatoires (n = 5)MAE0.0240.00240.0210.02710
RMSE0.0330.00310.0290.0379.39
MAPE (%)2.840.272.523.199.51
R²0.9540.0070.9460.9620.73
Validation croisée en cinq partiesMAE0.0250.0030.0220.02912
RMSE0.0340.00340.030.03910
MAPE (%)2.950.312.573.4110.51
R²0.9510.0090.940.9610.95
Validation externeMAE0.0270.00320.0230.03111.85
RMSE0.0370.00380.0320.04210.27
MAPE (%)3.180.352.763.6711.01
R²0.9440.0110.9310.9561.17

Tableau 4 : Analyse de la reproductibilité et de la robustesse du flux de travail DL multicanal proposé au cours de plusieurs exécutions d'apprentissage et de stratégies de validation. Le tableau résume les performances de reproductibilité et de robustesse du flux de travail proposé lors d'exécutions répétées avec des partitions de données fixes, d'exécutions répétées avec différentes graines aléatoires, d'une validation croisée en cinq parties et d'une validation externe. Les métriques de performance incluent l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE), l'erreur moyenne absolue en pourcentage (MAPE), le coefficient de détermination (R2), l'écart type (SD) et le coefficient de variation. Abréviations : MAE = erreur absolue moyenne ; RMSE = erreur quadratique moyenne ; MAPE = erreur moyenne absolue en pourcentage ; SD = écart type.

Sensibilité aux hyperparamètres et élimination de caractéristiques

L'analyse de sensibilité des hyperparamètres a montré que les performances de prédiction variaient selon la taille des fenêtres d'observation, les fonctions d'activation, la taille des dimensions cachées et la profondeur des modèles séquentiels. L'effet de la taille de la fenêtre d'observation sur les distributions des erreurs de prédiction est illustré dans la Figure 6A. Dans les conditions évaluées, des fenêtres d'observation comprises entre 100 et 200 cycles étaient associées à des erreurs de prédiction plus faibles, tandis que des fenêtres d'observation plus longues présentaient des améliorations décroissantes en précision prédictive. La variabilité des prédictions dépendant de la fonction d'activation est résumée dans la Figure 6B. Les fonctions d'activation rectifiée linéaire (ReLU) et linéaire d'erreur gaussienne (GELU) ont montré des erreurs de prédiction inférieures par rapport à d'autres fonctions d'activation dans les conditions évaluées. La sensibilité des performances de prédiction à la taille de la dimension cachée et à la profondeur du modèle séquentiel est illustrée dans la Figure 6C. Des dimensions cachées de 128 et deux à trois couches de modélisation séquentielle étaient associées à de meilleures performances prédictives, tandis que des architectures peu profondes et des dimensions cachées réduites étaient associées à une augmentation de l'erreur de prédiction. Une analyse d'ablation des caractéristiques a en outre montré que la suppression de caractéristiques conçues ou de variables liées à l'efficacité augmentait l'erreur absolue moyenne (MAE) par rapport à la configuration multicanal complète (Tableau 5), suggérant que l'association d'entrées multicanal et de caractéristiques électrochimiques conçues contribuait à améliorer les performances prédictives.

figure-results-4
Figure 6. Sensibilité des performances de prédiction aux variations des hyperparamètres. (A) Effet de la taille de la fenêtre d'entrée sur la distribution de l'erreur de prédiction. (B) Effet du choix de la fonction d'activation sur la distribution de l'erreur de prédiction. (C) Carte thermique montrant la sensibilité de la prédiction à la taille de la dimension cachée et au nombre de couches du modèle séquentiel. Les lignes noires indiquent l'erreur absolue moyenne, et les lignes colorées indiquent la moyenne ± l'écart-type, le cas échéant. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

CatégorieParamètreMAERMSEMAPE (%)R²
Taille de la fenêtre d'entrée20 cycles0,0310,0433,740,927
50 cycles0,0260,0363,080,944
100 cycles0,0230,0322,710,957
150 cycles0,0220,0312,630,96
200 cycles0,0220,0312,590,961
250 cycles0,0230,0322,670,958
300 cycles0,0240,0332,790,955
Fonction d'activationReLU0,0230,0322,740,957
GELU0,0220,0312,610,961
Tanh0,0260,0363,050,946
Sigmoid0,0340,0473,960,918
Dimension cachée / Canaux par couche320,0280,0393,220,939
640,0240,0332,810,954
1280,0220,0312,580,961
2560,0230,0322,690,958
Nombre de couches de modélisation de séquence10,0270,0383,140,942
20,0230,0322,730,956
30,0220,0312,60,961
40,0240,0342,860,952
Ablation des caractéristiquesToutes les caractéristiques multicanal + caractéristiques conçues0,0220,0312,610,961
Sans caractéristiques conçues0,0240,0332,840,955
Sans température0,0250,0342,930,951
Sans résistance interne0,0260,0353,010,949
Sans variables liées à l'efficacité0,0250,0342,950,95
Seulement tension + courant0,0290,0393,290,936
Seulement capacité0,0340,0463,920,916

