Artigo de método

Um Fluxo de Trabalho de Aprendizado Profundo Reprodutível para Prever o Desempenho de Baterias de Íons de Lítio Utilizando Dados de Ciclagem Multicanal

DOI:

10.3791/71903

⸱

14 de agosto de 2026

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

Neste artigo

Resumo

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

Este protocolo apresenta um fluxo de trabalho reprodutível de aprendizado profundo utilizando dados cíclicos multicanal e características projetadas para prever o estado de saúde, a vida útil remanescente e o desempenho de armazenamento de energia de baterias de íon de lítio.

Resumo

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

Este protocolo apresenta um fluxo de trabalho baseado em aprendizado profundo reproduzível para prever o desempenho de baterias de íon de lítio utilizando dados de ciclagem multicanal. Para superar limitações em modelos baseados em dados existentes relacionadas à integração de informações de múltiplas fontes e representação de características, o método utiliza cinco conjuntos de dados de baterias de acesso público. As entradas incluem sinais operacionais brutos, como tensão, corrente, capacidade, temperatura, resistência interna e eficiência coulombiana e energética, juntamente com características elaboradas, tais como capacidade incremental, tensão diferencial e throughput energético. O protocolo detalha procedimentos padronizados de pré-processamento para construir tensores temporais em nível de bateria ao longo de múltiplas janelas de observação. Para melhorar a reprodutibilidade, o fluxo de trabalho avalia arquiteturas candidatas de redes neurais, incluindo redes neurais profundas, redes neurais convolucionais (CNNs), redes de memória de curto e longo prazo (LSTM), CNN–LSTM e modelos baseados em transformadores, utilizando sementes aleatórias fixas, execuções repetidas de avaliação e rastreamento de ambiente. Resultados representativos demonstraram que a arquitetura CNN–LSTM com dados multicanal integrados e características elaboradas alcançou desempenho preditivo favorável entre os modelos avaliados. A configuração selecionada obteve um erro absoluto médio de 0,024 e um valor de R2 de 0,955 para a estimativa do estado de saúde, mantendo alto desempenho preditivo para a estimativa da vida útil remanescente e da energia descarregável. Análises de ablação e robustez demonstraram ainda a contribuição da integração de características multicanal e a estabilidade do fluxo de trabalho focado em reprodutibilidade ao longo de avaliações repetidas. Esta metodologia padronizada fornece um quadro reprodutível para o gerenciamento do ciclo de vida de baterias e modelagem preditiva sob diversas condições operacionais.

Introdução

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

As baterias de íons de lítio são fundamentais para a transição global rumo à energia renovável devido à sua alta densidade de energia, vida útil prolongada e baixas taxas de autodescarga em aplicações que vão desde eletrônicos portáteis até sistemas de armazenamento de energia em escala de rede. No entanto, o funcionamento prolongado leva inevitavelmente à degradação gradual da capacidade e ao aumento da resistência interna1. Essa queda de desempenho não apenas reduz a viabilidade econômica, mas também introduz riscos graves à segurança, incluindo a corrida térmica. À medida que a implantação de sistemas de armazenamento de energia em larga escala continua a acelerar, o gerenciamento do ciclo de vida das baterias tornou-se cada vez mais complexo2. Os protocolos tradicionais baseados em monitoramento por limiares e inspeção manual são insuficientes para ambientes operacionais dinâmicos3. Além disso, a dependência de um único parâmetro é inadequada para prever com precisão o estado de saúde (SOH) ou a vida útil remanescente (RUL) sob taxas variáveis de carga-descarga, temperaturas ambientes e variações na tensão de descarga4. Embora o fluxo de trabalho atual tenha sido validado principalmente usando conjuntos de dados de ciclagem controlados em laboratório, a arquitetura multicanal e o quadro de modelagem temporal podem permitir futuras adaptações às condições operacionais dinâmicas encontradas em aplicações de veículos elétricos e em ambientes ambientais variáveis.

A degradação de baterias é um processo eletroquímico altamente complexo e não linear, impulsionado pelo crescimento da interface sólido-eletrólito, perda de lítio ativo e deterioração estrutural dos materiais dos eletrodos. Historicamente, a estimativa de estado tem dependido de modelos de circuito equivalente ou equações diferenciais parciais eletroquímicas-físicas (PDEs)5. Embora esses modelos físicos forneçam informações valiosas sobre mecanismos, eles sofrem com uma sobrecarga computacional substancial e desafios na identificação de parâmetros ao processar sinais acoplados multicanal. Consequentemente, sua implementação em tempo real em sistemas embarcados de gerenciamento de bateria (BMSs) é severamente limitada pela cinética complexa de difusão e variabilidade ambiental sob condições de descarga em alta taxa6. Em contraste, o fluxo de trabalho proposto baseado em aprendizado profundo (DL) concentra a maior parte da demanda computacional na fase de treinamento offline, enquanto o modelo treinado realiza inferência comparativamente rápida durante a implantação. Esse framework pode, portanto, apoiar futuras implementações em BMSs com recursos limitados e ambientes de computação de borda.

Recentemente, abordagens de aprendizado profundo (DL) baseadas em dados surgiram como ferramentas poderosas devido às suas excepcionais capacidades de ajuste não linear. No entanto, as metodologias atuais de DL apresentam duas limitações principais. Primeiro, muitas abordagens baseiam-se principalmente em curvas individuais de degradação de capacidade ou em limiares específicos de descarga de tensão, negligenciando as correlações espaço-temporais inerentes entre respostas cíclicas multicanal, como tensão, corrente e temperatura. Essa limitação reduz a robustez do modelo em cenários operacionais multicondicionais7. Estudos anteriores demonstraram que desprezar os estados térmicos durante operações complexas pode acelerar o acúmulo de erros preditivos8,9. Segundo, existe um desafio persistente de reprodutibilidade no aprendizado de máquina (ML) aplicado. Variações nas condições experimentais, pipelines de pré-processamento insuficientemente descritos e hiperparâmetros arbitrariamente escolhidos para redes neurais frequentemente fazem com que modelos aparentemente robustos falhem durante a validação cruzada entre conjuntos de dados10. Para reduzir o risco de vazamento de informações durante o pré-processamento e a previsão em ciclos iniciais, o fluxo de trabalho proposto obtém fatores de escala de normalização e linhas de base de características derivadas exclusivamente a partir dos conjuntos de dados de treinamento, antes da validação externa e da avaliação cruzada entre conjuntos de dados.

Para abordar essas lacunas críticas, o objetivo geral deste protocolo é apresentar um fluxo de trabalho automatizado e altamente reprodutível baseado em aprendizado profundo (DL) para prever o desempenho de armazenamento de energia de baterias de íon lítio utilizando dados multicanal de ciclagem. A lógica por trás deste método é capturar explicitamente as complexas dependências de longo prazo associadas à degradação da bateria, integrando dados de séries temporais multimodais dentro de uma arquitetura de rede neural de alta dimensionalidade. Uma vantagem fundamental deste protocolo em relação às abordagens baseadas em física e em DL existentes é sua padronização abrangente, que estabelece um pipeline completo abrangendo o pré-processamento de sinais brutos, engenharia de características, treinamento do modelo e avaliação de incerteza. Embora arquiteturas híbridas de redes neurais já tenham sido investigadas anteriormente, o presente fluxo de trabalho enfatiza a integração multicanal padronizada, alinhando variáveis eletroquímicas de ciclagem com características de degradação projetadas dentro de um framework de treinamento focado em reprodutibilidade. Diferentemente de muitos fluxos de trabalho previamente relatados, este protocolo incorpora configurações padronizadas de parâmetros, sementes aleatórias fixas, execuções repetidas de avaliação e rastreamento abrangente do ambiente, a fim de melhorar a reprodutibilidade em diferentes conjuntos de dados de baterias e configurações laboratoriais. Além disso, o fluxo de trabalho compara sistematicamente múltiplas arquiteturas de redes neurais para avaliar a estabilidade preditiva e o desempenho em diferentes configurações de entrada. Nos conjuntos de dados e configurações experimentais avaliados, a arquitetura de rede neural convolucional–memória de curto prazo de longa duração (CNN–LSTM) demonstrou desempenho preditivo favorável em comparação com os modelos CNN isolados e baseados em transformadores avaliados, combinando extração de características locais com modelagem de sequências temporais de longo alcance, mantendo ao mesmo tempo uma complexidade computacional moderada. Este protocolo é especialmente adequado para pesquisadores e engenheiros que buscam desenvolver modelos preditivos reprodutíveis e adaptáveis ao ambiente para o gerenciamento do ciclo de vida de baterias.

