odtwarzalny przepływ pracy głębokiego uczenia do przewidywania wydajności baterii litowo-jonowych przy użyciu wielokanałowych danych z cykli ładowania i rozładowania

Yitong Qu; Dongliang Zhang

doi:10.3791/71903

Artykuł metodologiczny

odtwarzalny przepływ pracy głębokiego uczenia do przewidywania wydajności baterii litowo-jonowych przy użyciu wielokanałowych danych z cykli ładowania i rozładowania

DOI:

10.3791/71903

⸱

14 sierpnia 2026

Yitong Qu¹ , Dongliang Zhang²

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

W tym artykule

Podsumowanie

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

Niniejszy protokół przedstawia powtarzalny proces głębokiego uczenia, wykorzystujący wielokanałowe dane z cykli oraz opracowane cechy w celu przewidywania stanu zdrowia akumulatorów litowo-jonowych, pozostałego okresu użytkowania oraz wydajności magazynowania energii.

Streszczenie

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

Niniejszy protokół przedstawia powtarzalny schemat głębokiego uczenia do przewidywania wydajności baterii litowo-jonowych z wykorzystaniem wielokanałowych danych z cykli ładowania i rozładowania. Aby rozwiązać ograniczenia istniejących modeli opartych na danych, związane z integracją informacji z wielu źródeł oraz reprezentacją cech, zastosowano metodę wykorzystującą pięć publicznie dostępnych zbiorów danych o bateriach. Dane wejściowe obejmują surowe sygnały operacyjne, w tym napięcie, natężenie prądu, pojemność, temperaturę, rezystancję wewnętrzną oraz wydajność kulombiczną i energetyczną, wraz z cechami wypracowanymi, takimi jak pojemność przyrostowa, napięcie różnicowe i przepływ energii. Protokół szczegółowo opisuje znormalizowane procedury preprocessingu służące do konstruowania tensorów czasowych na poziomie baterii w wielu oknach obserwacyjnych. W celu zwiększenia powtarzalności, w ramach schematu oceniono kandydujące architektury sieci neuronowych, w tym głębokie sieci neuronowe, konwolucyjne sieci neuronowe (CNN), sieci z długiej krótkotrwałej pamięcią (LSTM), modele CNN–LSTM oraz modele oparte na transformerach, stosując stałe ziarna losowe, powtórzone przebiegi ewaluacyjne oraz monitorowanie środowiska. Reprezentatywne wyniki wykazały, że architektura CNN–LSTM z zintegrowanymi danymi wielokanałowymi i wypracowanymi cechami osiągnęła korzystną wydajność predykcyjną spośród ocenianych modeli. Wybrana konfiguracja pozwoliła uzyskać średni błąd bezwzględny na poziomie 0,024 oraz wartość R² wynoszącą 0,955 dla szacowania stanu zdrowia (state-of-health), zachowując jednocześnie wysoką wydajność predykcyjną dla szacowania pozostałego okresu użytkowania (remaining useful life) oraz energii możliwej do rozładowania. Analizy ablacyjne i badania odporności dodatkowo wykazały wkład integracji cech wielokanałowych oraz stabilność skoncentrowanego na powtarzalności schematu podczas wielokrotnych ewaluacji. Ta znormalizowana metodologia dostarcza powtarzalnych ram dla zarządzania cyklem życia baterii i modelowania predykcyjnego w zróżnicowanych warunkach eksploatacyjnych.

Wprowadzenie

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

Baterie litowo-jonowe odgrywają kluczową rolę w globalnym przejściu na odnawialne źródła energii ze względu na ich wysoką gęstość energii, długą żywotność cykliczną i niski stopień samorozładowania w zastosowaniach obejmujących zarówno elektronikę przenośną, jak i systemy magazynowania energii w skali sieciowej. Jednakże długotrwała eksploatacja nieuchronnie prowadzi do stopniowej degradacji pojemności i wzrostu rezystancji wewnętrznej¹. Spadek wydajności ten nie tylko obniża rentowność ekonomiczną, ale także stwarza poważne zagrożenia dla bezpieczeństwa, w tym ryzyko niekontrolowanego wzrostu temperatury (thermal runaway). Wraz z przyspieszającym wdrażaniem wielkoskalowych systemów magazynowania energii, zarządzanie cyklem życia baterii staje się coraz bardziej złożone². Tradycyjne monitorowanie oparte na progach oraz protokoły manualnych inspekcji są niewystarczające w dynamicznych środowiskach operacyjnych³. Co więcej, poleganie na pojedynczym parametrze jest nieadekwatne do dokładnego przewidywania stanu zdrowia baterii (SOH) lub pozostałego okresu użytkowania (RUL) w warunkach zmiennych prędkości ładowania i rozładowywania, temperatur otoczenia oraz wahań napięcia rozładowania⁴. Choć obecny schemat postępowania został zwalidowany głównie przy użyciu zestawów danych z cykli kontrolowanych laboratoryjnie, architektura wielokanałowa i ramy modelowania czasowego mogą wspierać przyszłą adaptację do dynamicznych warunków operacyjnych występujących w zastosowaniach w pojazdach elektrycznych oraz w zmiennych środowiskach zewnętrznych.

Degradacja baterii jest wysoce złożonym, nieliniowym procesem elektrochemicznym napędzanym przez wzrost warstwy pasywnej elektrolitu stałego (SEI), utratę aktywnego litu oraz pogorszenie struktury materiałów elektrodowych. Historycznie szacowanie stanu opierało się na modelach obwodów zastępczych lub elektrochemicznych równaniach różniczkowych cząstkowych (PDE)⁵. Chociaż te modele fizyczne dostarczają cennych informacji mechanistycznych, obarczone są one znacznym narzutem obliczeniowym i trudnościami w identyfikacji parametrów podczas przetwarzania sprzężonych sygnałów wielokanałowych. W konsekwencji ich implementacja w czasie rzeczywistym w systemach zarządzania bateriami (BMS) jest poważnie ograniczona przez złożoną kinetykę dyfuzji oraz zmienność środowiskową w warunkach rozładowania z wysokim natężeniem prądu⁶. W przeciwieństwie do nich, proponowany schemat głębokiego uczenia (DL) koncentruje większość zapotrzebowania obliczeniowego w fazie uczenia offline, podczas gdy wytrenowany model wykonuje porównawczo szybką inferencję podczas wdrożenia. Taka architektura może zatem wspierać przyszłą implementację w systemach BMS o ograniczonych zasobach oraz w środowiskach obliczeń krawędziowych (edge computing).

W ostatnim czasie podejścia oparte na głębokim uczeniu (DL) sterowanym danymi wyłoniły się jako potężne narzędzia dzięki ich wyjątkowym możliwościom dopasowania nieliniowego. Niemniej jednak istniejące metodologie DL wykazują dwa główne ograniczenia. Po pierwsze, wiele podejść opiera się głównie na pojedynczych krzywych degradacji pojemności lub specyficznych progach napięcia rozładowania, pomijając przy tym immanentne korelacje czasoprzestrzenne między wielokanałowymi odpowiedziami podczas cyklowania, takimi jak napięcie, prąd i temperatura. Ograniczenie to zmniejsza odporność modelu w scenariuszach operacyjnych w wielu warunkach⁷. Poprzednie badania wykazały, że pomijanie stanów termicznych podczas złożonych operacji może przyspieszyć kumulację błędów predykcyjnych⁸^,⁹. Po drugie, w zastosowanym uczeniu maszynowym (ML) istnieje trwały problem z powtarzalnością. Zróżnicowanie warunków eksperymentalnych, niewystarczająco opisane potoki przetwarzania wstępnego oraz arbitralnie dobrane hiperparametry sieci neuronowych często sprawiają, że modele, które w innym przypadku byłyby odporne, zawodzą podczas walidacji międzyzbiorowej¹⁰. Aby zmniejszyć ryzyko wycieku informacji podczas przetwarzania wstępnego i prognozowania wczesnych cykli, proponowany przepływ pracy wyznacza czynniki skalowania normalizacji i bazowe wartości cech inżynieryjnych wyłącznie z zestawów treningowych przed zewnętrzną walidacją i ewaluacją międzyzbiorową.

