Методическая статья

Воспроизводимый рабочий процесс глубокого обучения для прогнозирования характеристик литий-ионных аккумуляторов с использованием многоканальных данных циклического тестирования

DOI:

10.3791/71903

⸱

14 августа 2026 г.

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

В этой статье

Краткое содержание

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

В данном протоколе представлен воспроизводимый рабочий процесс глубокого обучения с использованием данных многоканального циклирования и сконструированных признаков для прогнозирования состояния здоровья, остаточного полезного ресурса и характеристик энергоемкости литий-ионного аккумулятора.

Аннотация

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

В данном протоколе представлен воспроизводимый рабочий процесс глубокого обучения для прогнозирования характеристик литий-ионных аккумуляторов с использованием многоканальных данных циклирования. Для устранения ограничений существующих моделей на основе данных, связанных с интеграцией информации из нескольких источников и представлением признаков, в методе используются пять общедоступных наборов данных по аккумуляторам. Входные данные включают необработанные рабочие сигналы, такие как напряжение, ток, емкость, температура, внутреннее сопротивление, кулоновская и энергетическая эффективность, а также расчетные признаки, такие как прирост емкости, дифференциальное напряжение и энергопропускная способность. В протоколе подробно описаны стандартизированные процедуры предварительной обработки для построения временных тензоров на уровне аккумулятора в нескольких окнах наблюдения. Для повышения воспроизводимости в рабочем процессе оцениваются возможные архитектуры нейронных сетей, включая глубокие нейронные сети, сверточные нейронные сети (CNN), сети с долгой краткосрочной памятью (LSTM), комбинированные сети CNN–LSTM и модели на основе трансформеров, с использованием фиксированных случайных чисел (seeds), повторяющихся итераций оценки и отслеживания окружения. Репрезентативные результаты показали, что архитектура CNN–LSTM с интегрированными многоканальными данными и расчетными признаками обеспечила наиболее высокую прогностическую эффективность среди оцениваемых моделей. Выбранная конфигурация достигла средней абсолютной ошибки 0,024 и значения R2 0,955 при оценке состояния здоровья (state-of-health), сохраняя при этом высокую точность прогнозирования остаточного полезного срока службы и оценочной разряжаемой энергии. Анализ абляции и анализ устойчивости дополнительно продемонстрировали вклад интеграции многоканальных признаков и стабильность ориентированного на воспроизводимость рабочего процесса при повторных оценках. Данная стандартизированная методология предоставляет воспроизводимую основу для управления жизненным циклом аккумуляторов и прогностического моделирования в различных условиях эксплуатации.

Введение

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

Литий-ионные аккумуляторы играют ключевую роль в глобальном переходе к возобновляемым источникам энергии благодаря их высокой плотности энергии, длительному циклическому ресурсу и низким скоростям саморазряда в различных областях применения — от портативной электроники до систем хранения энергии сетевого масштаба. Однако длительная эксплуатация неизбежно приводит к постепенной деградации емкости и увеличению внутреннего сопротивления1. Это снижение производительности не только снижает экономическую эффективность, но и создает серьезные риски безопасности, включая тепловой разгон. Поскольку развертывание крупномасштабных систем хранения энергии продолжает ускоряться, управление жизненным циклом аккумуляторов становится все более сложным2. Традиционный мониторинг на основе пороговых значений и протоколы ручного осмотра недостаточны для динамических условий эксплуатации3. Более того, опора на один параметр является недостаточной для точного прогнозирования состояния здоровья (SOH) или остаточного полезного срока службы (RUL) аккумулятора при колебаниях скоростей заряда-разряда, температуры окружающей среды и изменений напряжения разряда4. Хотя текущий рабочий процесс был в основном подтвержден с использованием наборов данных циклического тестирования в контролируемых лабораторных условиях, многоканальная архитектура и структура временного моделирования могут способствовать будущей адаптации к динамическим условиям эксплуатации, встречающимся в электромобилях и изменчивых условиях окружающей среды.

Деградация аккумуляторных батарей представляет собой крайне сложный нелинейный электрохимический процесс, обусловленный ростом межфазного слоя твердого электролита, потерей активного лития и структурным разрушением материалов электродов. Исторически оценка состояния батарей основывалась на моделях эквивалентных схем или электрохимических физических дифференциальных уравнениях в частных производных (ДУЧП)5. Хотя эти физические модели дают ценное понимание механизмов процессов, они характеризуются значительными вычислительными затратами и сложностями при идентификации параметров при обработке многоканальных связанных сигналов. Следовательно, их внедрение в режиме реального времени в встроенные системы управления батареями (BMS) серьезно ограничено сложной кинетикой диффузии и переменностью условий окружающей среды при разряде с высокой скоростью6. Напротив, предлагаемый рабочий процесс глубокого обучения (DL) концентрирует основную вычислительную нагрузку на этапе автономного обучения, в то время как обученная модель выполняет сравнительно быстрый вывод во время эксплуатации. Таким образом, данный фреймворк может способствовать внедрению в будущем в BMS с ограниченными ресурсами и в среды граничных вычислений.