Protocolo

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

A aprovação ética institucional não foi necessária para este estudo porque a pesquisa utilizou exclusivamente conjuntos de dados públicos de ciclagem de baterias de íon de lítio e não envolveu participantes humanos, sujeitos animais ou amostras biológicas.

1. Aquisição e Organização de Dados

  1.  Adquirir conjuntos de dados de ciclagem multicanal
    1. Baixe conjuntos de dados de ciclagem de baterias de íon de lítio de repositórios públicos disponíveis contendo registros de ciclos de carga-descarga. Adquira os conjuntos de dados CALCE, SANYO, PANASONIC, KOKAM e GOTION diretamente dos repositórios de acesso aberto institucionais ou dos links de identificador de objeto digital correspondentes para manter a consistência da versão dos conjuntos de dados.
    2. Selecione amostras de baterias que contenham números completos de ciclos, medições de capacidade e pelo menos uma curva contínua de carga-descarga. Verifique a continuidade confirmando que nenhuma interrupção superior a duas horas ocorra dentro de um único ciclo e que ambas as fases — corrente constante e tensão constante — sejam totalmente registradas.
  2. Filtrar registros brutos de ciclagem
    1. Filtre os registros brutos de ciclagem para manter amostras contendo medições de temperatura, resistência interna, eficiência coulombiana e eficiência energética. Exclua células de bateria que não possuam esses canais de estado obrigatórios do fluxo de trabalho de análise, pois a fusão subsequente de características multicanal exige um conjunto completo de variáveis físicas de entrada.
    2. Remova ciclos que contenham registros incompletos, carimbos de data/hora inconsistentes, procedimentos de teste indefinidos ou condições de término de carga-descarga ambíguas. Defina ciclos anômalos como aqueles que apresentam quedas súbitas de capacidade superiores a 5% entre ciclos consecutivos, medições de tensão fora da faixa operacional específica da química ou intervalos de carimbo de data/hora não monótonos.
  3. Construir uma base de dados temporal de baterias
    1. Organize os registros de ciclagem mantidos em ordem cronológica para construir uma base de dados de séries temporais em nível de bateria.
    2. Armazene os conjuntos de dados processados usando o formato hierárquico de dados versão 5 (HDF5). Mantenha uma estrutura de diretórios padronizada organizada por fonte do conjunto de dados, sistema químico e identificador individual da célula da bateria.
    3. Atribua identificadores únicos às células individuais da bateria antes da partição do conjunto de dados. Implemente o agrupamento com base no identificador da célula da bateria durante a divisão treino-teste para garantir que todos os ciclos sequenciais de uma única bateria física permaneçam exclusivamente em um único subconjunto do conjunto de dados.
      ​NOTA: Mantenha os conjuntos de dados brutos originais separadamente antes do pré-processamento, normalização, reamostragem ou engenharia de características.
  4. Definir janelas de observação
    1. Construa janelas de observação multicanal utilizando os primeiros 50 ciclos, os primeiros 100 ciclos e os primeiros 20% do ciclo de vida total da bateria. Calcule o limite de 20% do ciclo de vida multiplicando o ciclo de vida total antes da degradação de capacidade no fim da vida útil por 0,2.
    2. Alinhe as medições de tensão, corrente, capacidade, temperatura, resistência interna e eficiência dentro de cada janela de observação antes da construção do tensor.
    3. Formate a estrutura final de entrada como um tensor tridimensional composto pelo comprimento da janela de observação, 128 pontos de amostragem padronizados intra-ciclo e o conjunto ordenado de características multicanal.

2. Pré-processamento de Dados e Engenharia de Características

  1. Pré-processar dados brutos de ciclagem
    1. Realize um pré-processamento uniforme nos conjuntos de dados brutos de ciclagem para padronizar a qualidade dos dados provenientes de todas as fontes de baterias. Execute todos os procedimentos de pré-processamento, sincronização e padronização usando Python 3.10 com a biblioteca Pandas para manipulação de séries temporais e SciPy para interpolação numérica.
    2. Remova valores discrepantes, detecte valores ausentes, calibre os carimbos de tempo, identifique as fases de carga e descarga e normalize as frequências de amostragem antes da análise subsequente. Aplique um método de limiar de escore Z modificado com critério de rejeição superior a 3,0 para detecção de anomalias.
    3. Detecte automaticamente valores ausentes por meio da identificação de indicadores NaN em todos os arrays numéricos. Diferencie as fases de carga e descarga de acordo com a polaridade da corrente, atribuindo valores de corrente positivos aos ciclos de carga e valores de corrente negativos aos ciclos de descarga.
    4. Reconstrua segmentos de sinal ausentes usando polinômios interpoladores cúbicos segmentados de Hermite para preservar a dinâmica eletroquímica temporal durante o alinhamento das transições de fase.
  2. Reamostrar curvas de ciclagem
    1. Reamostre as curvas de ciclagem quando forem detectadas variações na densidade de amostragem ou deriva do sinal entre os conjuntos de dados. Dispare a reamostragem automatizada sempre que o intervalo entre medições consecutivas se desviar em mais de 10% em relação à frequência mediana de amostragem da fase de ciclagem correspondente.
    2. Padronize o número de pontos de amostragem dentro de cada ciclo para reduzir variações específicas da plataforma de registro. Mapeie todas as sequências temporais em uma grade espacial fixa usando interpolação linear unidimensional.
    3. Comprima ou expanda cada perfil de carga-descarga para exatamente 128 pontos de amostragem igualmente espaçados antes da construção do tensor.
  3. Normalizar variáveis contínuas
    1. Normalize todas as variáveis contínuas antes do treinamento do modelo para estabilizar a convergência da rede e reduzir o viés relacionado à escala. Aplique a normalização Min-Max para transformar todas as variáveis contínuas em uma faixa numérica entre 0 e 1.
    2. Calcule todos os parâmetros de normalização exclusivamente a partir do conjunto de dados de treinamento. Aplique os parâmetros de escala congelados aos conjuntos de validação e teste para reduzir o risco de vazamento temporal de dados futuros durante a predição de ciclos iniciais.
  4. Construir tensores de entrada multicanal
    1. Divida os registros contínuos de ciclagem de cada bateria em segmentos temporais de comprimento fixo. Estruture os segmentos temporais de acordo com as janelas de observação predefinidas correspondentes aos primeiros 50 ciclos, aos primeiros 100 ciclos ou aos primeiros 20% do ciclo de vida da bateria.
    2. Alinhe as medições de tensão, corrente, capacidade, temperatura, resistência interna e eficiência dentro de cada segmento temporal antes da construção do tensor.
    3. Concatene as matrizes de características alinhadas em um tensor tridimensional formatado como (N × 128 × C), em que N representa o comprimento da janela de observação, 128 indica os pontos de amostragem intra-ciclo padronizados e C representa o número total de canais de características físicas e projetadas.
  5. Extrair características projetadas
    1. Extraia características eletroquímicas projetadas a partir dos sinais brutos de ciclagem para melhorar a identificação de padrões de degradação. Calcule as características de capacidade incremental e tensão diferencial computando dQ/dV e dV/dQ na grade padronizada de amostragem.
    2. Aplique filtragem Savitzky–Golay para gerar curvas suavizadas de capacidade incremental e tensão diferencial.
    3. Extraia indicadores de degradação, incluindo deslocamentos do pico de tensão, diferenças de tensão nas transições de fase e variações no rendimento energético ciclo a ciclo, a partir das características eletroquímicas filtradas.