Aby wypełnić te krytyczne luki, ogólnym celem niniejszego protokołu jest przedstawienie zautomatyzowanego, wysoce powtarzalnego przepływu pracy (workflow) opartego na głębokim uczeniu (DL) do przewidywania wydajności magazynowania energii w akumulatorach litowo-jonowych z wykorzystaniem wielokanałowych danych z cykli ładowania i rozładowania. Teoretyczną podstawą tej metody jest jawne uchwycenie złożonych, długoterminowych zależności związanych z degradacją akumulatorów poprzez integrację wielomodalnych danych szeregów czasowych w wysokowymiarowej architekturze sieci neuronowej. Kluczową zaletą tego protokołu w porównaniu do istniejących podejść opartych na fizyce i DL jest jego całościowa standaryzacja, która ustanawia kompletny potok obejmujący wstępne przetwarzanie surowych sygnałów, inżynierię cech, trenowanie modelu oraz ocenę niepewności. Choć hybrydowe architektury sieci neuronowych były badane wcześniej, obecny przepływ pracy kładzie nacisk na standaryzowaną integrację wielokanałową poprzez dopasowanie elektrochemicznych zmiennych cyklicznych do zaprojektowanych cech degradacji w ramach struktury treningowej skoncentrowanej na powtarzalności. W przeciwieństwie do wielu wcześniej raportowanych przepływów pracy, niniejszy protokół zawiera standaryzowane konfiguracje parametrów, stałe ziarna losowe (random seeds), powtarzane uruchomienia ewaluacyjne oraz kompleksowe śledzenie środowiska, aby poprawić powtarzalność w heterogenicznych zbiorach danych o akumulatorach i różnych warunkach laboratoryjnych. Dodatkowo, przepływ pracy systematycznie porównuje wiele architektur sieci neuronowych, aby ocenić stabilność predykcyjną i wydajność dla różnych konfiguracji wejściowych. W obrębie ewaluowanych zbiorów danych i ustawień eksperymentalnych, architektura łącząca konwolucyjną sieć neuronową z długo- i krótkotrwałą pamięcią (CNN–LSTM) wykazała korzystniejszą wydajność predykcyjną w stosunku do badanych samodzielnych modeli CNN oraz modeli opartych na transformatorach, łącząc lokalną ekstrakcję cech z modelowaniem długodystansowych sekwencji czasowych przy zachowaniu umiarkowanej złożoności obliczeniowej. Protokół ten jest odpowiedni dla badaczy i inżynierów dążących do opracowania powtarzalnych i adaptacyjnych do środowiska modeli predykcyjnych dla zarządzania cyklem życia akumulatorów.

Protokół

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

W przypadku niniejszego badania nie było wymagane zatwierdzenie przez instytucjonalną komisję etyki, ponieważ badania opierały się wyłącznie na publicznie dostępnych zestawach danych dotyczących cykli ładowania i rozładowania baterii litowo-jonowych i nie obejmowały uczestników będących ludźmi, zwierząt ani próbek biologicznych.

1. Pozyskiwanie i organizacja danych

Pozyskanie wielokanałowych zbiorów danych z cykli
1. Pobierz zbiory danych z cykli baterii litowo-jonowych z publicznie dostępnych repoztoriów baterii zawierających zapisy cykli ładowania-rozładowania. Pozyskaj zbiory danych CALCE, SANYO, PANASONIC, KOKAM i GOTION bezpośrednio z ich odpowiednich instytucjonalnych repozytoriów o otwartym dostępie lub poprzez linki DOI (Digital Object Identifier), aby zachować spójność wersji zbiorów danych.
2. Wybierz próbki baterii zawierające pełną liczbę cykli, pomiary pojemności oraz co najmniej jedną ciągłą krzywą ładowania-rozładowania. Zweryfikuj ciągłość, potwierdzając, że w obrębie jednego cyklu nie występuje przerwa przekraczająca dwie godziny i że obie fazy – stałego prądu oraz stałego napięcia – zostały w pełni zapisane.
Filtrowanie surowych zapisów z cykli
1. Przefiltruj surowe zapisy z cykli, aby zachować próbki zawierające pomiary temperatury, rezystancji wewnętrznej, wydajności kulombicznej oraz sprawności energetycznej. Wyklucz z przepływu analizy ogniwa baterii pozbawione tych obowiązkowych kanałów stanu, ponieważ późniejsza wielokanałowa fuzja cech wymaga pełnego zestawu fizycznych zmiennych wejściowych.
2. Usuń cykle zawierające niekompletne zapisy, niespójne znaczniki czasu, niezdefiniowane procedury testowe lub niejasne warunki zakończenia ładowania-rozładowania. Zdefiniuj cykle anomalne jako takie, w których występuje nagły spadek pojemności przekraczający 5% pomiędzy sąsiednimi cyklami, pomiary napięcia poza zakresem roboczym specyficznym dla danej chemii lub niemonotoniczne odstępy między znacznikami czasu.
Budowa czasowej bazy danych baterii
1. Uporządkuj zachowane zapisy z cykli chronologicznie, aby zbudować bazę danych szeregów czasowych na poziomie baterii.
2. Przechowuj przetworzone zbiory danych w formacie Hierarchical Data Format wersji 5 (HDF5). Zachowaj standaryzowaną strukturę katalogów zorganizowaną według źródła zbioru danych, systemu chemicznego i identyfikatora poszczególnych ogniw baterii.
3. Przypisz unikalne identyfikatory do poszczególnych ogniw baterii przed partycjonowaniem zbioru danych. Zastosuj grupowanie w oparciu o identyfikator ogniwa baterii podczas podziału na zbiór treningowy i testowy, aby zapewnić, że wszystkie sekwencyjne cykle z jednej fizycznej baterii pozostaną wyłącznie w jednym podzbiorze danych.
  UWAGA: Zachowaj oryginalne surowe zbiory danych oddzielnie przed wstępnym przetwarzaniem, normalizacją, ponownym próbkowaniem lub inżynierią cech.
Definiowanie okien obserwacyjnych
1. Zbuduj wielokanałowe okna obserwacyjne, wykorzystując pierwsze 50 cykli, pierwsze 100 cykli oraz pierwsze 20% całkowitego cyklu życia baterii. Oblicz próg 20% cyklu życia, mnożąc całkowity czas życia w cyklach przed degradacją pojemności do poziomu końca eksploatacji (end-of-life) przez 0,2.
2. Zsynchronizuj pomiary napięcia, prądu, pojemności, temperatury, rezystancji wewnętrznej i sprawności w obrębie każdego okna obserwacyjnego przed konstrukcją tensora.
3. Sformatuj końcową strukturę wejściową jako tensor trójwymiarowy składający się z długości okna obserwacyjnego, 128 zestandaryzowanych punktów próbkowania wewnątrzcyklicznego oraz uporządkowanego wielokanałowego zestawu cech.

2. Przetwarzanie wstępne danych i inżynieria cech

Wstępne przetwarzanie surowych danych z cykli
1. Przeprowadź jednolite wstępne przetwarzanie surowych zbiorów danych z cykli, aby ustandaryzować jakość danych ze wszystkich źródeł baterii. Wykonaj wszystkie procedury wstępnego przetwarzania, synchronizacji i standaryzacji przy użyciu języka Python 3.10 z biblioteką Pandas do manipulacji szeregami czasowymi oraz SciPy do interpolacji numerycznej.
2. Usuń wartości odstające, wykryj brakujące wartości, skalibruj znaczniki czasu, zidentyfikuj fazy ładowania i rozładowania oraz znormalizuj częstotliwości próbkowania przed dalszą analizą. Zastosuj zmodyfikowaną metodę progowania Z-score z kryterium odrzucenia powyżej 3.0 w celu detekcji anomalii.
3. Wykryj brakujące wartości automatycznie, identyfikując flagi NaN we wszystkich tablicach numerycznych. Rozróżnij fazy ładowania i rozładowania na podstawie polaryzacji prądu, przypisując dodatnie wartości prądu do cykli ładowania, a ujemne do cykli rozładowania.
4. Zrekonstruuj brakujące segmenty sygnału, używając odcinkowych sześcianowych wielomianów interpolacyjnych Hermite'a, aby zachować elektrochemiczną dynamikę czasową podczas dopasowania przejść fazowych.
Próbkowanie krzywych cyklicznych
1. Ponownie próbkuj krzywe cykliczne w przypadku wykrycia różnic w gęstości próbkowania lub dryftu sygnału w zbiorach danych. Uruchom automatyczne ponowne próbkowanie zawsze wtedy, gdy odstęp między kolejnymi pomiarami odbiega o więcej niż 10% w stosunku do medianowej częstotliwości próbkowania odpowiadającej fazie cyklu.
2. Ustandaryzuj liczbę punktów próbkowania w każdym cyklu, aby zredukować różnice w zapisach wynikające ze specyfiki platformy. Mapuj wszystkie sekwencje czasowe na stałą siatkę przestrzenną, stosując jednowymiarową interpolację liniową.
3. Skompresuj lub rozszerz każdy profil ładowania-rozładowania do dokładnie 128 równoodległych punktów próbkowania przed konstrukcją tensora.
Normalizacja zmiennych ciągłych
1. Znormalizuj wszystkie zmienne ciągłe przed trenowaniem modelu, aby ustabilizować zbieżność sieci i zredukować błąd związany ze skalą. Zastosuj skalowanie Min-Max, aby przekształcić wszystkie zmienne ciągłe w zakres numeryczny od 0 do 1.
2. Oblicz wszystkie parametry normalizacji wyłącznie na podstawie zbioru treningowego. Zastosuj zamrożone parametry skalowania do zbiorów walidacyjnych i testowych, aby zmniejszyć ryzyko wycieku danych czasowych do przodu podczas przewidywania wczesnych cykli.
Konstrukcja wielokanałowych tensorów wejściowych
1. Podziel ciągłe zapisy cykliczne dla każdej baterii na czasowe segmenty o stałej długości. Ustrukturyzuj segmenty czasowe zgodnie z predefiniowanymi oknami obserwacyjnymi odpowiadającymi pierwszym 50 cyklom, pierwszym 100 cyklom lub pierwszym 20% cyklu życia baterii.
2. Dopasuj pomiary napięcia, prądu, pojemności, temperatury, rezystancji wewnętrznej i wydajności w każdym segmencie czasowym przed konstrukcją tensora.
3. Połącz dopasowane macierze cech w trójwymiarowy tensor o formacie (N × 128 × C), gdzie N reprezentuje długość okna obserwacyjnego, 128 oznacza znormalizowane punkty próbkowania wewnątrzcykliczne, a C reprezentuje całkowitą liczbę kanałów cech fizycznych i wypracowanych.
Ekstrakcja wypracowanych cech
1. Wyodrębnij wypracowane cechy elektrochemiczne z surowych sygnałów cyklicznych, aby usprawnić identyfikację wzorców degradacji. Oblicz cechy pojemności przyrostowej i napięcia różnicowego, wyznaczając dQ/dV oraz dV/dQ w obrębie znormalizowanej siatki próbkowania.
2. Zastosuj filtr Savitzky’ego–Golaya, aby wygenerować wygładzone krzywe pojemności przyrostowej i napięcia różnicowego.
3. Wyodrębnij wskaźniki degradacji, w tym przesunięcia napięcia szczytowego, różnice napięć przejścia fazowego oraz cykliczne wariacje przepływu energii z przefiltrowanych cech elektrochemicznych.