Tableau 5 : Analyse de sensibilité de la performance du modèle selon différents réglages des hyperparamètres et configurations de suppression de caractéristiques. Le tableau résume les effets de la taille de la fenêtre d'entrée, de la fonction d'activation, de la taille de la dimension cachée, de la profondeur du modèle séquentiel et des stratégies de suppression de caractéristiques sur la performance de prédiction dans le cadre du flux de travail DL multicanal proposé. Les métriques de performance incluent l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE), l'erreur moyenne en pourcentage absolu (MAPE) et le coefficient de détermination (R2). Abréviations : MAE = erreur absolue moyenne ; RMSE = erreur quadratique moyenne ; MAPE = erreur moyenne en pourcentage absolu ; ReLU = unité linéaire rectifiée ; GELU = unité linéaire d'erreur gaussienne.

Discussion

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

Le flux de travail DL reproductible décrit dans ce protocole a permis de prédire avec précision les performances des batteries au lithium-ion à l'aide de données cycliques multicanal. Le flux de travail a atteint une erreur absolue moyenne (MAE) de test de 0,024 et une valeur R2 de 0,955 pour l'estimation de l'état de santé (SOH) dans les conditions expérimentales évaluées, ce qui soutient son utilité potentielle pour la gestion du cycle de vie des batteries et les applications de surveillance du stockage d'énergie11,12,13.

Un avantage majeur de ce protocole réside dans la réduction de la complexité computationnelle par rapport aux modèles traditionnels d'EDP électrochimiques-physiques5. Bien que les approches fondées sur la physique fournissent des aperçus mécanistiques sur la dégradation des batteries, elles rencontrent souvent des difficultés d'identification des paramètres dans des conditions de décharge à haut débit et dans des environnements de fonctionnement multicanal. En revanche, le flux de travail actuel, basé sur les données, modélise directement le comportement de dégradation non linéaire à partir des données de cyclage, sans nécessiter une paramétrisation explicite fondée sur la physique de la chimie de la cellule14. Dans les ensembles de données et les conditions expérimentales évalués, l'architecture CNN–LSTM a démontré une performance prédictive améliorée par rapport aux modèles CNN, LSTM et basés sur des transformeurs évalués isolément. Des études récentes ont démontré l'efficacité des architectures transformeur pour la prédiction de la dégradation avec estimation de l'incertitude15, ainsi que la capacité des CNN à prédire des défauts de batterie tout en préservant la confidentialité, en utilisant des données de charge hétérogènes16. Toutefois, l'architecture CNN–LSTM a été privilégiée dans le flux de travail actuel car elle offrait une combinaison équilibrée de précision prédictive, d'efficacité computationnelle et de stabilité d'apprentissage dans les conditions expérimentales évaluées. Les couches de convolution extrayaient des caractéristiques morphologiques localisées à partir des courbes de cyclage, tandis que les couches LSTM modélisaient les dépendances temporelles à long terme à travers des motifs de cyclage répétés17,18. Bien que l'architecture hybride augmente la complexité du modèle par rapport aux structures à réseau unique, les exigences computationnelles sont restées compatibles avec des scénarios de déploiement pratiques dans les systèmes de gestion de batterie dans les conditions expérimentales évaluées. Étant donné que la majeure partie du coût computationnel intervient durant l'apprentissage hors ligne du modèle, la phase d'inférence reste relativement légère, ce qui rend possible la prédiction en temps réel embarquée et la surveillance du niveau d'état de la batterie en périphérie, sans dépendance continue vis-à-vis du calcul basé sur le cloud.