3. Construção e Treinamento do Modelo DL

  1. Construir modelos preditivos candidatos
    1. Construa um framework padronizado de treinamento e avaliação para todos os modelos preditivos mostrados na Figura 1A. Implemente o fluxo de trabalho de DL usando a versão 2.0 ou superior do PyTorch.
    2. Execute o fluxo de trabalho de treinamento usando scripts modulares em Python para carregamento de dados, inicialização do modelo, otimização e avaliação.
    3. Prepare modelos de linha de base de ML tradicionais, incluindo regressão linear, floresta aleatória e modelos de árvore de decisão com gradiente impulsionado. Configure o modelo de floresta aleatória com 100 árvores e profundidade máxima de 10.
    4. Configure o framework de árvore de decisão com gradiente impulsionado usando uma taxa de aprendizado de 0,1 e profundidade máxima da árvore de 5 por meio da biblioteca Scikit-learn.
    5. Prepare arquiteturas candidatas de DL, incluindo perceptron multicamadas, CNN unidimensional, rede LSTM, CNN–LSTM e modelos baseados em transformador.
    6. Padronize os hiperparâmetros principais em todas as arquiteturas de DL aplicando o otimizador AdamW, funções de ativação Gaussian error linear unit, dimensão oculta de 128 e taxa de dropout de 0,2.
  2. Configurar a arquitetura CNN–LSTM
    1. Configure a arquitetura CNN–LSTM para fundir informações multicanal de ciclagem a partir dos tensores de entrada (Figura 1B). Construa a arquitetura híbrida conectando em cascata o extrator de características convolucional a duas camadas recorrentes empilhadas, contendo 128 unidades ocultas cada.
    2. Finalize a arquitetura com três cabeças de regressão totalmente conectadas em paralelo para predição simultânea de SOH, RUL e energia descarregável.
    3. Processe os tensores de entrada multicanal por meio de três camadas convolucionais unidimensionais consecutivas com tamanhos de kernel de 3, 5 e 7 para extrair características localizadas em múltiplas escalas.
    4. Aplique normalização por lote após cada camada convolucional para melhorar a estabilidade do gradiente durante a otimização.
    5. Remodele os mapas de características convolucionais em sequências temporais contínuas antes da modelagem de sequência.
    6. Alimente as sequências temporais codificadas nas camadas recorrentes empilhadas para capturar dependências de degradação de longo alcance ao longo das janelas de observação predefinidas.
  3. Particionar conjuntos de dados para treinamento do modelo
    1. Divida os conjuntos de dados processados de células de bateria em subconjuntos de treinamento, validação e teste usando uma proporção de 70:15:15. Execute a divisão do conjunto de dados usando um valor fixo de semente aleatória igual a 42.
    2. Aplique amostragem estratificada com base na química da bateria para manter distribuições balanceadas de degradação em todos os subconjuntos de dados.
    3. Realize a partição do conjunto de dados estritamente no nível da célula de bateria, em vez de randomizar ciclos individuais, para preservar trajetórias sequenciais de degradação.
    4. Mantenha cada célula de bateria como uma unidade indivisível durante a partição para evitar vazamento de informações entre os conjuntos de dados.
    5. Verifique programaticamente o isolamento dos conjuntos de dados calculando a interseção dos identificadores das células de bateria entre os subconjuntos de treinamento, validação e teste e confirmando que não há sobreposição.
    6. Compile um conjunto de dados externo de teste usando o conjunto de dados completo de fosfato de ferro e lítio (LFP) GOTION para avaliação fora da distribuição e avaliação de generalização entre conjuntos de dados.
    7. Torne publicamente disponíveis o código-fonte, os arquivos de configuração de ambiente e as partições do conjunto de dados processado por meio de um repositório dedicado no GitHub para apoiar a transparência metodológica e a reprodutibilidade.
  4. Inicializar o treinamento do modelo
    1. Defina a função de perda de regressão como erro quadrático médio antes do treinamento. Calcule o objetivo global de treinamento agregando os valores de perda de cada alvo de predição usando pesos iguais.
    2. Defina a taxa de aprendizado inicial como 1 × 10−3 e selecione um tamanho de lote de 32 ou 64 de acordo com o tamanho do conjunto de dados.
    3. Use um tamanho de lote de 64 para conjuntos de dados contendo mais de 5.000 ciclos para melhorar a utilização de hardware. Use um tamanho de lote de 32 para conjuntos de dados menores para melhorar a estabilidade da otimização.
      NOTA: Selecione esses hiperparâmetros por meio de avaliação preliminar de busca em grade para equilibrar velocidade de convergência e estabilidade do gradiente em diferentes janelas de observação.
  5. Aplicar controles de treinamento
    1. Aplique um escalonador dinâmico de taxa de aprendizado com base em mudanças na perda de validação. Reduza a taxa de aprendizado por um fator de 0,5 se a perda de validação não melhorar em 5 épocas consecutivas.
    2. Mantenha um limite mínimo de taxa de aprendizado de 1 × 10−5 durante a otimização.
    3. Interrompa o treinamento do modelo após um máximo de 100 épocas para reduzir o sobreajuste.
    4. Aplique parada antecipada se a perda de validação não diminuir em 15 épocas consecutivas. Restaure os pesos do modelo correspondentes à iteração de validação com melhor desempenho.
  6. Manter registros de reprodutibilidade
    1. Defina um valor fixo de semente aleatória igual a 42 antes da inicialização e do treinamento do modelo.
    2. Aplique a semente aleatória fixa de forma consistente nos módulos aleatórios do Python, NumPy e backend do PyTorch, desativando operações CUDA não determinísticas.
    3. Registre o ambiente de software, versões de dependências, configurações de parâmetros, partições de dados e saídas de treinamento para cada execução experimental.
    4. Execute todos os fluxos de trabalho de DL usando Ubuntu 22.04 com aceleração CUDA 11.8 em uma estação de trabalho equipada com unidade de processamento gráfico NVIDIA RTX 3090 ou hardware equivalente.

figure-protocol-1
Figura 1. Fluxo de trabalho reprodutível baseado em aprendizado profundo (DL) para previsão de desempenho de baterias de íon de lítio multicanal. (A) Fluxo de trabalho reprodutível de ponta a ponta ilustrando a aquisição de dados multicanal, pré-processamento padronizado, construção de tensores, treinamento do modelo e previsão de indicadores de desempenho da bateria. Os controles de reprodutibilidade incluem sementes aleatórias fixas, execuções repetidas de treinamento, rastreamento de parâmetros e registro de ambiente. (B) Arquitetura híbrida CNN–LSTM utilizada para extração de características multicanal, modelagem de sequências temporais, fusão de características e previsão do estado de saúde (SOH), vida útil remanescente (RUL) e energia descarregável. (C) Pipeline de avaliação e implantação mostrando triagem de modelos candidatos, avaliação de robustez, otimização de hiperparâmetros e seleção final do modelo. Clique aqui para visualizar uma versão maior desta figura.