В последнее время подходы глубокого обучения (DL), основанные на данных, стали мощным инструментом благодаря их исключительным возможностям нелинейной аппроксимации. Тем не менее, существующие методологии DL имеют два основных недостатка. Во-первых, многие подходы опираются преимущественно на кривые деградации единичной емкости или специфические пороговые значения напряжения разряда, игнорируя присущие многоканальным откликам циклирования пространственно-временные корреляции, такие как напряжение, ток и температура. Это ограничение снижает робастность модели в сценариях эксплуатации при различных условиях7. Предыдущие исследования показали, что игнорирование тепловых состояний в ходе сложных операций может ускорить накопление ошибок прогнозирования8,9. Во-вторых, в прикладном машинном обучении (ML) сохраняется проблема воспроизводимости. Вариации экспериментальных условий, недостаточно описанные конвейеры предобработки и произвольно выбранные гиперпараметры нейронных сетей часто приводят к тому, что в остальном робастные модели оказываются несостоятельными при кросс-датасетной валидации10. Чтобы снизить риск утечки информации во время предобработки и прогнозирования ранних циклов, предлагаемый рабочий процесс выводит коэффициенты масштабирования нормализации и базовые линии спроектированных признаков исключительно из обучающих наборов данных перед проведением внешней валидации и кросс-датасетной оценки.

Для устранения этих критических пробелов общая цель данного протокола заключается в представлении автоматизированного, высоковоспроизводимого рабочего процесса глубокого обучения (DL) для прогнозирования энергоемкости литий-ионных аккумуляторов с использованием многоканальных данных циклирования. Обоснованием данного метода является явный учет сложных долгосрочных зависимостей, связанных с деградацией аккумулятора, путем интеграции кросс-модальных временных рядов данных в архитектуре многомерной нейронной сети. Ключевым преимуществом этого протокола по сравнению с существующими физическими методами и подходами DL является его комплексная стандартизация, которая устанавливает полный конвейер, охватывающий предобработку необработанных сигналов, проектирование признаков, обучение модели и оценку неопределенности. Хотя гибридные архитектуры нейронных сетей исследовались ранее, данный рабочий процесс делает акцент на стандартизированной многоканальной интеграции путем согласования переменных электрохимического циклирования с разработанными признаками деградации в рамках структуры обучения, ориентированной на воспроизводимость. В отличие от многих ранее описанных рабочих процессов, этот протокол включает стандартизированные конфигурации параметров, фиксированные случайные числа (random seeds), повторные запуски оценки и всесторонний мониторинг среды для повышения воспроизводимости на гетерогенных наборах данных аккумуляторов и в различных лабораторных условиях. Кроме того, рабочий процесс систематически сравнивает несколько архитектур нейронных сетей для оценки стабильности прогнозирования и производительности при различных конфигурациях входных данных. В рамках оцениваемых наборов данных и экспериментальных условий архитектура сверточной нейронной сети и долгой краткосрочной памяти (CNN–LSTM) продемонстрировала более благоприятную прогностическую эффективность по сравнению с оцениваемыми отдельными моделями CNN и моделями на основе трансформеров, сочетая извлечение локальных признаков с моделированием долгосрочных временных последовательностей при сохранении умеренной вычислительной сложности. Данный протокол хорошо подходит для исследователей и инженеров, стремящихся разработать воспроизводимые и адаптивные к среде прогностические модели для управления жизненным циклом аккумуляторов.

Протокол

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

Одобрение институционального комитета по этике для данного исследования не требовалось, поскольку в работе использовались исключительно общедоступные наборы данных о циклировании литий-ионных аккумуляторов и не привлекались участники-люди, подопытные животные или биологические образцы.

1. Сбор и организация данных

  1.  Сбор многоканальных наборов данных циклирования
    1. Загрузите наборы данных циклирования литий-ионных аккумуляторов из общедоступных репозиториев аккумуляторов, содержащих записи циклов заряда-разряда. Получите наборы данных CALCE, SANYO, PANASONIC, KOKAM и GOTION непосредственно из соответствующих институциональных репозиториев открытого доступа или по ссылкам DOI для обеспечения согласованности версий наборов данных.
    2. Выберите образцы аккумуляторов, содержащие полные номера циклов, измерения емкости и как минимум одну непрерывную кривую заряда-разряда. Проверьте непрерывность, подтвердив, что в течение одного цикла нет перерывов продолжительностью более двух часов и что фазы постоянного тока и постоянного напряжения зафиксированы полностью.
  2. Фильтрация необработанных записей циклирования
    1. Отфильтруйте необработанные записи циклирования, чтобы оставить образцы, содержащие измерения температуры, внутреннего сопротивления, кулоновской эффективности и энергоэффективности. Исключите из рабочего процесса анализа аккумуляторные ячейки, в которых отсутствуют эти обязательные каналы состояния, поскольку последующее многоканальное объединение признаков требует полного набора физических входных переменных.
    2. Удалите циклы, содержащие неполные записи, противоречивые временные метки, неопределенные процедуры тестирования или неясные условия прекращения заряда-разряда. Определите аномальные циклы как те, которые демонстрируют внезапные падения емкости более чем на 5% между соседними циклами, измерения напряжения вне рабочего диапазона, специфичного для данной химии, или немонотонные интервалы временных меток.
  3. Создание временной базы данных аккумуляторов
    1. Распределите сохраненные записи циклирования в хронологическом порядке для построения базы данных временных рядов на уровне аккумуляторов.
    2. Сохраните обработанные наборы данных в формате Hierarchical Data Format version 5 (HDF5). Поддерживайте стандартизированную структуру каталогов, организованную по источнику набора данных, химической системе и индивидуальному идентификатору аккумуляторной ячейки.
    3. Присвойте уникальные идентификаторы отдельным аккумуляторным ячейкам перед разделением набора данных. Реализуйте группировку по идентификатору аккумуляторной ячейки при разделении на обучающую и тестовую выборки, чтобы все последовательные циклы одного физического аккумулятора оставались исключительно в одном подмножестве данных.
      ​ПРИМЕЧАНИЕ: Сохраняйте оригинальные необработанные наборы данных отдельно до проведения предобработки, нормализации, ресемплинга или проектирования признаков.
  4. Определение окон наблюдения
    1. Сформируйте многоканальные окна наблюдения, используя первые 50 циклов, первые 100 циклов и первые 20% от общего жизненного цикла аккумулятора. Рассчитайте порог в 20% жизненного цикла, умножив общую продолжительность циклирования до деградации емкости до конца срока службы на 0.2.
    2. Согласуйте измерения напряжения, тока, емкости, температуры, внутреннего сопротивления и эффективности внутри каждого окна наблюдения перед построением тензора.
    3. Сформируйте окончательную входную структуру в виде трехмерного тензора, состоящего из длины окна наблюдения, 128 стандартизированных точек внутрицикловой выборки и упорядоченного набора многоканальных признаков.