3. Budowa i trenowanie modelu DL

Konstrukcja kandydackich modeli predykcyjnych
1. Opracuj zestandaryzowany schemat uczenia i ewaluacji dla wszystkich modeli predykcyjnych przedstawionych na Rysunku 1A. Zaimplementuj przepływ pracy DL (uczenia głębokiego) przy użyciu PyTorch w wersji 2.0 lub wyższej.
2. Uruchom proces uczenia, korzystając z modularnych skryptów Python do ładowania danych, inicjalizacji modelu, optymalizacji i ewaluacji.
3. Przygotuj tradycyjne modele bazowe ML (uczenia maszynowego), w tym regresję liniową, lasy losowe oraz modele drzew decyzyjnych z wzmocnieniem gradientowym. Skonfiguruj model lasu losowego z 100 drzewami i maksymalną głębokością wynoszącą 10.
4. Skonfiguruj framework drzew decyzyjnych z wzmocnieniem gradientowym, stosując współczynnik uczenia 0,1 i maksymalną głębokość drzewa równą 5 za pomocą biblioteki Scikit-learn.
5. Przygotuj kandydackie architektury DL, w tym wielowarstwowy perceptron, jednowymiarową sieć CNN, sieć LSTM, CNN–LSTM oraz modele oparte na transformatorach.
6. Zunifikuj kluczowe hiperparametry we wszystkich architekturach DL, stosując optymalizator AdamW, funkcje aktywacji GELU (Gaussian error linear unit), wymiar ukryty wynoszący 128 oraz współczynnik dropout równy 0,2.
Konfiguracja architektury CNN–LSTM
1. Skonfiguruj architekturę CNN–LSTM w celu fuzji wielokanałowych informacji o cyklach z tensorów wejściowych (Rysunek 1B). Zbuduj hybrydową architekturę, kaskadując ekstraktor cech splotowych do dwóch stosowanych warstw rekurencyjnych, z których każda zawiera 128 jednostek ukrytych.
2. Zakończ architekturę trzema równoległymi, w pełni połączonymi głowicami regresyjnymi do jednoczesnej predykcji SOH, RUL oraz energii możliwej do rozładowania.
3. Przetwarzaj wielokanałowe tensory wejściowe przez trzy kolejne jednowymiarowe warstwy splotowe o rozmiarach jąder 3, 5 i 7, aby wyodrębnić lokalne cechy wieloskalowe.
4. Zastosuj normalizację wsadową (batch normalization) po każdej warstwie splotowej w celu poprawy stabilności gradientu podczas optymalizacji.
5. Zmień kształt splotowych map cech w ciągłe sekwencje czasowe przed modelowaniem sekwencyjnym.
6. Wprowadź zakodowane sekwencje czasowe do stosowanych warstw rekurencyjnych, aby uchwycić długodystansowe zależności degradacji w ramach zdefiniowanych okien obserwacyjnych.
Podział zbiorów danych dla uczenia modelu
1. Podziel przetworzone zbiory danych ogniw bateryjnych na podzbiory treningowe, walidacyjne i testowe w stosunku 70:15:15. Wykonaj podział zbioru danych przy użyciu stałego ziarna losowości (random seed) o wartości 42.
2. Zastosuj próbkowanie warstwowe w oparciu o chemię baterii, aby zachować zbalansowane rozkłady degradacji we wszystkich podzbiorach danych.
3. Wykonaj podział zbiorów danych ściśle na poziomie ogniwa bateryjnego, a nie poprzez randomizację poszczególnych cykli, aby zachować sekwencyjne trajektorie degradacji.
4. Traktuj każde ogniwo baterii jako niepodzielną jednostkę podczas podziału, aby zapobiec wyciekowi informacji między zbiorami danych.
5. Zweryfikuj programowo izolację zbiorów danych, obliczając część wspólną identyfikatorów ogniw bateryjnych w podzbiorach treningowym, walidacyjnym i testowym i potwierdzając brak nakładania się danych.
6. Zestaw zewnętrzny zbiór testowy, wykorzystując kompletny zbiór danych GOTION dla litowo-żelazowo-fosforanowych (LFP) baterii do ewaluacji poza rozkładem i oceny generalizacji międzyzbiorowej.
7. Udostępnij kod źródłowy, pliki konfiguracji środowiska oraz przetworzone partycje zbiorów danych w dedykowanym repozytorium GitHub, aby zapewnić przejrzystość metodologiczną i reprodukowalność.
Inicjalizacja uczenia modelu
1. Przed rozpoczęciem uczenia ustaw funkcję straty regresji na średnią błąd kwadratowy (mean squared error). Oblicz globalny cel uczenia poprzez agregację wartości strat z każdego celu predykcyjnego przy zastosowaniu równych wag.
2. Ustaw początkowy współczynnik uczenia na 1 × 10⁻³ i wybierz rozmiar wsadu (batch size) 32 lub 64 w zależności od wielkości zbioru danych.
3. Użyj rozmiaru wsadu 64 dla zbiorów danych zawierających ponad 5 000 cykli, aby poprawić wykorzystanie sprzętu. Użyj rozmiaru wsadu 32 dla mniejszych zbiorów danych, aby poprawić stabilność optymalizacji.
  UWAGA: Wybierz te hiperparametry poprzez wstępną ewaluację metodą grid-search, aby zrównoważyć szybkość zbieżności i stabilność gradientu dla różnych okien obserwacyjnych.
Zastosowanie kontroli uczenia
1. Zastosuj dynamiczny harmonogram współczynnika uczenia w oparciu o zmiany straty walidacyjnej. Zredukuj współczynnik uczenia o czynnik 0,5, jeśli strata walidacyjna nie ulegnie poprawie przez 5 kolejnych epok.
2. Utrzymuj minimalny próg współczynnika uczenia na poziomie 1 × 10⁻⁵ podczas optymalizacji.
3. Zatrzymaj uczenie modelu po maksymalnie 100 epokach, aby ograniczyć przeuczenie (overfitting).
4. Zastosuj wczesne zatrzymanie (early stopping), jeśli strata walidacyjna nie maleje przez 15 kolejnych epok. Przywróć wagi modelu odpowiadające iteracji walidacyjnej z najlepszym wynikiem.
Prowadzenie rejestrów reprodukowalności
1. Ustaw stałą wartość ziarna losowości na 42 przed inicjalizacją i uczeniem modelu.
2. Stosuj stałe ziarno losowości konsekwentnie w module random Pythona, NumPy oraz backendzie PyTorch, wyłączając niedeterministyczne operacje CUDA.
3. Zapisuj środowisko programowe, wersje zależności, ustawienia parametrów, partycje danych i wyniki uczenia dla każdego przebiegu eksperymentalnego.
4. Wykonuj wszystkie przepływy pracy DL w systemie Ubuntu 22.04 z akceleracją CUDA 11.8 na stacji roboczej wyposażonej w jednostkę przetwarzania graficznego NVIDIA RTX 3090 lub równoważny sprzęt.