4. Avaliação do Modelo e Previsão de Alvos

  1. Gere previsões do modelo
    1. Processe os conjuntos de dados do teste-alvo por meio de cada modelo treinado. Carregue os conjuntos de dados de teste pré-processados como tensores serializados do PyTorch antes da inferência.
    2. Execute a passagem de inferência direta usando um gerenciador de contexto que desabilite gradientes para evitar atualizações indesejadas de parâmetros durante a avaliação.
    3. Gere previsões simultâneas para cada indicador de desempenho utilizando as camadas de regressão treinadas.
    4. Extraia as saídas simultâneas das três camadas de regressão paralelas configuradas para previsão de SOH, RUL e energia descarregável.
  2. Calcule os valores-alvo das previsões
    1. Calcule o SOH comparando a capacidade disponível atual com a capacidade inicial da bateria.
    2. Defina a capacidade inicial da bateria como a capacidade máxima de descarga registrada durante os três primeiros ciclos de estabilização.
    3. Calcule o SOH como a razão entre a capacidade do ciclo atual e a linha de base estabelecida de capacidade inicial.
    4. Estime o RUL identificando o limiar operacional no qual a capacidade estável da bateria cessa.
    5. Defina o fim da vida útil como o número de ciclo no qual a capacidade da bateria diminui irreversivelmente abaixo de 80% da capacidade nominal.
    6. Calcule o RUL como a contagem restante de ciclos a partir do ponto de observação atual até o limiar definido de fim da vida útil.
    7. Preveja a energia descarregável a partir das condições de descarga registradas.
    8. Calcule a energia descarregável real integrando numericamente o produto da tensão de descarga e da corrente de descarga ao longo do intervalo de descarga, utilizando o método de integração trapezoidal.
  3. Avalie o desempenho preditivo
    1. Calcule o erro absoluto médio (MAE), o erro quadrático médio (RMSE), o erro percentual absoluto médio (MAPE) e o coeficiente de determinação (R2) para cada alvo de previsão.
    2. Calcule todas as métricas de avaliação usando o módulo de métricas do Scikit-learn com formulações estatísticas padronizadas.
    3. Aplique cálculos idênticos de métricas em todos os modelos, conjuntos de dados e configurações de entrada para manter a consistência da avaliação.
    4. Agregue todas as métricas de desempenho ao longo das amostras de baterias agrupadas dentro do conjunto de dados de teste independente para avaliar a generalização geral do modelo.
  4. Relate o desempenho estratificado
    1. Calcule a média e o desvio padrão para cada métrica de avaliação ao longo de execuções experimentais repetidas.
    2. Obtenha as medidas estatísticas relatadas a partir de cinco inicializações independentes do modelo.
    3. Relate intervalos de confiança de 95% juntamente com as métricas médias de desempenho para quantificar a incerteza preditiva.
    4. Compare o desempenho do modelo em diferentes comprimentos de janelas de observação e configurações de canais de entrada.
    5. Estratifique a análise comparativa utilizando janelas de observação correspondentes a 50 ciclos, 100 ciclos e 200 ciclos.
    6. Avalie o desempenho preditivo em múltiplas configurações de entrada, variando desde entradas baseadas apenas em capacidade até a integração completa de tensores multicanal. Consulte Figure 1C para o fluxo de trabalho de avaliação, triagem de robustez e seleção para implantação.

5. Análise de Reprodutibilidade, Robustez e Sensibilidade

  1. Verificar a reprodutibilidade e a robustez
    1. Mantenha partições de dados idênticas, fluxos de trabalho de pré-processamento e procedimentos experimentais em todas as avaliações de reprodutibilidade mostradas na Figura 2A.
    2. Calcule o coeficiente de variação das métricas principais de avaliação em ensaios repetidos para avaliar a consistência da reprodutibilidade.
    3. Repita todos os procedimentos de avaliação utilizando o mesmo fluxo de trabalho padronizado de treinamento e teste.
    4. Inicialize cada avaliação repetida com pesos de rede randomizados, mantendo os mesmos procedimentos determinísticos de carregamento e embaralhamento de dados.
  2. Realizar experimentos de treinamento repetidos
    1. Treine os modelos preditivos repetidamente sob condições experimentais idênticas, utilizando valores predefinidos e fixos de semente aleatória para garantir a inicialização reprodutível dos pesos.
    2. Realize cinco execuções independentes de treinamento com partições idênticas do conjunto de dados para reduzir a variabilidade baseada nos dados.
    3. Calcule as métricas finais de desempenho fazendo a média das métricas de avaliação obtidas nas cinco execuções repetidas de treinamento.
    4. Agregue as métricas finais de robustez utilizando as pontuações médias de avaliação, em vez de combinar tensores brutos de predição.
  3. Avaliar a sensibilidade aos hiperparâmetros
    1. Modifique individualmente a taxa de aprendizado, o tamanho do lote, a dimensão da camada oculta e a taxa de dropout durante a análise de sensibilidade.
    2. Avalie taxas de aprendizado variando de 1 × 10−4 a 1 × 10−2, tamanhos de lote de 32 a 128, dimensões ocultas de 32 a 256 e taxas de dropout de 0,1 a 0,5.
    3. Registre as alterações correspondentes na precisão preditiva após cada ajuste de hiperparâmetro.
    4. Quantifique a variação do desempenho preditivo utilizando RMSE e R2.
  4. Realizar análise de ablação de características
    1. Remova canais de entrada selecionados, incluindo temperatura, resistência interna e vetores de características projetadas, do fluxo de entrada multicanal.
    2. Realize a ablação de características usando uma estratégia leave-one-out, removendo um grupo de características por vez, mantendo a estrutura restante do input multicanal.
    3. Compare o desempenho preditivo resultante após cada experimento de remoção de características para avaliar a contribuição de cada grupo individual de características para a estabilidade e precisão do modelo.
    4. Quantifique a contribuição relativa de cada grupo de características calculando o aumento percentual no erro absoluto médio em relação ao modelo de referência multicanal totalmente integrado. Consulte a Figura 2B para o fluxo de trabalho de avaliação de robustez e análise de sensibilidade.

figure-protocol-2
Figura 2. Fluxo de trabalho padronizado de pré-processamento, avaliação de robustez e análise de sensibilidade. (A) Fluxo de trabalho padronizado de pré-processamento multicanal ilustrando o processamento de sinais cíclicos brutos, calibração de carimbos de tempo, remoção de valores atípicos, reamostragem, normalização, alinhamento de canais e construção de tensores. As estratégias de representação da entrada comparam entradas de canal único, entradas brutas multicanal e entradas multicanal combinadas com características projetadas. (B) Pipeline de avaliação de robustez e análise de sensibilidade mostrando perturbação sistemática de hiperparâmetros, avaliação de execuções repetidas, análise de ablação de características, validação cruzada e validação externa do fluxo de trabalho CNN–LSTM. Clique aqui para visualizar uma versão maior desta figura.