2. Предобработка данных и проектирование признаков

  1. Предварительная обработка необработанных данных циклирования
    1. Выполните единообразную предварительную обработку необработанных наборов данных циклирования для стандартизации качества данных из всех источников аккумуляторов. Выполните все процедуры предварительной обработки, синхронизации и стандартизации с использованием Python 3.10 с библиотекой Pandas для манипулирования временными рядами и SciPy для численной интерполяции.
    2. Удалите выбросы, определите пропущенные значения, откалибруйте временные метки, идентифицируйте фазы заряда-разряда и нормализуйте частоту дискретизации перед последующим анализом. Примените модифицированный метод пороговой обработки Z-score с критерием отклонения более 3.0 для обнаружения аномалий.
    3. Автоматически определите пропущенные значения с помощью идентификации флагов NaN во всех числовых массивах. Дифференцируйте фазы зарядки и разрядки в соответствии с полярностью тока, присваивая положительные значения тока циклам зарядки и отрицательные значения тока циклам разрядки.
    4. Восстановите пропущенные сегменты сигнала, используя кусочно-кубические интерполяционные полиномы Эрмита, чтобы сохранить электрохимическую временную динамику при выравнивании фазовых переходов.
  2. Ресемплирование кривых циклирования
    1. Выполните ресемплирование кривых циклирования при обнаружении вариаций плотности дискретизации или дрифта сигнала в наборах данных. Запускайте автоматическое ресемплирование всякий раз, когда интервал между последовательными измерениями отклоняется более чем на 10% относительно медианной частоты дискретизации соответствующей фазы циклирования.
    2. Стандартизируйте количество точек дискретизации в каждом цикле, чтобы уменьшить вариативность записи, зависящую от платформы. Отобразите все временные последовательности на фиксированную пространственную сетку с помощью одномерной линейной интерполяции.
    3. Сжимайте или расширяйте каждый профиль заряда-разряда ровно до 128 равноудаленных точек дискретизации перед построением тензора.
  3. Нормализация непрерывных переменных
    1. Нормализуйте все непрерывные переменные перед обучением модели для стабилизации сходимости сети и уменьшения смещения, связанного с масштабом. Примените Min-Max масштабирование, чтобы преобразовать все непрерывные переменные в числовой диапазон от 0 до 1.
    2. Вычислите все параметры нормализации исключительно на основе обучающего набора данных. Примените фиксированные параметры масштабирования к валидационным и тестовым наборам данных, чтобы снизить риск утечки временных данных вперед при прогнозировании ранних циклов.
  4. Построение многоканальных входных тензоров
    1. Разделите непрерывные записи циклирования для каждого аккумулятора на временные сегменты фиксированной длины. Структурируйте временные сегменты в соответствии с предопределенными окнами наблюдения, соответствующими первым 50 циклам, первым 100 циклам или первым 20% жизненного цикла аккумулятора.
    2. Выровняйте измерения напряжения, тока, емкости, температуры, внутреннего сопротивления и эффективности внутри каждого временного сегмента перед построением тензора.
    3. Объедините выровненные матрицы признаков в трехмерный тензор в формате (N × 128 × C), где N представляет длину окна наблюдения, 128 обозначает стандартизированные точки дискретизации внутри цикла, а C представляет общее количество каналов физических и расчетных признаков.
  5. Извлечение расчетных признаков
    1. Извлеките расчетные электрохимические признаки из необработанных сигналов циклирования для улучшения идентификации паттернов деградации. Рассчитайте признаки приращения емкости и дифференциального напряжения путем вычисления dQ/dV и dV/dQ по стандартизированной сетке дискретизации.
    2. Примените фильтрацию Савицкого–Голея для получения сглаженных кривых приращения емкости и дифференциального напряжения.
    3. Извлеките индикаторы деградации, включая сдвиги пикового напряжения, разности напряжений фазовых переходов и вариации энергопропускной способности от цикла к циклу, из отфильтрованных электрохимических признаков.