figure-protocol-1
Rycina 1. Powtarzalny schemat głębokiego uczenia (DL) do wielokanałowego przewidywania parametrów pracy akumulatorów litowo-jonowych. (A) Kompleksowy, powtarzalny schemat obrazujący wielokanałowe pozyskiwanie danych, standaryzowane przetwarzanie wstępne, konstrukcję tensorów, trenowanie modelu oraz przewidywanie wskaźników wydajności akumulatora. Kontrola powtarzalności obejmuje stałe ziarna liczb losowych (random seeds), powtarzalne cykle trenowania, śledzenie parametrów oraz logowanie środowiska. (B) Hybrydowa architektura CNN–LSTM wykorzystywana do wielokanałowej ekstrakcji cech, modelowania sekwencji czasowych, fuzji cech oraz przewidywania stanu zdrowia (SOH), pozostałego okresu użytkowania (RUL) i energii możliwej do rozładowania. (C) Potok ewaluacji i wdrożenia przedstawiający przesiewowanie modeli kandydujących, ocenę odporności, optymalizację hiperparametrów i wybór ostatecznego modelu. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

4. Ocena modelu i przewidywanie celu

Generowanie predykcji modelu
1. Przetwarzanie docelowych zestawów danych testowych dla każdej baterii przez każdy wytrenowany model. Przed wnioskowaniem należy wczytać wstępnie przetworzone zestawy danych testowych jako zserializowane tensory PyTorch.
2. Wykonanie przejścia w przód (forward inference pass) przy użyciu menedżera kontekstu wyłączającego gradienty, aby zapobiec niezamierzonym aktualizacjom parametrów podczas ewaluacji.
3. Generowanie jednoczesnych predykcji dla każdego wskaźnika wydajności przy użyciu wytrenowanych głowic regresyjnych.
4. Wyodrębnienie symultanicznych wyników z trzech równoległych głowic regresyjnych skonfigurowanych do predykcji SOH, RUL oraz energii rozładowywalnej.
Obliczanie celów predykcji
1. Obliczanie SOH poprzez porównanie aktualnej dostępnej pojemności z początkową pojemnością baterii.
2. Zdefiniowanie początkowej pojemności baterii jako maksymalnej pojemności rozładowania zarejestrowanej podczas pierwszych trzech cykli stabilizacyjnych.
3. Obliczenie SOH jako stosunku pojemności w aktualnym cyklu do ustalonej bazowej pojemności początkowej.
4. Szacowanie RUL poprzez identyfikację progu operacyjnego, przy którym stabilna pojemność baterii przestaje być utrzymywana.
5. Zdefiniowanie końca żywotności jako numeru cyklu, w którym pojemność baterii nieodwracalnie spada poniżej 80% nominalnej pojemności znamionowej.
6. Obliczenie RUL jako liczby pozostałych cykli od aktualnego punktu obserwacji do zdefiniowanego progu końca żywotności.
7. Prognozowanie energii rozładowywalnej na podstawie zarejestrowanych warunków rozładowania.
8. Obliczenie rzeczywistej wartości (ground-truth) energii rozładowywalnej poprzez numeryczną integrację iloczynu napięcia rozładowania i prądu rozładowania w przedziale rozładowania przy użyciu metody całkowania trapezowego.
Ocena wydajności predykcyjnej
1. Obliczanie średniego błędu bezwzględnego (MAE), pierwiastka średniokwadratowego błędu (RMSE), średniego bezwzględnego błędu procentowego (MAPE) oraz współczynnika determinacji (R²) dla każdego celu predykcji.
2. Obliczenie wszystkich metryk ewaluacyjnych przy użyciu modułu metrics biblioteki Scikit-learn ze standaryzowanymi formułami statystycznymi.
3. Zastosowanie identycznych obliczeń metryk dla wszystkich modeli, zestawów danych i konfiguracji wejściowych w celu zachowania spójności oceny.
4. Agregacja wszystkich metryk wydajności dla połączonych próbek baterii w niezależnym zestawie danych testowych w celu oceny ogólnej generalizacji modelu.
Raportowanie wydajności warstwowej
1. Obliczenie średniej i odchylenia standardowego dla każdej metryki ewaluacyjnej w powtórnych uruchomieniach eksperymentalnych.
2. Wyprowadzenie raportowanych miar statystycznych z pięciu niezależnych inicjalizacji modelu.
3. Raportowanie 95% przedziałów ufności wraz ze średnimi metrykami wydajności w celu określenia niepewności predykcyjnej.
4. Porównanie wydajności modelu dla różnych długości okna obserwacyjnego i konfiguracji kanałów wejściowych.
5. Warstwowanie analizy porównawczej przy użyciu okien obserwacyjnych odpowiadających 50 cyklom, 100 cyklom i 200 cyklom.
6. Ocena wydajności predykcyjnej dla wielu konfiguracji wejściowych, od danych obejmujących tylko pojemność, po pełną integrację wielokanałowych tensorów. W celu zapoznania się z przebiegiem ewaluacji, weryfikacji odporności i wyboru wdrożenia należy odnieść się do Rysunku 1C.

5. Analiza powtarzalności, odporności i czułości

Weryfikacja powtarzalności i odporności
1. Zachować identyczne partycje danych, przepływy pracy preprocessingu i procedury eksperymentalne we wszystkich ocenach powtarzalności przedstawionych na Rysunku 2A.
2. Obliczyć współczynnik zmienności dla głównych metryk oceny w powtórzonych próbach, aby ocenić spójność powtarzalności.
3. Powtórzyć wszystkie procedury oceny, korzystając z tego samego zestandaryzowanego przepływu pracy trenowania i testowania.
4. Inicjować każdą powtórzoną ocenę z wykorzystaniem zrandomizowanych wag sieci, zachowując jednocześnie te same deterministyczne procedury ładowania i tasowania danych.
Przeprowadzenie powtórzonych eksperymentów trenowania
1. Trenować modele predykcyjne wielokrotnie w identycznych warunkach eksperymentalnych, korzystając z predefiniowanych stałych wartości ziarna losowego w celu zapewnienia powtarzalnej inicjalizacji wag.
2. Przeprowadzić pięć niezależnych cykli trenowania przy użyciu identycznych partycji zbioru danych, aby zredukować zmienność wynikającą z danych.
3. Obliczyć końcowe metryki wydajności poprzez uśrednienie metryk oceny uzyskanych z pięciu powtórzonych cykli trenowania.
4. Zagregować końcowe metryki odporności, korzystając z uśrednionych wyników oceny, zamiast łączyć surowe tensory predykcji.
Ocena wrażliwości hiperparametrów
1. Modyfikować indywidualnie szybkość uczenia, rozmiar partii, wymiar warstwy ukrytej oraz współczynnik dropout podczas analizy wrażliwości.
2. Ocenić szybkości uczenia w zakresie od 1 × 10⁻⁴ do 1 × 10⁻², rozmiary partii od 32 do 128, wymiary ukryte od 32 do 256 oraz współczynniki dropout od 0.1 do 0.5.
3. Odnotować odpowiadające im zmiany w dokładności predykcyjnej po każdej korekcie hiperparametrów.
4. Ilościowo określić zmienność wydajności predykcyjnej przy użyciu RMSE i R².
Przeprowadzenie analizy ablacji cech
1. Usunąć wybrane kanały wejściowe, w tym temperaturę, rezystancję wewnętrzną oraz wektory cech syntetycznych, ze strumienia wejściowego wielokanałowego.
2. Przeprowadzić ablację cech zgodnie ze strategią leave-one-out, usuwając po jednej grupie cech na raz przy zachowaniu pozostałej struktury wejścia wielokanałowego.
3. Porównać wynikową wydajność predykcyjną po każdym eksperymencie usuwania cech, aby ocenić wkład poszczególnych grup cech w stabilność i dokładność modelu.
4. Ilościowo określić relatywny wkład każdej grupy cech, obliczając procentowy wzrost średniego błędu bezwzględnego w stosunku do pełnego bazowego modelu wielokanałowego. Patrz Rysunek 2B w celu zapoznania się z przepływem pracy oceny odporności i analizy wrażliwości

figure-protocol-2
Rysunek 2. Standaryzowany schemat wstępnego przetwarzania, oceny odporności oraz analizy wrażliwości. (A) Standaryzowany schemat wstępnego przetwarzania wielokanałowego przedstawiający przetwarzanie surowych sygnałów cyklicznych, kalibrację znaczników czasu, usuwanie wartości odstających, prze próbkowanie, normalizację, wyrównywanie kanałów i konstrukcję tensora. Strategie reprezentacji danych wejściowych porównują wejścia jednokanałowe, surowe wejścia wielokanałowe oraz wejścia wielokanałowe połączone z cechami wygenerowanymi. (B) Potok analizy odporności i wrażliwości pokazujący systematyczną perturbację hiperparametrów, ocenę powtarzalności uruchomień, analizę ablacji cech, walidację krzyżową oraz walidację zewnętrzną schematu CNN–LSTM. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Wyniki