Resultados

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

Sinais Multicanal de Ciclagem e Distribuição de Dados

Sinais representativos de ciclagem multicanal e distribuições de desempenho foram analisados para caracterizar o comportamento de resposta à ciclagem de baterias de íon lítio. O estudo utilizou cinco conjuntos de dados de baterias de íon lítio representando múltiplos sistemas químicos, incluindo óxido de cobalto e lítio (LCO), óxido de níquel, cobalto e alumínio (NCA), óxido de níquel, manganês e cobalto (NMC) e LFP (Tabela 1). Variáveis fundamentais de ciclagem, incluindo tensão, corrente, capacidade, temperatura, resistência interna e eficiência coulombiana ou energética, foram integradas a características projetadas, como características de capacidade incremental e tensão diferencial, para estabelecer um framework de caracterização multicanal. Perfis de capacidade versus tensão e distribuições de SOH para o conjunto de dados CALCE (Figura 3A), perfis médios de tensão e distribuições de SOH para o conjunto de dados SANYO (Figura 3B), trajetórias de envelhecimento para o conjunto de dados PANASONIC (Figura 3C), mapas térmicos de evolução de tensão para o conjunto de dados KOKAM (Figura 3D) e perfis de distribuição de tensão para o conjunto de dados GOTION (Figura 3E) demonstraram comportamentos distintos de degradação entre as químicas de bateria avaliadas. Por exemplo, o conjunto de dados GOTION IFP20100140A exibiu características de tensão em forma de degraus, comumente associadas a sistemas LFP, enquanto o conjunto de dados PANASONIC NCR18650BD demonstrou degradação progressiva da capacidade acompanhada por deslocamentos no perfil de tensão durante ciclagem de longo prazo.

ID do Conjunto de DadosTipo/Modelo da BateriaQuímicaFormatoNúmero de CélulasCiclos Totais AnalisadosJanelas de Ciclos Iniciais UtilizadasPontos de Amostragem por CicloCanais Principais de CiclagemCanais Adicionais de EstadoCaracterísticas DerivadasAlvos de Previsão
Conjunto de Dados #1Bateria CALCE LCOLCOEm Pouch384.216Primeiros 50, primeiros 100, primeiros 20% da vida útil128Tensão, corrente, tempo, capacidadeTemperatura, resistência internadQ/dV, dV/dQ, duração da carga, energia descarregadaSOH, RUL, energia descarregável
Conjunto de Dados #2SANYO UR18650ENCACilíndrica 18650242.487Primeiros 50, primeiros 100, primeiros 20% da vida útil128Tensão, corrente, tempo, capacidadeTemperatura, eficiência coulombianadQ/dV, inclinação do platô de tensão, eficiência energéticaSOH, RUL, energia descarregável
Conjunto de Dados #3PANASONIC NCR18650BDNCACilíndrica 18650425.134Primeiros 50, primeiros 100, primeiros 20% da vida útil128Tensão, corrente, tempo, capacidadeTemperatura, resistência interna, eficiência coulombianadQ/dV, dV/dQ, duração da carga, energia total acumuladaSOH, RUL, energia descarregável
Conjunto de Dados #4KOKAM SLPB533459H4NMCEm Pouch191.968Primeiros 50, primeiros 100, primeiros 20% da vida útil128Tensão, corrente, tempo, capacidadeTemperatura, resistência internadQ/dV, duração da descarga, inclinação da tensãoSOH, RUL, energia descarregável
Conjunto de Dados #5GOTION IFP20100140ALFPPrismática576.482Primeiros 50, primeiros 100, primeiros 20% da vida útil128Tensão, corrente, tempo, capacidadeTemperatura, resistência interna, eficiência energéticadQ/dV, duração do platô, energia de carga/descargaSOH, RUL, energia descarregável

Tabela 1: Características dos conjuntos de dados de baterias de íon lítio, variáveis de ciclagem multicanal, características projetadas e alvos de previsão utilizados no fluxo de trabalho reprodutível de DL. A tabela resume os conjuntos de dados de baterias de íon lítio incluídos neste estudo, incluindo química da bateria, formato da célula, número de células, ciclos totais analisados, janelas de observação, densidade de amostragem, variáveis de ciclagem multicanal, características eletroquímicas projetadas e alvos de previsão utilizados para o desenvolvimento e avaliação do modelo. Abreviações: SOH = estado de saúde; RUL = vida útil remanescente; LCO = óxido de cobalto de lítio; NCA = óxido de níquel, cobalto e alumínio; NMC = óxido de níquel, manganês e cobalto; LFP = fosfato de ferro e lítio.

figure-results-1
Figura 3. Perfis representativos de ciclagem multicanal e distribuições de saúde da bateria em conjuntos de dados de baterias de íon de lítio. (A) Perfis de capacidade-tensão e distribuições de SOH para o conjunto de dados de óxido de cobalto de lítio da CALCE. (B) Perfis médios de tensão e distribuições de SOH para o conjunto de dados de óxido de níquel, cobalto e alumínio da SANYO. (C) Trajetórias de envelhecimento e distribuições cumulativas de SOH para o conjunto de dados de óxido de níquel, cobalto e manganês da PANASONIC. (D) Mapas térmicos da evolução da tensão e distribuições amostrais de SOH para o conjunto de dados de óxido de níquel, manganês e cobalto da KOKAM. (E) Perfis de distribuição de tensão e relações entre SOH e resistência interna para o conjunto de dados de fosfato de ferro e lítio da GOTION. Clique aqui para visualizar uma versão ampliada desta figura.

Desempenho Preditivo Geral para Armazenamento de Energia

O fluxo de trabalho proposto demonstrou baixos erros de predição e desempenho preditivo consistente em todas as tarefas de avaliação (Tabela 2). Para a estimativa de SOH, o modelo alcançou um MAE de 0,021 no conjunto de dados de validação e 0,024 no conjunto de dados de teste, com valores correspondentes de R2 de 0,962 e 0,955. Esses resultados indicam desempenho preditivo estável para a estimativa contínua da saúde da bateria sob as condições avaliadas. O fluxo de trabalho também demonstrou capacidade preditiva confiável para a estimativa de RUL e de energia descarregável, alcançando valores de R2 no conjunto de teste de 0,927 e 0,941, respectivamente. Para avaliar ainda mais a estabilidade preditiva, todas as métricas de desempenho foram calculadas em cinco inicializações independentes do modelo utilizando partições idênticas dos conjuntos de dados. Os desvios-padrão resultantes e os valores do coeficiente de variação permaneceram baixos nas avaliações repetidas, indicando baixa sensibilidade à inicialização estocástica e comportamento preditivo estável sob condições repetidas de treinamento. Além disso, os intervalos de confiança de 95% demonstraram variabilidade estreita ao longo das execuções repetidas, reforçando a robustez e reprodutibilidade do fluxo de trabalho multicanal proposto.

Tarefa de previsãoDivisão do conjunto de dadosMAERMSEMAPE (%)R²
Estimativa de SOHValidação0.0210.0292.470.962
Estimativa de SOHTeste0.0240.0332.830.955
Previsão de RULValidação18.625.98.740.938
Previsão de RULTeste21.429.79.630.927
Previsão de energia descarregávelValidação0.0870.1213.180.948
Previsão de energia descarregávelTeste0.0940.1293.560.941

Tabela 2: Desempenho preditivo do fluxo de trabalho reprodutível de aprendizado profundo para estimativa de desempenho de baterias de íon de lítio em conjuntos de dados de validação e teste. A tabela resume o desempenho preditivo do fluxo de trabalho proposto para estimativa do estado de saúde (SOH), previsão da vida útil restante (RUL) e previsão de energia descarregável, utilizando conjuntos de dados de validação e teste. As métricas de desempenho incluem erro absoluto médio (MAE), raiz do erro quadrático médio (RMSE), erro percentual absoluto médio (MAPE) e coeficiente de determinação (R2). Abreviações: SOH = estado de saúde; RUL = vida útil restante; MAE = erro absoluto médio; RMSE = raiz do erro quadrático médio; MAPE = erro percentual absoluto médio.