3. Построение и обучение модели глубокого обучения

  1. Построение моделей-кандидатов для прогнозирования
    1. Создайте стандартизированную структуру обучения и оценки для всех моделей прогнозирования, представленных на рисунке 1A. Реализуйте рабочий процесс DL с использованием PyTorch версии 2.0 или выше.
    2. Выполните рабочий процесс обучения с помощью модульных скриптов Python для загрузки данных, инициализации модели, оптимизации и оценки.
    3. Подготовьте базовые модели традиционного ML, включая линейную регрессию, случайный лес и модели градиентного бустинга деревьев решений. Настройте модель случайного леса, используя 100 деревьев и максимальную глубину 10.
    4. Настройте структуру градиентного бустинга деревьев решений с помощью библиотеки Scikit-learn, установив скорость обучения 0.1 и максимальную глубину дерева 5.
    5. Подготовьте архитектуры-кандидаты DL, включая многослойный перцептрон, одномерную CNN, сеть LSTM, CNN–LSTM и модели на основе трансформеров.
    6. Стандартизируйте основные гиперпараметры для всех архитектур DL, применив оптимизатор AdamW, функции активации GELU (Gaussian error linear unit), скрытую размерность 128 и коэффициент дропаута 0.2.
  2. Настройка архитектуры CNN–LSTM
    1. Настройте архитектуру CNN–LSTM для объединения многоканальной информации о циклах из входных тензоров (рисунок 1B). Создайте гибридную архитектуру, каскадировав сверточный экстрактор признаков в два стековых рекуррентных слоя, содержащих по 128 скрытых блоков каждый.
    2. Завершите архитектуру тремя параллельными полносвязными регрессионными головками для одновременного прогнозирования SOH, RUL и доступной энергии разряда.
    3. Обработайте многоканальные входные тензоры через три последовательных одномерных сверточных слоя с размерами ядер 3, 5 и 7 для извлечения многомасштабных локализованных признаков.
    4. Применяйте пакетную нормализацию после каждого сверточного слоя для повышения стабильности градиента в процессе оптимизации.
    5. Преобразуйте сверточные карты признаков в непрерывные временные последовательности перед моделированием последовательностей.
    6. Подавайте закодированные временные последовательности в стековые рекуррентные слои для захвата долгосрочных зависимостей деградации в пределах заданных окон наблюдения.
  3. Разделение наборов данных для обучения модели
    1. Разделите обработанные наборы данных аккумуляторных ячеек на обучающую, валидационную и тестовую подвыборки в соотношении 70:15:15. Выполните разделение наборов данных, используя фиксированное значение случайного зерна (seed) 42.
    2. Примените стратифицированную выборку на основе химии аккумулятора для поддержания сбалансированного распределения деградации во всех подвыборках наборов данных.
    3. Выполняйте разделение наборов данных строго на уровне аккумуляторных ячеек, а не путем рандомизации отдельных циклов, чтобы сохранить последовательные траектории деградации.
    4. Рассматривайте каждую аккумуляторную ячейку как неделимую единицу при разделении, чтобы предотвратить утечку информации между наборами данных.
    5. Проверьте изоляцию наборов данных программно, вычислив пересечение идентификаторов аккумуляторных ячеек в обучающей, валидационной и тестовой подвыборках и подтвердив отсутствие перекрытий.
    6. Соберите внешний тестовый набор данных, используя полный набор данных литий-железо-фосфатных (LFP) аккумуляторов GOTION, для оценки внераспределительных данных и анализа обобщающей способности между наборами данных.
    7. Предоставьте исходный код, файлы конфигурации среды и разделенные обработанные наборы данных в открытом доступе через специализированный репозиторий GitHub для обеспечения методологической прозрачности и воспроизводимости.
  4. Инициализация обучения модели
    1. Установите функцию потерь регрессии равной среднеквадратичной ошибке перед началом обучения. Вычислите общую целевую функцию обучения путем агрегирования значений потерь для каждой цели прогнозирования с использованием равных весов.
    2. Установите начальную скорость обучения 1 × 10−3 и выберите размер пакета (batch size) 32 или 64 в зависимости от размера набора данных.
    3. Используйте размер пакета 64 для наборов данных, содержащих более 5 000 циклов, для улучшения использования аппаратных ресурсов. Используйте размер пакета 32 для меньших наборов данных для повышения стабильности оптимизации.
      ПРИМЕЧАНИЕ: Выберите эти гиперпараметры с помощью предварительной оценки методом перебора по сетке (grid-search) для баланса между скоростью сходимости и стабильностью градиента в различных окнах наблюдения.
  5. Применение механизмов управления обучением
    1. Примените динамический планировщик скорости обучения на основе изменений потерь на валидации. Снизьте скорость обучения в 0.5 раза, если потери на валидации не улучшаются в течение 5 последовательных эпох.
    2. Поддерживайте минимальный порог скорости обучения 1 × 10−5 во время оптимизации.
    3. Остановите обучение модели после максимум 100 эпох для уменьшения переобучения.
    4. Примените раннюю остановку, если потери на валидации не снижаются в течение 15 последовательных эпох. Восстановите веса модели, соответствующие итерации с наилучшим результатом валидации.
  6. Ведение записей для обеспечения воспроизводимости
    1. Установите фиксированное значение случайного зерна 42 перед инициализацией и обучением модели.
    2. Последовательно применяйте фиксированное случайное зерно в модуле random Python, NumPy и бэкенде PyTorch, отключив при этом недетерминированные операции CUDA.
    3. Записывайте программную среду, версии зависимостей, настройки параметров, разделение данных и результаты обучения для каждого экспериментального запуска.
    4. Выполняйте все рабочие процессы DL в Ubuntu 22.04 с ускорением CUDA 11.8 на рабочей станции, оснащенной графическим процессором NVIDIA RTX 3090 или эквивалентным оборудованием.

figure-protocol-1
Рисунок 1. Воспроизводимый рабочий процесс глубокого обучения (DL) для многоканального прогнозирования характеристик литий-ионных аккумуляторов. (A) Сквозной воспроизводимый рабочий процесс, иллюстрирующий многоканальный сбор данных, стандартизированную предобработку, построение тензоров, обучение модели и прогнозирование показателей эффективности аккумулятора. Контроль воспроизводимости включает фиксированные случайные значения (seeds), повторные циклы обучения, отслеживание параметров и логирование среды. (B) Гибридная архитектура CNN–LSTM, используемая для многоканального извлечения признаков, моделирования временных последовательностей, объединения признаков и прогнозирования состояния здоровья (SOH), остаточного ресурса (RUL) и разряжаемой энергии. (C) Конвейер оценки и развертывания, демонстрирующий скрининг моделей-кандидатов, оценку робастности, оптимизацию гиперпараметров и окончательный выбор модели. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