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

Wielokanałowe sygnały cykliczne i dystrybucja danych

Przeanalizowano reprezentatywne wielokanałowe sygnały z cykli oraz rozkłady wydajności, aby scharakteryzować zachowanie odpowiedzi na cykle baterii litowo-jonowych. W badaniu wykorzystano pięć zbiorów danych baterii litowo-jonowych reprezentujących wiele układów chemicznych, w tym tlenek litu i kobaltu (LCO), tlenek niklu, kobaltu i glinu (NCA), tlenek niklu, manganu i kobaltu (NMC) oraz LFP (Tabela 1). Podstawowe zmienne cykliczne, takie jak napięcie, prąd, pojemność, temperatura, rezystancja wewnętrzna oraz sprawność kulombowska lub energetyczna, zostały zintegrowane z cechami inżynieryjnymi, takimi jak charakterystyki przyrostowej pojemności i różnicowego napięcia, w celu ustanowienia wielokanałowej struktury charakterystyki. Profile pojemność-napięcie i rozkłady SOH dla zbioru danych CALCE (Rysunek 3A), profile średniego napięcia i rozkłady SOH dla zbioru danych SANYO (Rysunek 3B), trajektorie starzenia dla zbioru danych PANASONIC (Rysunek 3C), mapy ciepła ewolucji napięcia dla zbioru danych KOKAM (Rysunek 3D) oraz profile rozkładu napięcia dla zbioru danych GOTION (Rysunek 3E) wykazały odmienne zachowania degradacyjne w oceniających składach chemicznych baterii. Na przykład zbiór danych GOTION IFP20100140A wykazał schodkową charakterystykę napięcia typową dla systemów LFP, podczas gdy zbiór danych PANASONIC NCR18650BD wykazał postępującą degradację pojemności wraz z przesunięciami profilu napięcia podczas długotrwałego cyklowania.

Id zbioru danych	Typ / model baterii	Chemia	Format	Liczba ogniw	Suma przeanalizowanych cykli	Wykorzystane okna wczesnych cykli	Punkty próbkowania na cykl	Podstawowe kanały cyklowania	Dodatkowe kanały stanu	Cechy pochodne	Cele predykcji
Zbiór danych #1	bateria CALCE LCO	LCO	Saszetkowa (Pouch)	38	4 216	Pierwsze 50, pierwsze 100, pierwsze 20% życia	128	Napięcie, prąd, czas, pojemność	Temperatura, rezystancja wewnętrzna	dQ/dV, dV/dQ, czas ładowania, energia rozładowania	SOH, RUL, energia możliwa do rozładowania
Zbiór danych #2	SANYO UR18650E	NCA	Walcowa 18650	24	2 487	Pierwsze 50, pierwsze 100, pierwsze 20% życia	128	Napięcie, prąd, czas, pojemność	Temperatura, wydajność kulombiczna	dQ/dV, nachylenie plateau napięcia, wydajność energetyczna	SOH, RUL, energia możliwa do rozładowania
Zbiór danych #3	PANASONIC NCR18650BD	NCA	Walcowa 18650	42	5 134	Pierwsze 50, pierwsze 100, pierwsze 20% życia	128	Napięcie, prąd, czas, pojemność	Temperatura, rezystancja wewnętrzna, wydajność kulombiczna	dQ/dV, dV/dQ, czas ładowania, przepływ energii	SOH, RUL, energia możliwa do rozładowania
Zbiór danych #4	KOKAM SLPB533459H4	NMC	Saszetkowa (Pouch)	19	1 968	Pierwsze 50, pierwsze 100, pierwsze 20% życia	128	Napięcie, prąd, czas, pojemność	Temperatura, rezystancja wewnętrzna	dQ/dV, czas rozładowania, nachylenie napięcia	SOH, RUL, energia możliwa do rozładowania
Zbiór danych #5	GOTION IFP20100140A	LFP	Pryzmatyczna	57	6 482	Pierwsze 50, pierwsze 100, pierwsze 20% życia	128	Napięcie, prąd, czas, pojemność	Temperatura, rezystancja wewnętrzna, wydajność energetyczna	dQ/dV, czas trwania plateau, energia ładowania/rozładowania	SOH, RUL, energia możliwa do rozładowania

Tabela 1: Charakterystyka zbiorów danych baterii litowo-jonowych, wielokanałowych zmiennych cyklicznych, opracowanych cech i celów predykcji wykorzystanych w odtwarzalnym procesie DL. Tabela podsumowuje zbiory danych baterii litowo-jonowych uwzględnione w niniejszym badaniu, w tym chemię baterii, format ogniwa, liczbę ogniw, całkowitą liczbę analizowanych cykli, okna obserwacji, gęstość próbkowania, wielokanałowe zmienne cykliczne, opracowane cechy elektrochemiczne oraz cele predykcji wykorzystane do opracowania i ewaluacji modelu. Skróty: SOH = stan zdrowia (state of health); RUL = pozostały okres użytkowania (remaining useful life); LCO = tlenek litu i kobaltu; NCA = tlenek niklu, kobaltu i glinu; NMC = tlenek niklu, manganu i kobaltu; LFP = fosforan litu i żelaza.

figure-results-1
Rycina 3. Reprezentatywne wielokanałowe profile cykliczne i rozkłady stanu zdrowia baterii w zbiorach danych baterii litowo-jonowych. (A) Profile pojemność-napięcie i rozkłady SOH dla zbioru danych baterii litowo-kobaltowych CALCE. (B) Średnie profile napięcia i rozkłady SOH dla zbioru danych baterii niklowo-kobaltowo-glinowych SANYO. (C) Trajektorie starzenia i skumulowane rozkłady SOH dla zbioru danych baterii niklowo-kobaltowo-glinowych PANASONIC. (D) Mapy ciepła ewolucji napięcia i rozkłady próbek SOH dla zbioru danych baterii niklowo-manganowo-kobaltowych KOKAM. (E) Profile rozkładu napięcia i zależności SOH od rezystancji wewnętrznej dla zbioru danych baterii litowo-żelazowo-fosforanowych GOTION. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Ogólna wydajność predykcyjna dla magazynowania energii

Zaproponowany schemat pracy wykazał niskie błędy predykcji i spójną wydajność prognostyczną we wszystkich zadaniach ewaluacyjnych (Tabela 2). W przypadku szacowania SOH model osiągnął wartość MAE wynoszącą 0,021 na zbiorze walidacyjnym i 0,024 na zbiorze testowym, przy odpowiadających im wartościach R² wynoszących odpowiednio 0,962 i 0,955. Wyniki te wskazują na stabilną wydajność prognostyczną w zakresie ciągłego szacowania stanu zdrowia baterii w ocenianych warunkach. Schemat wykazał również niezawodną zdolność predykcyjną w szacowaniu RUL oraz energii rozładowywalnej, osiągając wartości R² na zbiorze testowym odpowiednio 0,927 i 0,941. Aby dalej ocenić stabilność predykcji, wszystkie parametry wydajności obliczono dla pięciu niezależnych inicjalizacji modelu z wykorzystaniem identycznych partycji zbioru danych. Wynikowe odchylenia standardowe oraz wartości współczynnika zmienności pozostały niskie w powtórzonych ewaluacjach, co wskazuje na ograniczoną wrażliwość na stochastyczną inicjalizację i stabilne zachowanie prognostyczne w powtarzalnych warunkach trenowania. Ponadto 95% przedziały ufności wykazały niewielką zmienność w powtórzonych uruchomieniach, co potwierdza odporność i powtarzalność zaproponowanego wielokanałowego schematu pracy.