Les performances de ce protocole dépendent fortement de plusieurs étapes critiques de prétraitement et de configuration des entrées. Premièrement, des procédures rigoureuses d'alignement des séquences et de rééchantillonnage (Étape 2.2) sont essentielles pour préserver les relations temporelles entre les signaux cycliques multicanal. Des séquences multicanal mal alignées ont été associées à une stabilité prédictive réduite et à une erreur accrue du modèle lors d'évaluations préliminaires. Deuxièmement, l'intégration de caractéristiques électrochimiques conçues, telles que les caractéristiques de tension différentielle, aux signaux cycliques bruts a contribué à améliorer les performances prédictives. Une analyse d'ablation des caractéristiques a montré des valeurs inférieures d'erreur absolue moyenne lorsque les caractéristiques conçues étaient conservées conjointement aux variables de température et de résistance interne19. En outre, la combinaison de descripteurs électrochimiques conçus avec des caractéristiques temporelles multicanal a amélioré la capacité du modèle à capturer des profils complexes de dégradation dans diverses conditions de fonctionnement20,21,22. Une mesure méthodologique critique mise en œuvre dans cette étude a été l'isolement strict des facteurs de mise à l'échelle par normalisation et des références de conception de caractéristiques. Tous les paramètres statistiques de normalisation et les calculs de caractéristiques conçues ont été dérivés exclusivement à partir du jeu de données d'apprentissage avant d'être appliqués aux jeux de données de validation et de test. Cette procédure a réduit le risque de fuite d'information lors de la prévision des premiers cycles et de l'évaluation inter-jou de données, améliorant ainsi la fiabilité et la reproductibilité du flux de travail prédictif.

Lors de l'exécution ou de la modification de ce protocole, des instabilités d'apprentissage ou des problèmes liés aux gradients peuvent survenir lors de l'optimisation CNN–LSTM. Des fonctions de perte qui ne parviennent pas à converger ou qui génèrent des valeurs NaN peuvent indiquer une explosion des gradients au sein des couches de modélisation séquentielle récurrentes. Dans ces cas, le découpage des gradients, la réduction du taux d'apprentissage initial de 1 × 10−3 à 1 × 10−4, ou des augmentations modérées de la taille du lot peuvent améliorer la stabilité de l'entraînement en lissant les mises à jour des gradients. De plus, les fonctions d'activation ReLU et GELU ont été associées à une propagation améliorée des gradients par rapport aux fonctions d'activation sigmoïde ou tangente hyperbolique lors de la modélisation profonde de séquences temporelles. Les analyses de sensibilité aux hyperparamètres présentées dans cette étude peuvent donc aider les chercheurs à optimiser la stabilité du flux de travail et les performances prédictives dans différentes conditions d'entraînement23.

Malgré les performances prédictives obtenues dans les conditions évaluées, ce protocole présente plusieurs limites. Le flux de travail actuel a été validé principalement à l'aide de jeux de données de cyclage à courant constant/tension constante générés en laboratoire. Dans les applications pratiques des véhicules électriques, les batteries sont soumises à un comportement stochastique de charge-décharge, à des profils d'utilisation variables et à des conditions environnementales fluctuantes pouvant modifier leurs caractéristiques de dégradation. Dans de telles conditions de fonctionnement dynamiques, les modèles de batterie basés sur les données peuvent rencontrer des scénarios hors distribution, où des trajectoires de dégradation ou des conditions environnementales auparavant non observées réduisent la fiabilité prédictive. Pour améliorer la robustesse dans des environnements de déploiement réels, les futures implémentations de ce flux de travail pourraient intégrer des stratégies de quantification de l'incertitude, telles que l'apprentissage profond évidentiel ou des cadres de régression quantile, afin de fournir des intervalles de confiance calibrés en complément des prédictions d'état de la batterie. De plus, des approches d'adaptation de domaine et d'apprentissage par transfert pourraient aider à combler l'écart de distribution entre les trajectoires de dégradation générées en laboratoire et le comportement réel en cyclage24. Des stratégies d'apprentissage fédéré ou d'apprentissage par transfert à pondération dynamique pourraient en outre soutenir la préformation du modèle à l'aide de grands jeux de données de laboratoire, suivie d'un affinage utilisant des données opérationnelles réelles limitées, tout en préservant la confidentialité des données utilisateur25. Bien que le cadre actuel ait démontré des performances prédictives stables dans des conditions de laboratoire contrôlées, les systèmes de gestion de batterie (BMS) utilisés dans les véhicules électriques doivent fonctionner sous des profils de charge fortement dynamiques et des températures environnementales fluctuantes. Les futures adaptations de ce flux de travail pourraient donc bénéficier de l'intégration de données réalistes de cycles de conduite et de stratégies de mise à jour en ligne du modèle afin d'améliorer la fiabilité prédictive lors du déploiement en conditions réelles.

En standardisant les procédures de partitionnement des données, de prétraitement, d'extraction des caractéristiques et d'initialisation de la graine aléatoire, ce protocole améliore la reproductibilité des flux de travail ML appliqués aux batteries26. La stratégie d'intégration multicanal des caractéristiques et le cadre d'apprentissage axé sur la reproductibilité présentés ici pourraient soutenir le développement futur de systèmes de gestion de batterie prédictifs pour le stockage d'énergie renouvelable, la surveillance des véhicules électriques et l'évaluation du cycle de vie à long terme des batteries.