Comparação de Desempenho entre Arquiteturas de Aprendizado Profundo

A avaliação em diferentes arquiteturas de rede e configurações de entrada demonstrou variação substancial no desempenho preditivo (Tabela 3). As distribuições de RMSE antes e depois da seleção de arquitetura baseada em reprodutibilidade são apresentadas na Figura 4A. A arquitetura de rede neural profunda produziu valores comparativamente mais altos de MAE e RMSE em relação às arquiteturas baseadas em sequência e híbridas. As comparações entre diferentes configurações de entrada multicanal são resumidas na Figura 4B. Modelos que incorporaram extração de características locais e modelagem temporal cruzada entre ciclos demonstraram maior precisão preditiva nas condições avaliadas. Modelos com menor variabilidade de predição geralmente se agruparam em escores mais altos de desempenho médio, com desvios padrão reduzidos (Figura 4C). As relações entre desempenho médio e desvio padrão nas configurações de entrada avaliadas são ilustradas na Figura 4D. Entre as configurações testadas, a arquitetura CNN–LSTM obteve o menor MAE (0,024) e o maior valor de R2 (0,955) nos conjuntos de dados e condições experimentais avaliados. Além disso, a integração de características projetadas com entradas multicanal completas reduziu o MAE para 0,022, com um valor de R2 de 0,961, enquanto entradas baseadas apenas em capacidade demonstraram desempenho preditivo reduzido.

CategoriaModelo / Configuração de entradaMAERMSEMAPE (%)R²
Arquitetura de aprendizado profundoDNN0.0310.0423.580.928
CNN0.0270.0373.140.941
LSTM0.0260.0363.050.944
CNN–LSTM0.0240.0332.810.955
Transformer0.0250.0342.890.951
Configuração de entradaApenas capacidade0.0340.0463.920.916
Tensão + corrente0.0290.0393.290.936
Entrada multicanal completa0.0240.0332.830.955
Multicanal + características projetadas0.0220.0312.610.961

Tabela 3: Comparação do desempenho de predição entre arquiteturas de DL e configurações de entrada. A tabela compara o desempenho preditivo de diferentes arquiteturas de DL e configurações de entrada utilizadas no fluxo de trabalho multicanal reprodutível. As métricas de desempenho incluem erro médio absoluto (MAE), raiz do erro quadrático médio (RMSE), erro médio percentual absoluto (MAPE) e coeficiente de determinação (R2). Abreviações: DNN = rede neural profunda; CNN = rede neural convolucional; LSTM = memória de longo e curto prazo; MAE = erro médio absoluto; RMSE = raiz do erro quadrático médio; MAPE = erro médio percentual absoluto.

figure-results-2
Figura 4. Comparação orientada pela reprodutibilidade de arquiteturas de modelos e configurações de entrada. (A) Distribuições do erro quadrático médio antes e depois da seleção de arquitetura baseada em reprodutibilidade. (B) Distribuições do erro quadrático médio em diferentes configurações de entrada antes e depois da seleção de modelos estáveis. (C) Comparação entre desempenho médio e desvio padrão das arquiteturas de modelos candidatas, com cores indicando o erro quadrático médio e círculos abertos indicando os modelos estáveis selecionados. (D) Comparação entre desempenho médio e desvio padrão das configurações de entrada, com cores indicando o erro quadrático médio e círculos abertos indicando as configurações ótimas selecionadas. Clique aqui para visualizar uma versão maior desta figura.

Avaliação da Distribuição de Erros e Consistência

As distribuições de erro absoluto foram analisadas para avaliar a estabilidade da previsão entre as bases tradicionais de ML e arquiteturas de DL. As bases tradicionais de ML exibiram distribuições de erro mais amplas e caudas de erro elevado prolongadas, indicando estabilidade reduzida para tarefas de previsão de padrões complexos de degradação. Dentre os modelos de DL avaliados, a arquitetura CNN–LSTM demonstrou distribuições de erro comparativamente mais estreitas e caudas de erro elevado mais curtas, sugerindo uma melhor integração da extração de características locais e da modelagem de sequências temporais (Figura 5). A inclusão de variáveis relacionadas à temperatura, resistência interna e eficiência foi associada a reduções progressivas na dispersão do erro de previsão nos conjuntos de dados avaliados.

figure-results-3
Figura 5. Distribuições de erro absoluto para modelos básicos convencionais de aprendizado de máquina (ML) e modelos de aprendizado profundo (DL) multicanal. Gráficos de violino comparando a distribuição dos erros absolutos de predição entre modelos básicos convencionais de ML, arquiteturas de DL e configurações de entrada multicanal. As linhas pretas indicam o erro absoluto médio e as linhas coloridas indicam a média ± desvio padrão. Clique aqui para visualizar uma versão maior desta figura.

Reprodutibilidade e Robustez em Diferentes Cenários de Validação

O fluxo de trabalho manteve desempenho preditivo consistente ao longo de múltiplas execuções de treinamento e diferentes estratégias de validação (Tabela 4). Execuções repetidas realizadas com partições fixas dos dados e inicialização com semente aleatória fixa produziram métricas de desempenho estáveis, com valores de R2 consistentemente acima de 0,95 e baixos desvios padrão no erro absoluto médio (MAE). Avaliações adicionais utilizando validação cruzada com cinco divisões e conjuntos de dados de validação externa demonstraram variação limitada no desempenho sob diferentes condições experimentais. A fase de validação externa utilizou exclusivamente o conjunto de dados GOTION, que permaneceu totalmente excluído dos procedimentos de treinamento do modelo e otimização de hiperparâmetros. Como este conjunto de dados representa uma química distinta de cátodo LFP e uma configuração de célula prismática diferente, a avaliação externa forneceu uma avaliação rigorosa da capacidade de generalização entre conjuntos de dados sob condições eletroquímicas e estruturais heterogêneas. Além disso, análises do coeficiente de variação e avaliações com execuções repetidas demonstraram baixa dispersão preditiva em experimentos independentes, reforçando a robustez e reprodutibilidade do fluxo de trabalho multicanal proposto.

Configuração de validaçãoMétrica de desempenhoMédiaDPMínimoMáximoCoeficiente de variação (%)
Execuções repetidas com divisão fixa dos dados (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
Execuções repetidas com diferentes sementes aleatórias (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
Validação cruzada de cinco dobrasMAE0.0250.0030.0220.02912
RMSE0.0340.00340.030.03910
MAPE (%)2.950.312.573.4110.51
R²0.9510.0090.940.9610.95
Validação externaMAE0.0270.00320.0230.03111.85
RMSE0.0370.00380.0320.04210.27
MAPE (%)3.180.352.763.6711.01
R²0.9440.0110.9310.9561.17

Tabela 4: Análise de reprodutibilidade e robustez do fluxo de trabalho multicanal baseado em aprendizado profundo proposto em diferentes execuções de treinamento e estratégias de validação. A tabela resume o desempenho de reprodutibilidade e robustez do fluxo de trabalho proposto em execuções repetidas com partições fixas dos dados, execuções repetidas com diferentes sementes aleatórias, validação cruzada com cinco divisões e validação externa. As métricas de desempenho incluem erro absoluto médio (MAE), raiz do erro quadrático médio (RMSE), erro percentual absoluto médio (MAPE), coeficiente de determinação (R2), desvio padrão (SD) e coeficiente de variação. Abreviações: MAE = erro absoluto médio; RMSE = raiz do erro quadrático médio; MAPE = erro percentual absoluto médio; SD = desvio padrão.