Zadanie predykcyjne	Podział zbioru danych	MAE	RMSE	MAPE (%)	R²
Szacowanie SOH	Walidacja	0.021	0.029	2.47	0.962
Szacowanie SOH	Test	0.024	0.033	2.83	0.955
Predykcja RUL	Walidacja	18.6	25.9	8.74	0.938
Predykcja RUL	Test	21.4	29.7	9.63	0.927
Predykcja energii rozładowywalnej	Walidacja	0.087	0.121	3.18	0.948
Predykcja energii rozładowywalnej	Test	0.094	0.129	3.56	0.941

Tabela 2: Wydajność predykcyjna powtarzalnego przepływu pracy DL w celu szacowania parametrów akumulatorów litowo-jonowych w zestawach walidacyjnych i testowych.Tabela podsumowuje wydajność predykcyjną proponowanego przepływu pracy dla szacowania SOH, przewidywania RUL oraz przewidywania energii rozładowywalnej z wykorzystaniem zestawów walidacyjnych i testowych. Metryki wydajności obejmują średni błąd bezwzględny (MAE), pierwiastkowy błąd średniokwadratowy (RMSE), średni bezwzględny błąd procentowy (MAPE) oraz współczynnik determinacji (R²). Skróty: SOH = stan zdrowia (state of health); RUL = pozostały okres użytkowania (remaining useful life); MAE = średni błąd bezwzględny; RMSE = pierwiastkowy błąd średniokwadratowy; MAPE = średni bezwzględny błąd procentowy.

Porównanie wydajności różnych architektur DL

Ocena różnych architektur sieci i konfiguracji wejściowych wykazała znaczną zmienność w wydajności predykcyjnej (Tabela 3). Rozkłady RMSE przed i po wyborze architektury w oparciu o powtarzalność przedstawiono na Rysunku 4A. Architektura głębokiej sieci neuronowej generowała porównawczo wyższe wartości MAE i RMSE w stosunku do architektur opartych na sekwencjach oraz architektur hybrydowych. Porównania różnych konfiguracji wejściowych wielokanałowych podsumowano na Rysunku 4B. Modele łączące lokalną ekstrakcję cech z czasowym modelowaniem międzycyklicznym wykazały poprawioną dokładność predykcyjną w ocenianych warunkach. Modele wykazujące mniejszą zmienność predykcji zazwyczaj skupiały się przy wyższych średnich wynikach wydajności z mniejszymi odchyleniami standardowymi (Rysunek 4C). Zależności między średnią wydajnością a odchyleniem standardowym dla ocenianych konfiguracji wejściowych zilustrowano na Rysunku 4D. Wśród testowanych konfiguracji architektura CNN–LSTM osiągnęła najniższą wartość MAE (0,024) oraz najwyższą wartość R² (0,955) w ramach ocenianych zbiorów danych i ustawień eksperymentalnych. Ponadto zintegrowanie cech inżynieryjnych z pełnymi wejściami wielokanałowymi zredukowało MAE do 0,022 przy wartości R² wynoszącej 0,961, podczas gdy wejścia oparte wyłącznie na pojemności wykazały niższą wydajność predykcyjną.

Kategoria	Model / Konfiguracja wejścia	MAE	RMSE	MAPE (%)	R²
Architektura głębokiego uczenia	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
Konfiguracja wejścia	Tylko pojemność	0.034	0.046	3.92	0.916
	Napięcie + prąd	0.029	0.039	3.29	0.936
	Pełne wejście wielokanałowe	0.024	0.033	2.83	0.955
	Wielokanałowe + cechy wygenerowane	0.022	0.031	2.61	0.961

Tabela 3: Porównanie wydajności predykcyjnej dla różnych architektur DL i konfiguracji wejściowych. Tabela przedstawia porównanie wydajności predykcyjnej różnych architektur DL oraz konfiguracji wejściowych zastosowanych w powtarzalnym wielokanałowym przepływie pracy. Metryki wydajności obejmują średni błąd bezwzględny (MAE), pierwiastnik błędu średnio kwadratowego (RMSE), średni procentowy błąd bezwzględny (MAPE) oraz współczynnik determinacji (R²). Skróty: DNN = głęboka sieć neuronowa; CNN = konwolucyjna sieć neuronowa; LSTM = długa krótkotrwała pamięć; MAE = średni błąd bezwzględny; RMSE = pierwiastnik błędu średnio kwadratowego; MAPE = średni procentowy błąd bezwzględny.

figure-results-2
Rycina 4. Porównanie architektur modeli i konfiguracji wejściowych w oparciu o powtarzalność. (A) Rozkłady średniokwadratowego błędu przed i po wyborze architektury w oparciu o powtarzalność. (B) Rozkłady średniokwadratowego błędu dla różnych konfiguracji wejściowych przed i po wyborze stabilnego modelu. (C) Porównanie średniej wydajności i odchylenia standardowego dla kandydujących architektur modeli, gdzie kolor wskazuje średniokwadratowy błąd, a otwarte kółka oznaczają wybrane stabilne modele. (D) Porównanie średniej wydajności i odchylenia standardowego dla konfiguracji wejściowych, gdzie kolor wskazuje średniokwadratowy błąd, a otwarte kółka oznaczają wybrane optymalne konfiguracje. Proszę kliknąć tutaj, aby zobaczyć powiększoną wersję tej ryciny.

Rozkład błędów i ocena spójności

Rozkłady błędów bezwzględnych przeanalizowano w celu oceny stabilności predykcji dla konwencjonalnych modeli bazowych ML oraz architektur DL. Tradycyjne modele ML wykazywały szersze rozkłady błędów i wydłużone ogony błędów wysokich, co wskazuje na mniejszą stabilność w złożonych zadaniach predykcji wzorców degradacji. Wśród ocenianych modeli DL architektura CNN–LSTM wykazała porównawczo węższe rozkłady błędów i krótsze ogony błędów wysokich, co sugeruje lepszą integrację ekstrakcji cech lokalnych i modelowania sekwencji czasowych (Rysunek 5). Włączenie zmiennych związanych z temperaturą, rezystancją wewnętrzną i sprawnością wiązało się z sukcesywnym zmniejszaniem rozproszenia błędów predykcji w analizowanych zbiorach danych.

figure-results-3
Rysunek 5. Rozkłady błędów bezwzględnych dla konwencjonalnych modeli bazowych uczenia maszynowego (ML) i wielokanałowych modeli DL. Wykresy skrzydłowe (violin plots) porównujące rozkład bezwzględnych błędów predykcji dla konwencjonalnych modeli bazowych ML, architektur DL oraz wielokanałowych konfiguracji wejściowych. Czarne linie wskazują średni błąd bezwzględny, a kolorowe linie oznaczają średnią ± odchylenie standardowe. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Powtarzalność i odporność w różnych scenariuszach walidacji

Przepływ pracy zachował spójną wydajność predykcyjną w powtarzanych cyklach trenowania oraz przy zastosowaniu wielu strategii walidacji (Tabela 4). Powtórzone uruchomienia przeprowadzone z wykorzystaniem stałych partycji danych i stałych wartości ziarna losowego (random-seed) pozwoliły uzyskać stabilne wskaźniki wydajności, przy czym wartości R² konsekwentnie utrzymywały się powyżej 0,95, a odchylenia standardowe MAE pozostały na niskim poziomie. Dodatkowa ocena z wykorzystaniem pięciokrotnej walidacji krzyżowej oraz zewnętrznych zbiorów walidacyjnych wykazała ograniczoną zmienność wydajności w powtarzalnych warunkach eksperymentalnych. Faza walidacji zewnętrznej opierała się wyłącznie na zbiorze danych GOTION, który został całkowicie wyłączony z procedur trenowania modelu i optymalizacji hiperparametrów. Ponieważ zbiór ten reprezentuje odmienną chemię LFP i konfigurację ogniw pryzmatycznych, ocena zewnętrzna zapewniła rygorystyczną weryfikację zdolności do generalizacji między zbiorami danych w heterogenicznych warunkach elektrochemicznych i strukturalnych. Ponadto analizy współczynnika zmienności oraz oceny powtórnych uruchomień wykazały niską dyspersję predykcyjną w niezależnych eksperymentach, co potwierdza odporność i powtarzalność zaproponowanego wielokanałowego przepływu pracy.

Ustawienia walidacji	Metryka wydajności	Średnia	SD	Minimum	Maksimum	Współczynnik zmienności (%)
Powtórzone uruchomienia ze stałym podziałem danych (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
Powtórzone uruchomienia z różnymi ziarnami losowymi (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
Pięciokrotna walidacja krzyżowa	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
Walidacja zewnętrzna	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

Tabela 4: Analiza powtarzalności i odporności proponowanego wielokanałowego przepływu pracy DL w ramach wielokrotnych uruchomień treningowych i strategii walidacyjnych.Tabela podsumowuje wyniki powtarzalności i odporności proponowanego przepływu pracy podczas wielokrotnych uruchomień z ustalonymi partycjami danych, wielokrotnych uruchomień z różnymi ziarnami losowymi, pięciokrotnej walidacji krzyżowej oraz walidacji zewnętrznej. Metryki wydajności obejmują średni błąd bezwzględny (MAE), pierwiastek błędu średniokwadratowego (RMSE), średni bezwzględny błąd procentowy (MAPE), współczynnik determinacji (R²), odchylenie standardowe (SD) oraz współczynnik zmienności. Skróty: MAE = średni błąd bezwzględny; RMSE = pierwiastek błędu średniokwadratowego; MAPE = średni bezwzględny błąd procentowy; SD = odchylenie standardowe.