4. Оценка модели и прогнозирование мишеней

  1. Получение прогнозов модели
    1. Пропустите целевые наборы данных тестового пула через каждую обученную модель. Перед выводом загрузите предварительно обработанные тестовые наборы данных в виде сериализованных тензоров PyTorch.
    2. Выполните прямой проход вывода с использованием контекстного менеджера отключения градиентов, чтобы предотвратить непреднамеренное обновление параметров во время оценки.
    3. Сгенерируйте одновременные прогнозы для каждого показателя эффективности, используя обученные регрессионные головы.
    4. Извлеките одновременные выходные данные из трех параллельных регрессионных голов, настроенных для прогнозирования SOH, RUL и доступной энергии разряда.
  2. Расчет целевых показателей прогноза
    1. Рассчитайте SOH путем сравнения текущей доступной емкости с начальной емкостью аккумулятора.
    2. Определите начальную емкость аккумулятора как максимальную емкость разряда, зафиксированную в течение первых трех стабилизационных циклов.
    3. Вычислите SOH как отношение емкости текущего цикла к установленному базовому значению начальной емкости.
    4. Оцените RUL, определив эксплуатационный порог, при котором стабильная емкость аккумулятора прекращается.
    5. Определите конец срока службы как номер цикла, при котором емкость аккумулятора необратимо снижается ниже 80% от номинальной rated емкости.
    6. Рассчитайте RUL как количество оставшихся циклов от текущей точки наблюдения до определенного порога окончания срока службы.
    7. Спрогнозируйте доступную энергию разряда на основе зафиксированных условий разряда.
    8. Вычислите истинное значение доступной энергии разряда путем численного интегрирования произведения напряжения разряда и тока разряда по интервалу разряда с использованием метода трапеций.
  3. Оценка прогностической эффективности
    1. Рассчитайте среднюю абсолютную ошибку (MAE), среднеквадратическую ошибку (RMSE), среднюю абсолютную процентную ошибку (MAPE) и коэффициент детерминации (R2) для каждого целевого показателя прогноза.
    2. Вычислите все метрики оценки с помощью модуля metrics библиотеки Scikit-learn с использованием стандартизированных статистических формул.
    3. Применяйте идентичные расчеты метрик для всех моделей, наборов данных и конфигураций входных данных для обеспечения согласованности оценки.
    4. Агрегируйте все показатели эффективности по всем объединенным образцам аккумуляторов в независимом тестовом наборе данных для оценки общей обобщающей способности модели.
  4. Отчет о стратифицированной эффективности
    1. Рассчитайте среднее значение и стандартное отклонение для каждой метрики оценки по повторяющимся экспериментальным запускам.
    2. Получите отчетные статистические показатели на основе пяти независимых инициализаций модели.
    3. Приведите 95% доверительные интервалы вместе со средними показателями эффективности для количественной оценки неопределенности прогноза.
    4. Сравните эффективность модели при различной длине окна наблюдения и конфигурациях входных каналов.
    5. Проведите стратифицированный сравнительный анализ, используя окна наблюдения, соответствующие 50 циклам, 100 циклам и 200 циклам.
    6. Оцените прогностическую эффективность при различных конфигурациях входных данных: от вводов, содержащих только емкость, до полной интеграции многоканальных тензоров. См. Рисунок 1C для ознакомления с рабочим процессом оценки, проверки робастности и выбора для развертывания.

5. Анализ воспроизводимости, робастности и чувствительности

  1. Проверка воспроизводимости и робастности
    1. Используйте идентичные разделения данных, рабочие процессы предобработки и экспериментальные процедуры во всех оценках воспроизводимости, представленных на Рисунке 2A.
    2. Вычислите коэффициент вариации для основных показателей оценки в повторных испытаниях для анализа согласованности воспроизводимости.
    3. Повторите все процедуры оценки, используя один и тот же стандартизированный рабочий процесс обучения и тестирования.
    4. Инициализируйте каждую повторную оценку с использованием рандомизированных весов сети, сохраняя при этом одинаковые детерминированные процедуры загрузки и перемешивания данных.
  2. Проведение повторных экспериментов по обучению
    1. Обучайте прогностические модели неоднократно при идентичных экспериментальных условиях, используя предопределенные фиксированные значения seed для обеспечения воспроизводимой инициализации весов.
    2. Проведите пять независимых циклов обучения с использованием идентичных разделений набора данных для снижения вариабельности, обусловленной данными.
    3. Рассчитайте итоговые показатели эффективности путем усреднения метрик оценки, полученных в пяти повторных циклах обучения.
    4. Агрегируйте итоговые показатели робастности, используя усредненные оценки эффективности, а не путем объединения исходных тензоров прогнозирования.
  3. Оценка чувствительности к гиперпараметрам
    1. В ходе анализа чувствительности поочередно изменяйте скорость обучения (learning rate), размер пакета (batch size), размерность скрытого слоя и коэффициент дропаута (dropout ratio).
    2. Оцените скорость обучения в диапазоне от 1 × 10−4 до 1 × 10−2, размер пакета от 32 до 128, размерность скрытого слоя от 32 до 256 и коэффициент дропаута от 0,1 до 0,5.
    3. Фиксируйте соответствующие изменения точности прогнозирования после каждой корректировки гиперпараметров.
    4. Количественно определите вариацию прогностической эффективности с помощью RMSE и R2.
  4. Проведение анализа абляции признаков
    1. Исключите выбранные входные каналы, включая температуру, внутреннее сопротивление и векторы сконструированных признаков, из многоканального входного потока.
    2. Проведите абляцию признаков, используя стратегию исключения по одному (leave-one-out), удаляя по одной группе признаков за раз при сохранении оставшейся структуры многоканального входа.
    3. Сравните полученную прогностическую эффективность после каждого эксперимента по удалению признаков, чтобы оценить вклад отдельных групп признаков в стабильность и точность модели.
    4. Количественно определите относительный вклад каждой группы признаков, рассчитав процент увеличения средней абсолютной ошибки по сравнению с базовой моделью с полным многоканальным входом. См. Рисунок 2B для ознакомления с рабочим процессом оценки робастности и анализа чувствительности.