Sensibilidade a Hiperparâmetros e Ablação de Características

A análise de sensibilidade dos hiperparâmetros demonstrou que o desempenho da predição variou conforme o tamanho das janelas de observação, as funções de ativação, os tamanhos das dimensões ocultas e a profundidade dos modelos de sequência. O efeito do tamanho da janela de observação nas distribuições de erro de predição é ilustrado na Figura 6A. Nas condições avaliadas, janelas de observação entre 100 e 200 ciclos estiveram associadas a erros de predição menores, enquanto janelas de observação mais longas apresentaram melhorias decrescentes na precisão preditiva. A variabilidade da predição dependente da função de ativação é resumida na Figura 6B. As funções de ativação unidade linear retificada (ReLU) e unidade linear de erro gaussiana (GELU) apresentaram erros de predição menores em comparação com outras funções de ativação nas condições avaliadas. A sensibilidade do desempenho da predição ao tamanho da dimensão oculta e à profundidade do modelo de sequência é ilustrada na Figura 6C. Dimensões ocultas de 128 e duas a três camadas de modelagem de sequência estiveram associadas a um desempenho preditivo melhorado, enquanto arquiteturas rasas e dimensões ocultas reduzidas estiveram associadas a aumento do erro de predição. A análise de ablação de características demonstrou ainda que a remoção de características projetadas ou de variáveis relacionadas à eficiência aumentou o erro absoluto médio (MAE) em relação à configuração multicanal completa (Tabela 5), sugerindo que as entradas multicanal combinadas e as características eletroquímicas projetadas contribuíram para o aprimoramento do desempenho preditivo.

figure-results-4
Figura 6. Sensibilidade do desempenho da predição à variação de hiperparâmetros. (A) Efeito do tamanho da janela de entrada na distribuição do erro de predição. (B) Efeito da seleção da função de ativação na distribuição do erro de predição. (C) Mapa de calor mostrando a sensibilidade da predição ao tamanho da dimensão oculta e ao número de camadas do modelo de sequência. As linhas pretas indicam o erro absoluto médio, e as linhas coloridas indicam a média ± desvio padrão, quando aplicável. Clique aqui para visualizar uma versão maior desta figura.

CategoriaConfiguraçãoMAERMSEMAPE (%)R²
Tamanho da janela de entrada20 ciclos0.0310.0433,740,927
50 ciclos0,0260,0363,080,944
100 ciclos0,0230,0322,710,957
150 ciclos0,0220,0312,630,96
200 ciclos0,0220,0312,590,961
250 ciclos0,0230,0322,670,958
300 ciclos0,0240,0332,790,955
Função de ativaçãoReLU0,0230,0322,740,957
GELU0,0220,0312,610,961
Tanh0,0260,0363,050,946
Sigmoid0,0340,0473,960,918
Dimensão oculta / Canais por camada320,0280,0393,220,939
640,0240,0332,810,954
1280,0220,0312,580,961
2560,0230,0322,690,958
Número de camadas de modelagem de sequência10,0270,0383,140,942
20,0230,0322,730,956
30,0220,0312,60,961
40,0240,0342,860,952
Ablação de característicasCaracterísticas completas multicanal + criadas0,0220,0312,610,961
Sem características criadas0,0240,0332,840,955
Sem temperatura0,0250,0342,930,951
Sem resistência interna0,0260,0353,010,949
Sem variáveis relacionadas à eficiência0,0250,0342,950,95
Apenas tensão + corrente0,0290,0393,290,936
Apenas capacidade0,0340,0463,920,916

Tabela 5: Análise de sensibilidade do desempenho do modelo sob diferentes configurações de hiperparâmetros e estratégias de ablação de características. A tabela resume os efeitos do tamanho da janela de entrada, função de ativação, tamanho da dimensão oculta, profundidade do modelo de sequência e estratégias de ablação de características no desempenho da predição dentro do fluxo de trabalho proposto de aprendizado profundo multicanal. As métricas de desempenho incluem erro absoluto médio (MAE), raiz do erro quadrático médio (RMSE), erro percentual absoluto médio (MAPE) e coeficiente de determinação (R2). Abreviações: MAE = erro absoluto médio; RMSE = raiz do erro quadrático médio; MAPE = erro percentual absoluto médio; ReLU = unidade linear retificada; GELU = unidade linear de erro gaussiana.

Discussão

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

O fluxo de trabalho de DL reprodutível descrito neste protocolo demonstrou previsão precisa do desempenho de baterias de íon lítio utilizando dados de ciclagem multicanal. O fluxo de trabalho alcançou um MAE de teste de 0,024 e um valor de R2 de 0,955 para a estimativa de SOH sob as condições experimentais avaliadas, apoiando seu potencial de utilidade para aplicações de gerenciamento do ciclo de vida de baterias e monitoramento de armazenamento de energia11,12,13.

Uma vantagem importante deste protocolo é a redução na complexidade computacional em relação aos modelos tradicionais de EDPs eletroquímicos-físicos5. Embora abordagens baseadas na física forneçam compreensão mecanicista da degradação de baterias, frequentemente enfrentam desafios na identificação de parâmetros em condições de descarga de alta taxa e em ambientes operacionais multicanal. Em contraste, o fluxo de trabalho baseado em dados apresentado modela diretamente o comportamento não linear de degradação a partir de dados de ciclagem, sem necessidade de parametrização explícita baseada na física da química da célula14. Nos conjuntos de dados e configurações experimentais avaliados, a arquitetura CNN–LSTM demonstrou desempenho preditivo superior em comparação com os modelos CNN, LSTM e baseados em transformadores avaliados isoladamente. Estudos recentes demonstraram a eficácia de arquiteturas de transformadores para previsão de degradação com estimativa de incerteza15, bem como a capacidade das CNNs para previsão de falhas em baterias com preservação de privacidade, utilizando dados heterogêneos de carregamento16. No entanto, a arquitetura CNN–LSTM foi priorizada no presente fluxo de trabalho porque oferece uma combinação equilibrada de precisão preditiva, eficiência computacional e estabilidade no treinamento sob as condições laboratoriais avaliadas. As camadas convolucionais extraíram características morfológicas localizadas das curvas de ciclagem, enquanto as camadas LSTM modelaram dependências temporais de longo alcance ao longo de padrões de ciclagem repetidos17,18. Embora a arquitetura híbrida aumente a complexidade do modelo em relação a estruturas de rede única, os requisitos computacionais permaneceram compatíveis com cenários práticos de implantação em sistemas de gerenciamento de baterias sob as condições experimentais avaliadas. Como a maior parte do custo computacional ocorre durante o treinamento offline do modelo, a fase de inferência permanece relativamente leve, o que viabiliza a predição em tempo real a bordo e o monitoramento do estado da bateria em nível de borda, sem dependência contínua de computação baseada em nuvem.