Wrażliwość hiperparametrów i ablacja cech

Analiza czułości hiperparametrów wykazała, że wydajność predykcji różniła się w zależności od wielkości okna obserwacyjnego, funkcji aktywacji, rozmiarów wymiarów ukrytych oraz głębokości modelu sekwencyjnego. Wpływ wielkości okna obserwacyjnego na rozkłady błędów predykcji przedstawiono na Rysunku 6A. W ocenianych warunkach okna obserwacyjne od 100 do 200 cykli wiązały się z niższymi błędami predykcji, podczas gdy dłuższe okna obserwacyjne wykazywały malejące przyrosty dokładności predykcyjnej. Zmienność predykcji zależna od funkcji aktywacji podsumowano na Rysunku 6B. Funkcje aktywacji ReLU (rectified linear unit) oraz GELU (Gaussian error linear unit) wykazały niższe błędy predykcji w porównaniu z alternatywnymi funkcjami aktywacji w ocenianych warunkach. Czułość wydajności predykcji na rozmiar wymiaru ukrytego oraz głębokość modelu sekwencyjnego przedstawiono na Rysunku 6C. Wymiary ukryte wynoszące 128 oraz od dwóch do trzech warstw modelowania sekwencyjnego wiązały się z poprawioną wydajnością predykcyjną, natomiast płytkie architektury i zredukowane wymiary ukryte wiązały się ze zwiększonym błędem predykcji. Analiza ablacji cech dodatkowo wykazała, że usunięcie cech inżynieryjnych lub zmiennych związanych z wydajnością zwiększyło MAE w stosunku do pełnej konfiguracji wielokanałowej (Tabela 5), co sugeruje, że połączone wejścia wielokanałowe i inżynieryjne cechy elektrochemiczne przyczyniły się do poprawy wydajności predykcyjnej.

figure-results-4
Rysunek 6. Wrażliwość wydajności predykcji na zmiany hiperparametrów. (A) Wpływ rozmiaru okna wejściowego na rozkład błędu predykcji. (B) Wpływ wyboru funkcji aktywacji na rozkład błędu predykcji. (C) Mapa ciepła przedstawiająca wrażliwość predykcji na rozmiar wymiaru ukrytego i liczbę warstw modelu sekwencyjnego. Linie czarne oznaczają średni błąd absolutny, a linie kolorowe oznaczają średnią ± odchylenie standardowe, gdzie dotyczy. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Kategoria	Ustawienia	MAE	RMSE (pierwiastek błędu średniokwadratowego)	MAPE (%)	R²
Rozmiar okna wejściowego	20 cykli	0.031	0.043	3.74	0.927
	50 cykli	0.026	0.036	3.08	0.944
	100 cykli	0.023	0.032	2.71	0.957
	150 cykli	0.022	0.031	2.63	0.96
	200 cykli	0.022	0.031	2.59	0.961
	250 cykli	0.023	0.032	2.67	0.958
	300 cykli	0.024	0.033	2.79	0.955
Funkcja aktywacji	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
	Sygmoidalny	0.034	0.047	3.96	0.918
Wymiar ukryty / Liczba kanałów na warstwę	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
Liczba warstw modelowania sekwencji	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
Ablacja cech	Pełne wielokanałowe + cechy zaprojektowane	0.022	0.031	2.61	0.961
	Bez cech inżynieryjnych	0.024	0.033	2.84	0.955
	Bez temperatury	0.025	0.034	2.93	0.951
	Bez oporu wewnętrznego	0.026	0.035	3.01	0.949
	Bez zmiennych związanych z efektywnością	0.025	0.034	2.95	0.95
	Tylko napięcie + prąd	0.029	0.039	3.29	0.936
	Wydajność	0.034	0.046	3.92	0.916

Tabela 5: Analiza wrażliwości wydajności modelu przy różnych ustawieniach hiperparametrów i konfiguracjach ablacji cech.Tabela podsumowuje wpływ rozmiaru okna wejściowego, funkcji aktywacji, rozmiaru wymiaru ukrytego, głębokości modelu sekwencyjnego oraz strategii ablacji cech na wydajność predykcji w proponowanym wielokanałowym przepływie pracy DL. Metryki wydajności obejmują średni błąd absolutny (MAE), pierwiastkowy błąd średniokwadratowy (RMSE), średni procentowy błąd absolutny (MAPE) oraz współczynnik determinacji (R²). Skróty: MAE = średni błąd absolutny; RMSE = pierwiastkowy błąd średniokwadratowy; MAPE = średni procentowy błąd absolutny; ReLU = jednostka liniowa z prostowaniem; GELU = jednostka liniowa z błędem Gaussa.

Dyskusja

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

Opisany w niniejszym protokole powtarzalny przepływ pracy DL wykazał dokładną możliwość przewidywania wydajności akumulatorów litowo-jonowych przy użyciu wielokanałowych danych z cykli ładowania i rozładowania. W oceniających warunkach eksperymentalnych przepływ pracy osiągnął wartość MAE w zbiorze testowym na poziomie 0,024 oraz wartość R² równą 0,955 dla szacowania SOH, co potwierdza jego potencjalną użyteczność w zarządzaniu cyklem życia baterii oraz w zastosowaniach monitorowania magazynowania energii¹¹^,¹²^,¹³.

Główną zaletą niniejszego protokołu jest zmniejszenie złożoności obliczeniowej w porównaniu z tradycyjnymi elektrochemiczno-fizycznymi modelami PDE⁵. Chociaż podejścia oparte na fizyce dostarczają mechanistycznego wglądu w degradację baterii, często napotykają one trudności z identyfikacją parametrów w warunkach wysokiego prądu rozładowania i w wielokanałowych środowiskach operacyjnych. W przeciwieństwie do nich, niniejszy przepływ pracy oparty na danych modeluje nieliniowe zachowanie degradacji bezpośrednio z danych z cykli, bez konieczności jawnej parametryzacji fizycznej chemii ogniwa¹⁴. W ramach ocenianych zbiorów danych i ustawień doświadczalnych architektura CNN–LSTM wykazała lepszą wydajność prognostyczną w porównaniu z ocenianymi samodzielnymi modelami CNN, LSTM oraz modelami opartymi na transformerach. Niedawne badania wykazały skuteczność architektur transformerów w przewidywaniu degradacji z szacowaniem niepewności¹⁵, a także zdolność sieci CNN do przewidywania awarii baterii z zachowaniem prywatności przy użyciu heterogenicznych danych ładowania¹⁶. Jednakże w niniejszym przepływie pracy priorytetowo potraktowano architekturę CNN–LSTM, ponieważ zapewniła ona zrównoważone połączenie dokładności prognostycznej, wydajności obliczeniowej i stabilności uczenia w ocenianych warunkach laboratoryjnych. Warstwy splotowe ekstrahowały lokalne cechy morfologiczne z krzywych cyklicznych, podczas gdy warstwy LSTM modelowały długoterminowe zależności czasowe w powtarzających się wzorcach cykli¹⁷^,¹⁸. Mimo że architektura hybrydowa zwiększa złożoność modelu w porównaniu ze strukturami jednosieciowymi, wymagania obliczeniowe pozostały zgodne z praktycznymi scenariuszami wdrożenia systemów zarządzania bateriami w ocenianych warunkach doświadczalnych. Ponieważ większość kosztów obliczeniowych występuje podczas offline'owego uczenia modelu, faza inferencji pozostaje stosunkowo lekka, co potwierdza możliwość realizacji prognozowania w czasie rzeczywistym na pokładzie oraz monitorowania stanu baterii na poziomie krawędziowym (edge-level) bez ciągłej zależności od obliczeń w chmurze.

Skuteczność niniejszego protokołu w dużym stopniu zależy od kilku krytycznych kroków wstępnego przetwarzania i konfiguracji danych wejściowych. Po pierwsze, rygorystyczne procedury wyrównania sekwencji i ponownego próbkowania (Krok 2.2) są niezbędne dla zachowania relacji czasowych pomiędzy wielokanałowymi sygnałami cyklicznymi. Niewłaściwie wyrównane sekwencje wielokanałowe wiązały się z obniżoną stabilnością predykcyjną i zwiększonym błędem modelu podczas wstępnych ocen. Po drugie, zintegrowanie opracowanych cech elektrochemicznych, takich jak charakterystyki różnicy napięć, z surowymi sygnałami cyklicznymi przyczyniło się do poprawy wydajności predykcyjnej. Analiza ablacji cech wykazała niższe wartości średniego błędu absolutnego w przypadku zachowania cech opracowanych wraz ze zmiennymi temperatury i rezystancji wewnętrznej¹⁹. Ponadto połączenie opracowanych deskryptorów elektrochemicznych z wielokanałowymi cechami czasowymi poprawiło zdolność modelu do uchwycenia złożonych wzorców degradacji w różnych warunkach pracy²⁰^,²¹^,²². Krytycznym zabezpieczeniem metodologicznym wdrożonym w tej badaniu była ścisła izolacja czynników skalowania normalizacyjnego i baz linii inżynierii cech. Wszystkie statystyczne parametry normalizacji oraz obliczenia cech opracowanych zostały wyprowadzone wyłącznie z zestawu treningowego przed zastosowaniem ich do zestawów walidacyjnych i testowych. Procedura ta zredukowała ryzyko wycieku informacji podczas prognozowania wczesnych cykli oraz ewaluacji międzyzbiorowej, co tym samym poprawiło niezawodność i powtarzalność przepływu pracy predykcyjnej.