Déclarations de divulgation

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

Les auteurs déclarent ne pas avoir d'intérêts financiers concurrents ni de conflits d'intérêts.

Remerciements

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

Les auteurs reconnaissent le soutien institutionnel fourni par le Département de physique de l'Université des sciences et technologies du Sud et par Homerton College, Université de Cambridge, qui ont offert l'environnement académique et les ressources informatiques nécessaires à cette recherche. Les auteurs remercient également les institutions de recherche et les contributeurs ayant rendu publiques les bases de données ouvertes sur les batteries lithium-ion, notamment CALCE, SANYO, PANASONIC, KOKAM et GOTION, permettant ainsi cette analyse multicanal complète.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Jeu de données sur les batteries CALCECenter for Advanced Life Cycle Engineering (CALCE), Université du Marylandhttps://calce.umd.edu/battery-dataSource de données cycliques multicanal sur les batteries lithium-ion destinées à l'entraînement et à la validation du modèle
CUDA ToolkitNVIDIAVersion 11.8Accélération GPU pour l'entraînement du modèle d'apprentissage profond
Jeu de données GOTION IFP20100140AMendeley Datahttps://doi.org/10.17632/vpw4t7ytbx.2Validation externe et analyse de la dégradation des batteries multicanal
Jeu de données KOKAM SLPB533459H4Mendeley Datahttps://doi.org/10.17632/7w4y4fzzbb.1Modélisation et validation de la dégradation des batteries multicanal
MatplotlibÉquipe de développement de MatplotlibVersion 3.7.1Visualisation des performances du modèle, analyse de sensibilité et résultats de reproductibilité
NumPyDéveloppeurs de NumPyVersion 1.24.3Calcul numérique et construction de tenseurs
Jeu de données PANASONIC NCR18650BDMendeley Datahttps://doi.org/10.17632/wykht8y7tg.1Source de données cycliques multicanal et extraction de caractéristiques conçues
PandasDéveloppeurs de PandasVersion 2.0.3Organisation des données, prétraitement et gestion des données tabulaires
PyTorchFondation PyTorchVersion 2.0.1Construction et entraînement d'architectures d'apprentissage profond, incluant le modèle CNN–LSTM
PythonFondation logicielle PythonVersion 3.10.12Prétraitement des données, ingénierie des caractéristiques, entraînement et évaluation du modèle
Jeu de données SANYO UR18650ERéférentiel de données prognostiques de la NASAhttps://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/Source de données cycliques multicanal destinées à l'évaluation de la reproductibilité et à la validation du modèle
Scikit-learnDéveloppeurs de Scikit-learnVersion 1.2.2Implémentation du modèle de référence, partitionnement du jeu de données et calcul des métriques de performance

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. Hu J, et al. Early prediction of lithium-ion battery degradation with a generative pre-trained transformer. Nat Commun. 2026;17:126.
  9. Li Y, et al. Accurate and adaptive state of health estimation for lithium-ion battery based on patch learning framework. Measurement. 2025;250:117083.
  10. Geng M, et al. Interpretable deep learning with uncertainty quantification for lithium-ion battery SOH estimation. Energy. 2025;335:138027.
  11. 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.
  12. 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.
  13. 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.
  14. Severson KA, et al. Data-driven prediction of battery cycle life before capacity degradation. Nat Energy. 2019;4(5):383–91.
  15. Wu R, et al. Confidence-aware quantile Transformer for reliable degradation prediction of battery energy storage systems. Reliab Eng Syst Saf. 2025;260:111019.
  16. 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.
  17. 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.
  18. 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.
  19. 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.
  20. 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.
  21. Bao X, et al. Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries. Energy. 2023;278:127734.
  22. He N, et al. Early prediction of battery lifetime based on graphical features and convolutional neural networks. Appl Energy. 2024;353:122048.
  23. Rieger LH, et al. Uncertainty-aware and explainable machine learning for early prediction of battery degradation trajectory. Digit Discov. 2023;2(1):112–22.
  24. Li H, et al. A cross-material lithium-ion battery state of health estimation method based on three-stage domain adaptation. Energy. 2025;139376.
  25. 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.
  26. Rhyu J, et al. Systematic feature design for cycle life prediction of lithium-ion batteries during formation. Joule. 2025;9(5):101884.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Pr diction des performances des batteriesMod les de r seaux de neuronesIng nierie des caract ristiquestat de santDur e de vie utile restanteGestion du cycle de vie des batteriesMod lisation pr dictive

Articles connexes