O desempenho deste protocolo depende fortemente de várias etapas críticas de pré-processamento e configuração de entrada. Primeiramente, procedimentos rigorosos de alinhamento de sequências e reamostragem (Etapa 2.2) são essenciais para preservar as relações temporais entre os sinais cíclicos multicanal. Sequências multicanal desalinhadas estiveram associadas à redução da estabilidade preditiva e ao aumento do erro do modelo durante avaliações preliminares. Em segundo lugar, a integração de características eletroquímicas projetadas, como características de tensão diferencial, com sinais cíclicos brutos contribuiu para um desempenho preditivo aprimorado. A análise de ablação de características demonstrou valores menores de erro absoluto médio quando as características projetadas foram mantidas juntamente com variáveis de temperatura e resistência interna19. Além disso, combinar descritores eletroquímicos projetados com características temporais multicanal melhorou a capacidade do modelo de capturar padrões complexos de degradação sob diversas condições operacionais20,21,22. Uma medida metodológica crítica adotada neste estudo foi o isolamento rigoroso dos fatores de escala de normalização e das bases de engenharia de características. Todos os parâmetros estatísticos de normalização e cálculos de características projetadas foram derivados exclusivamente do conjunto de dados de treinamento antes de serem aplicados aos conjuntos de dados de validação e teste. Esse procedimento reduziu o risco de vazamento de informação durante a previsão de ciclos iniciais e a avaliação entre conjuntos de dados, melhorando assim a confiabilidade e a reprodutibilidade do fluxo de trabalho preditivo.

Ao executar ou modificar este protocolo, pode ocorrer instabilidade no treinamento ou problemas relacionados aos gradientes durante a otimização CNN–LSTM. Funções de perda que não convergem ou geram valores NaN podem indicar explosão de gradientes nas camadas de modelagem sequencial recorrente. Nessas situações, o recorte de gradientes, a redução da taxa de aprendizado inicial de 1 × 10−3 para 1 × 10−4 ou aumentos moderados no tamanho do lote podem melhorar a estabilidade do treinamento ao suavizar as atualizações de gradiente. Além disso, as funções de ativação ReLU e GELU estiveram associadas a uma propagação de gradientes aprimorada em comparação com funções de ativação sigmoide ou tangente hiperbólica durante a modelagem profunda de sequências temporais. As análises de sensibilidade a hiperparâmetros apresentadas neste estudo podem, portanto, auxiliar pesquisadores na otimização da estabilidade do fluxo de trabalho e do desempenho preditivo sob diferentes condições de treinamento23.

Apesar do desempenho preditivo alcançado sob as condições avaliadas, este protocolo apresenta várias limitações. O fluxo de trabalho atual foi validado principalmente utilizando conjuntos de dados de ciclagem com corrente/tensão constantes controlados em laboratório. Em aplicações práticas de veículos elétricos, as baterias estão sujeitas a comportamentos estocásticos de carga e descarga, padrões operacionais variáveis dos usuários e condições ambientais flutuantes que podem alterar as características de degradação. Sob tais condições operacionais dinâmicas, modelos de baterias baseados em dados podem enfrentar cenários fora da distribuição, nos quais trajetórias de degradação previamente não observadas ou condições ambientais reduzem a confiabilidade preditiva. Para melhorar a robustez em ambientes práticos de implantação, implementações futuras deste fluxo de trabalho podem incorporar estratégias de quantificação de incerteza, como aprendizado profundo evidencial ou estruturas de regressão quantílica, a fim de fornecer limites de confiança calibrados juntamente com as previsões do estado da bateria. Além disso, abordagens de adaptação de domínio e aprendizado por transferência podem ajudar a preencher a lacuna de distribuição entre trajetórias de degradação geradas em laboratório e o comportamento de ciclagem do mundo real24. Estratégias de aprendizado federado ou aprendizado por transferência com pesos dinâmicos podem ainda apoiar o pré-treinamento do modelo usando grandes conjuntos de dados de laboratório, seguido de ajuste fino com dados operacionais limitados do mundo real, preservando a privacidade dos dados dos usuários25. Embora o framework atual tenha demonstrado desempenho preditivo estável sob condições controladas de laboratório, sistemas de gerenciamento de baterias (BMS) práticos em veículos elétricos devem operar sob perfis de carga altamente dinâmicos e temperaturas ambientais flutuantes. Assim, adaptações futuras deste fluxo de trabalho podem se beneficiar da incorporação de dados realistas de ciclos de condução e estratégias de atualização online do modelo para melhorar a confiabilidade preditiva durante a implantação no mundo real.

Padronizando os procedimentos de particionamento de dados, pré-processamento, extração de características e inicialização de sementes aleatórias, este protocolo melhora a reprodutibilidade em fluxos de trabalho de aprendizado de máquina aplicados a baterias26. A estratégia multicanal de integração de características e o framework de treinamento focado em reprodutibilidade apresentados aqui podem apoiar o desenvolvimento futuro de sistemas de gerenciamento de baterias preditivos para armazenamento de energia renovável, monitoramento de veículos elétricos e avaliação de ciclo de vida de baterias em longo prazo.

Divulgações

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

Os autores declaram não haver interesses financeiros concorrentes ou conflitos de interesses.

Agradecimentos

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

Os autores agradecem ao apoio institucional fornecido pelo Departamento de Física da Universidade de Ciência e Tecnologia do Sul da China e pelo Homerton College da Universidade de Cambridge, que proporcionaram o ambiente acadêmico e os recursos computacionais necessários para esta pesquisa. Os autores também agradecem às instituições de pesquisa e colaboradores que disponibilizaram publicamente os conjuntos de dados abertos de baterias de íon de lítio, incluindo CALCE, SANYO, PANASONIC, KOKAM e GOTION, permitindo assim esta análise multicanal abrangente.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Conjunto de dados da bateria CALCECentro de Engenharia do Ciclo de Vida Avançada (CALCE), Universidade de Marylandhttps://calce.umd.edu/battery-dataFonte de dados multicanal de ciclagem de baterias de íon lítio para treinamento e validação de modelos
CUDA ToolkitNVIDIAVersão 11.8Aceleração de GPU para treinamento de modelos de aprendizado profundo
Conjunto de dados GOTION IFP20100140AMendeley Datahttps://doi.org/10.17632/vpw4t7ytbx.2Validação externa e análise multicanal de degradação de baterias
Conjunto de dados KOKAM SLPB533459H4Mendeley Datahttps://doi.org/10.17632/7w4y4fzzbb.1Modelagem e validação multicanal da degradação de baterias
MatplotlibEquipe de Desenvolvimento do MatplotlibVersão 3.7.1Visualização do desempenho do modelo, análise de sensibilidade e resultados de reprodutibilidade
NumPyDesenvolvedores do NumPyVersão 1.24.3Computação numérica e construção de tensores
Conjunto de dados PANASONIC NCR18650BDMendeley Datahttps://doi.org/10.17632/wykht8y7tg.1Fonte de dados de ciclagem multicanal e extração de características projetadas
PandasDesenvolvedores do PandasVersão 2.0.3Organização de dados, pré-processamento e gerenciamento de dados tabulares
PyTorchFundação PyTorchVersão 2.0.1Construção e treinamento de arquiteturas de aprendizado profundo, incluindo o modelo CNN–LSTM
PythonFundação Software PythonVersão 3.10.12Pré-processamento de dados, engenharia de características, treinamento e avaliação de modelos
Conjunto de dados SANYO UR18650ERepositório de Dados de Prognóstico da NASAhttps://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/Fonte de dados de ciclagem multicanal para avaliação de reprodutibilidade e validação de modelos
Scikit-learnDesenvolvedores do Scikit-learnVersão 1.2.2Implementação de modelo de referência, particionamento de conjunto de dados e cálculo de métricas de desempenho

Referências

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

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Predi o do Desempenho de BateriasModelos de Redes NeuraisEngenharia de AtributosEstado de Sa deVida til RemanescenteGest o do Ciclo de Vida de BateriasModelagem Preditiva

Artigos relacionados