figure-protocol-2
Рисунок 2. Стандартизированный рабочий процесс предобработки, оценки робастности и анализа чувствительности. (A) Стандартизированный рабочий процесс многоканальной предобработки, иллюстрирующий обработку необработанных циклических сигналов, калибровку временных меток, удаление выбросов, ресемплирование, нормализацию, выравнивание каналов и построение тензора. Стратегии представления входных данных сравнивают одноканальные входные данные, многоканальные необработанные входные данные и многоканальные входные данные в сочетании с синтезированными признаками. (B) Конвейер анализа робастности и чувствительности, демонстрирующий систематическое возмущение гиперпараметров, оценку повторяемости запусков, анализ абляции признаков, кросс-валидацию и внешнюю валидацию рабочего процесса CNN–LSTM. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Результаты

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

Многоканальные циклические сигналы и распределение данных

Для характеристики поведения литий-ионных аккумуляторов в процессе циклирования были проанализированы репрезентативные многоканальные сигналы циклирования и распределения рабочих показателей. В исследовании использовались пять наборов данных литий-ионных аккумуляторов, представляющих несколько химических систем, включая литий-кобальтовый оксид (LCO), никель-кобальт-алюминиевый оксид (NCA), никель-марганец-кобальтовый оксид (NMC) и LFP (Таблица 1). Основные переменные циклирования, включая напряжение, ток, емкость, температуру, внутреннее сопротивление, а также кулоновскую или энергетическую эффективность, были интегрированы с расчетными признаками, такими как характеристики инкрементальной емкости и дифференциального напряжения, для создания многоканальной системы характеризации. Профили емкость-напряжение и распределения SOH для набора данных CALCE (Рисунок 3A), профили среднего напряжения и распределения SOH для набора данных SANYO (Рисунок 3B), траектории старения для набора данных PANASONIC (Рисунок 3C), тепловые карты эволюции напряжения для набора данных KOKAM (Рисунок 3D) и профили распределения напряжения для набора данных GOTION (Рисунок 3E) продемонстрировали различные механизмы деградации для оцениваемых химических составов аккумуляторов. Например, набор данных GOTION IFP20100140A продемонстрировал ступенчатые характеристики напряжения, обычно присущие системам LFP, в то время как набор данных PANASONIC NCR18650BD показал прогрессирующую деградацию емкости, сопровождаемую сдвигами профиля напряжения при длительном циклировании.

ID набора данныхТип / модель аккумулятораХимияФорматКол-во клетокОбщее количество проанализированных цикловИспользованные окна ранних цикловКоличество точек отбора проб за циклОсновные циклические каналыДополнительные государственные каналыПроизводные признакиЦели прогнозирования
Набор данных №1аккумулятор CALCE LCOLCOПакет384,216Первые 50, первые 100, первые 20% срока службы128Напряжение, ток, время, емкостьТемпература, внутреннее сопротивлениеdQ/dV, dV/dQ, продолжительность заряда, энергия разрядаSOH, остаточный ресурс, доступная энергия разряда
Набор данных № 2SANYO UR18650EНКАЦилиндрический аккумулятор 18650242,487Первые 50, первые 100, первые 20% срока службы128Напряжение, ток, время, емкостьТемпература, кулоновская эффективностьdQ/dV, наклон плато напряжения, энергоэффективностьSOH, RUL, доступная энергия разряда
Набор данных №3PANASONIC NCR18650BDNCAЦилиндрический аккумулятор 18650425,134Первые 50, первые 100, первые 20% срока службы128Напряжение, ток, время, емкостьТемпература, внутреннее сопротивление, кулоновская эффективностьdQ/dV, dV/dQ, длительность заряда, энергопропускная способностьсостояние здоровья (SOH), остаточный ресурс (RUL), разряжаемая энергия
Набор данных №4KOKAM SLPB533459H4НМКПакет191,968Первые 50, первые 100, первые 20% срока службы128Напряжение, ток, время, емкостьТемпература, внутреннее сопротивлениеdQ/dV, продолжительность разряда, наклон напряженияSOH, RUL, доступная энергия разряда
Набор данных №5GOTION IFP20100140AЛФП (локальный полевой потенциал)Призматический576,482Первые 50, первые 100, первые 20% срока службы128Напряжение, ток, время, емкостьТемпература, внутреннее сопротивление, энергоэффективностьdQ/dV, длительность плато, энергия заряда/разрядаSOH (состояние здоровья), RUL (остаточный ресурс), разряжаемая энергия

Таблица 1: Характеристики наборов данных литий-ионных аккумуляторов, многоканальных переменных циклирования, сконструированных признаков и целевых переменных прогнозирования, используемых в воспроизводимом рабочем процессе DL.В таблице обобщены наборы данных литий-ионных аккумуляторов, включенные в данное исследование, включая химический состав аккумуляторов, формат элементов, количество элементов, общее число проанализированных циклов, окна наблюдения, плотность выборки, многоканальные переменные циклирования, сконструированные электрохимические признаки и целевые переменные прогнозирования, используемые для разработки и оценки модели. Сокращения: SOH = состояние здоровья (state of health); RUL = остаточный ресурс (remaining useful life); LCO = кобальтированный оксид лития; NCA = никель-кобальт-алюминиевый оксид; NMC = никель-марганец-кобальтовый оксид; LFP = литий-железо-фосфат.