Podczas wykonywania lub modyfikowania niniejszego protokołu, w trakcie optymalizacji sieci CNN–LSTM mogą wystąpić problemy z niestabilnością treningu lub kwestie związane z gradientem. Funkcje straty, które nie zbiegają się lub generują wartości NaN, mogą wskazywać na eksplozję gradientu w warstwach rekurentnego modelowania sekwencji. W takich sytuacjach zastosowanie przycinania gradientu (gradient clipping), zmniejszenie początkowej prędkości uczenia z 1 × 10⁻³ do 1 × 10⁻⁴ lub umiarkowane zwiększenie rozmiaru partii (batch size) może poprawić stabilność treningu poprzez wygładzenie aktualizacji gradientu. Ponadto funkcje aktywacji ReLU i GELU wiązały się z lepszą propagacją gradientu w porównaniu do funkcji aktywacji sigmoidalnej lub tangens hiperboliczny podczas głębokiego modelowania sekwencji czasowych. Przedstawione w niniejszym badaniu analizy wrażliwości hiperparametrów mogą zatem pomóc badaczom w optymalizacji stabilności przepływu pracy i wydajności predykcyjnej w różnych warunkach treningowych²³.

Pomimo osiągniętej wydajności predykcyjnej w ocenianych warunkach, protokół ten posiada kilka ograniczeń. Obecny schemat pracy został zwalidowany głównie z wykorzystaniem zestawów danych cyklicznych o stałym prądzie/napięciu w kontrolowanych warunkach laboratoryjnych. W praktycznych zastosowaniach w pojazdach elektrycznych baterie są narażone na stochastyczne zachowanie procesu ładowania i rozładowania, zmienne wzorce użytkowania oraz fluktuacje warunków środowiskowych, które mogą zmienić charakterystykę degradacji. W tak dynamicznych warunkach pracy modele baterii oparte na danych mogą napotkać scenariusze poza rozkładem (out-of-distribution), w których wcześniej nieobserwowane trajektorie degradacji lub warunki środowiskowe zmniejszają niezawodność predykcji. Aby zwiększyć odporność w praktycznych środowiskach wdrożeniowych, przyszłe implementacje tego schematu mogą zawierać strategie kwantyfikacji niepewności, takie jak ewidencyjne głębokie uczenie (DL) lub frameworki regresji kwantylowej, aby dostarczać skalibrowane granice ufności wraz z predykcjami stanu baterii. Ponadto podejścia do adaptacji dziedzinowej i uczenia transferowego mogą pomóc w zniwelowaniu różnic w rozkładzie między trajektoriami degradacji generowanymi w laboratorium a rzeczywistym zachowaniem podczas cyklowania²⁴. Strategie uczenia federacyjnego lub dynamicznie ważonego uczenia transferowego mogą dodatkowo wspierać wstępne trenowanie modelu przy użyciu dużych zestawów danych laboratoryjnych, a następnie dostrajanie go za pomocą ograniczonych rzeczywistych danych operacyjnych, przy jednoczesnym zachowaniu prywatności danych użytkownika²⁵. Chociaż obecny framework wykazał stabilną wydajność predykcyjną w kontrolowanych warunkach laboratoryjnych, praktyczne systemy BMS w pojazdach elektrycznych muszą pracować w warunkach wysoce dynamicznych profili obciążenia i fluktuujących temperatur otoczenia. Przyszłe adaptacje tego schematu mogą zatem odnieść korzyść z włączenia realistycznych danych z cykli jazdy oraz strategii aktualizacji modelu w czasie rzeczywistym (online), aby poprawić niezawodność predykcji podczas rzeczywistego wdrożenia.

Dzięki standaryzacji procedur partycjonowania danych, wstępnego przetwarzania, ekstrakcji cech oraz inicjalizacji ziarna losowego, niniejszy protokół zwiększa odtwarzalność w zastosowanych przepływach pracy ML dla akumulatorów²⁶. Przedstawiona tutaj wielokanałowa strategia integracji cech oraz zorientowana na odtwarzalność struktura treningowa mogą wspierać przyszły rozwój predykcyjnych systemów BMS dla magazynowania energii odnawialnej, monitorowania pojazdów elektrycznych i długoterminowej oceny cyklu życia akumulatorów.

Oświadczenia

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

Autorzy oświadczają, że nie stwierdzono żadnych konkurencyjnych interesów finansowych ani konfliktów interesów.

Podziękowania

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

Autorzy wyrażają wdzięczność za wsparcie instytucjonalne zapewnione przez Wydział Fizyki Southern University of Science and Technology oraz Homerton College na Uniwersytecie w Cambridge, które udostępniły środowisko akademickie i zasoby obliczeniowe niezbędne do przeprowadzenia tych badań. Autorzy dziękują również instytucjom badawczym i współpracownikom, którzy udostępnili publicznie otwarte zbiory danych dotyczące baterii litowo-jonowych, w tym CALCE, SANYO, PANASONIC, KOKAM oraz GOTION, co umożliwiło przeprowadzenie tej kompleksowej analizy wielokanałowej.

Materiały

Lista materiałów użytych w tym artykule
Nazwa	Firma	Numer katalogowy	Komentarze
zbiór danych baterii CALCE	Center for Advanced Life Cycle Engineering (CALCE), University of Maryland	https://calce.umd.edu/battery-data	Źródło wielokanałowych danych z cykli pracy baterii litowo-jonowych do trenowania i walidacji modelu
CUDA Toolkit	NVIDIA	Wersja 11.8	Akceleracja GPU dla trenowania modeli DL
zbiór danych GOTION IFP20100140A	Mendeley Data	https://doi.org/10.17632/vpw4t7ytbx.2	Zewnętrzna walidacja i wielokanałowa analiza degradacji baterii
zbiór danych KOKAM SLPB533459H4	Mendeley Data	https://doi.org/10.17632/7w4y4fzzbb.1	Wielokanałowe modelowanie i walidacja degradacji baterii
Matplotlib	Matplotlib Development Team	Wersja 3.7.1	Wizualizacja wydajności modelu, analiza wrażliwości i wyniki reprodukowalności
NumPy	NumPy Developers	Wersja 1.24.3	Obliczenia numeryczne i konstrukcja tensorów
zbiór danych PANASONIC NCR18650BD	Mendeley Data	https://doi.org/10.17632/wykht8y7tg.1	Źródło wielokanałowych danych z cykli pracy i ekstrakcja cech inżynieryjnych
Pandas	Pandas Developers	Wersja 2.0.3	Organizacja danych, przetwarzanie wstępne i zarządzanie danymi tabelarycznymi
PyTorch	PyTorch Foundation	Wersja 2.0.1	Konstrukcja i trenowanie architektur głębokiego uczenia, w tym modelu CNN–LSTM
Python	Python Software Foundation	Wersja 3.10.12	Przetwarzanie wstępne danych, inżynieria cech, trenowanie i ewaluacja modelu
zbiór danych SANYO UR18650E	NASA Prognostics Data Repository	https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/	Źródło wielokanałowych danych z cykli pracy do oceny reprodukowalności i walidacji modelu
Scikit-learn	Scikit-learn Developers	Wersja 1.2.2	Implementacja modelu bazowego, partycjonowanie zbioru danych i obliczanie metryk wydajności

Bibliografia

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

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.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Przewidywanie wydajno ci akumulator w modele sieci neuronowych in ynieria cech stan zdrowia pozosta y okres eksploatacji zarz dzanie cyklem ycia akumulator w modelowanie predykcyjne

odtwarzalny przepływ pracy głębokiego uczenia do przewidywania wydajności baterii litowo-jonowych przy użyciu wielokanałowych danych z cykli ładowania i rozładowania

W tym artykule

Podsumowanie

Streszczenie

Wprowadzenie

Protokół

Wyniki

Dyskusja

Oświadczenia

Podziękowania

Materiały

Bibliografia

Przedruki i uprawnienia

Tagi

Powiązane artykuły