figure-results-1
Рисунок 3. Репрезентативные многоканальные профили циклирования и распределения состояния здоровья (SOH) по наборам данных литий-ионных аккумуляторов. (A) Профили зависимости емкости от напряжения и распределения SOH для набора данных аккумуляторов с литий-кобальтовым оксидом CALCE. (B) Средние профили напряжения и распределения SOH для набора данных аккумуляторов с никель-кобальт-алюминиевым оксидом SANYO. (C) Траектории старения и кумулятивные распределения SOH для набора данных аккумуляторов с никель-кобальт-алюминиевым оксидом PANASONIC. (D) Тепловые карты эволюции напряжения и распределения выборок SOH для набора данных аккумуляторов с никель-марганец-кобальтовым оксидом KOKAM. (E) Профили распределения напряжения и зависимости SOH от внутреннего сопротивления для набора данных аккумуляторов с литий-железо-фосфатом GOTION. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Общая прогностическая способность для систем хранения энергии

Предложенный рабочий процесс продемонстрировал низкие ошибки прогнозирования и стабильную прогностическую эффективность во всех задачах оценки (Таблица 2). При оценке SOH модель достигла MAE 0,021 на валидационном наборе данных и 0,024 на тестовом наборе данных, при соответствующих значениях R2 0,962 и 0,955. Эти результаты указывают на стабильную прогностическую эффективность при непрерывной оценке состояния аккумулятора в исследуемых условиях. Рабочий процесс также продемонстрировал надежную прогностическую способность при оценке RUL и доступной энергии разряда, достигнув значений R2 на тестовом наборе данных 0,927 и 0,941 соответственно. Для дальнейшей оценки стабильности прогнозирования все показатели эффективности были рассчитаны для пяти независимых инициализаций модели с использованием идентичных разделений наборов данных. Полученные значения стандартных отклонений и коэффициентов вариации оставались низкими при повторных оценках, что указывает на ограниченную чувствительность к стохастической инициализации и стабильное прогностическое поведение при повторном обучении. Кроме того, 95% доверительные интервалы продемонстрировали узкий диапазон вариативности при повторных запусках, что подтверждает робастность и воспроизводимость предложенного многоканального рабочего процесса.

Задача прогнозированияРазбиение набора данныхMAERMSEMAPE (%)R²
Оценка SOHВалидация0.0210.0292.470.962
Оценка SOHТестирование0.0240.0332.830.955
Прогнозирование RULВалидация18.625.98.740.938
Прогнозирование RULТестирование21.429.79.630.927
Прогнозирование разряжаемой энергииВалидация0.0870.1213.180.948
Прогнозирование разряжаемой энергииТестирование0.0940.1293.560.941

Таблица 2: Показатели прогностической эффективности воспроизводимого рабочего процесса DL для оценки характеристик литий-ионных аккумуляторов на валидационном и тестовом наборах данных. В таблице обобщены результаты прогностической эффективности предложенного рабочего процесса для оценки SOH, прогнозирования RUL и прогнозирования разряжаемой энергии с использованием валидационного и тестового наборов данных. Метрики эффективности включают среднюю абсолютную ошибку (MAE), среднеквадратичную ошибку (RMSE), среднюю абсолютную процентную ошибку (MAPE) и коэффициент детерминации (R2). Сокращения: SOH = состояние здоровья (state of health); RUL = остаточный полезный ресурс (remaining useful life); MAE = средняя абсолютная ошибка; RMSE = среднеквадратичная ошибка; MAPE = средняя абсолютная процентная ошибка.

Сравнение производительности различных архитектур DL

Оценка различных архитектур сетей и конфигураций входных данных выявила существенные различия в прогностической эффективности (Таблица 3). Распределения RMSE до и после выбора архитектуры на основе воспроизводимости показаны на Рисунке 4A. Архитектура глубокой нейронной сети продемонстрировала сравнительно более высокие значения MAE и RMSE по сравнению с архитектурами на основе последовательностей и гибридными архитектурами. Сравнение различных конфигураций многоканальных входных данных обобщено на Рисунке 4B. Модели, объединяющие извлечение локальных признаков и временное моделирование между циклами, продемонстрировали более высокую точность прогнозирования в оцениваемых условиях. Модели с более низкой вариабельностью прогнозирования, как правило, группировались в области более высоких показателей средней эффективности с меньшими стандартными отклонениями (Рисунок 4C). Взаимосвязь между средней эффективностью и стандартным отклонением для оцениваемых конфигураций входных данных представлена на Рисунке 4D. Среди протестированных конфигураций архитектура CNN–LSTM достигла самого низкого значения MAE (0.024) и самого высокого значения R2 (0.955) в рамках оцениваемых наборов данных и экспериментальных условий. Кроме того, интеграция сконструированных признаков с полными многоканальными входными данными снизила MAE до 0.022 при значении R2 0.961, тогда как входные данные, содержащие только информацию о емкости, продемонстрировали снижение прогностической эффективности.

КатегорияКонфигурация модели / входных данныхMAE (средняя абсолютная ошибка)СКО (среднеквадратическая ошибка)MAPE (%)R²
Архитектура глубокого обученияГНС (глубокая нейронная сеть)0.0310.0423.580.928
сверточная нейронная сеть0.0270.0373.140.941
LSTM (долгая краткосрочная память)0.0260.0363.050.944
CNN–LSTM0.0240.0332.810.955
Трансформер0.0250.0342.890.951
Конфигурация вводаТолько емкость0.0340.0463.920.916
Напряжение и ток0.0290.0393.290.936
Полный многоканальный вход0.0240.0332.830.955
Многоканальные и сконструированные признаки0.0220.0312.610.961

Таблица 3: Сравнение эффективности прогнозирования для различных архитектур глубокого обучения (DL) и конфигураций входных данных. В таблице приведено сравнение прогностической способности различных архитектур DL и конфигураций входных данных, использованных в воспроизводимом многоканальном рабочем процессе. Метрики эффективности включают среднюю абсолютную ошибку (MAE), среднеквадратичную ошибку (RMSE), среднюю абсолютную процентную ошибку (MAPE) и коэффициент детерминации (R2). Сокращения: DNN = глубокая нейронная сеть; CNN = сверточная нейронная сеть; LSTM = долгая краткосрочная память; MAE = средняя абсолютная ошибка; RMSE = среднеквадратичная ошибка; MAPE = средняя абсолютная процентная ошибка.

figure-results-2
Рисунок 4. Сравнение архитектур моделей и конфигураций входных данных с точки зрения воспроизводимости. (A) Распределения среднеквадратичной ошибки до и после выбора архитектуры на основе воспроизводимости. (B) Распределения среднеквадратичной ошибки для различных конфигураций входных данных до и после выбора стабильной модели. (C) Сравнение средней производительности и стандартного отклонения архитектур моделей-кандидатов, где цвет указывает на среднеквадратичную ошибку, а незакрашенные кружки — на выбранные стабильные модели. (D) Сравнение средней производительности и стандартного отклонения конфигураций входных данных, где цвет указывает на среднеквадратичную ошибку, а незакрашенные кружки — на выбранные оптимальные конфигурации. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Распределение ошибок и оценка согласованности

Распределения абсолютных ошибок были проанализированы для оценки стабильности прогнозирования стандартных базовых моделей ML и архитектур DL. Традиционные базовые модели ML демонстрировали более широкие распределения ошибок и протяженные «хвосты» высоких ошибок, что указывает на снижение стабильности при решении сложных задач по прогнозированию паттернов деградации. Среди оцениваемых моделей DL архитектура CNN–LSTM показала сравнительно более узкие распределения ошибок и более короткие «хвосты» высоких ошибок, что свидетельствует об улучшенной интеграции локального извлечения признаков и моделирования временных последовательностей (Рисунок 5). Включение переменных температуры, внутреннего сопротивления и КПД было связано с постепенным снижением дисперсии ошибок прогнозирования во всех оцениваемых наборах данных.

figure-results-3
Рисунок 5. Распределения абсолютных ошибок для традиционных базовых моделей машинного обучения (ML) и многоканальных моделей глубокого обучения (DL). Скрипичные диаграммы, сравнивающие распределение абсолютных ошибок прогнозирования для традиционных базовых моделей ML, архитектур DL и конфигураций многоканального ввода. Черные линии обозначают среднюю абсолютную ошибку, цветные линии — среднее значение ± стандартное отклонение. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Воспроизводимость и робастность в различных сценариях валидации

Рабочий процесс демонстрировал стабильную прогностическую эффективность при многократных циклах обучения и использовании различных стратегий валидации (Таблица 4). Повторные запуски, выполненные с использованием фиксированных разделов данных и фиксированной инициализации случайных чисел (random-seed), обеспечили стабильные показатели эффективности: значения R2 неизменно оставались выше 0.95, а стандартные отклонения MAE были низкими. Дополнительная оценка с помощью пятикратной перекрестной проверки и внешних валидационных наборов данных показала ограниченную вариативность результатов при повторяющихся экспериментальных условиях. На этапе внешней валидации использовался исключительно набор данных GOTION, который был полностью исключен из процедур обучения модели и оптимизации гиперпараметров. Поскольку данный набор данных представляет собой иную химию LFP и конфигурацию призматических ячеек, внешняя оценка обеспечила строгий анализ способности к обобщению между разными наборами данных в гетерогенных электрохимических и структурных условиях. Кроме того, анализ коэффициента вариации и оценка повторных запусков продемонстрировали низкую дисперсию прогнозов в независимых экспериментах, что подтверждает робастность и воспроизводимость предлагаемого многоканального рабочего процесса.

Параметры валидацииПоказатель эффективностиСреднее значениеSDМинимумМаксимумКоэффициент вариации (%)
Повторные запуски с фиксированным разделением данных (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
Повторные запуски с разными случайными значениями seed (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
Пятикратная перекрестная проверкаMAE0.0250.0030.0220.02912
RMSE0.0340.00340.030.03910
MAPE (%)2.950.312.573.4110.51
R²0.9510.0090.940.9610.95
Внешняя валидацияMAE0.0270.00320.0230.03111.85
RMSE0.0370.00380.0320.04210.27
MAPE (%)3.180.352.763.6711.01
R²0.9440.0110.9310.9561.17

Таблица 4: Анализ воспроизводимости и робастности предлагаемого многоканального рабочего процесса глубокого обучения (DL) при повторных циклах обучения и различных стратегиях валидации.В таблице обобщены показатели воспроизводимости и робастности предлагаемого рабочего процесса при повторных запусках с фиксированным разделением данных, повторных запусках с разными случайными значениями (seed), пятикратной перекрестной валидации и внешней валидации. Метрики эффективности включают среднюю абсолютную ошибку (MAE), среднеквадратичную ошибку (RMSE), среднюю абсолютную процентную ошибку (MAPE), коэффициент детерминации (R2), стандартное отклонение (SD) и коэффициент вариации. Сокращения: MAE = средняя абсолютная ошибка; RMSE = среднеквадратичная ошибка; MAPE = средняя абсолютная процентная ошибка; SD = стандартное отклонение.

Чувствительность к гиперпараметрам и абляция признаков

Анализ чувствительности к гиперпараметрам показал, что точность прогнозирования варьировалась в зависимости от размера окна наблюдения, функций активации, размера скрытого слоя и глубины последовательной модели. Влияние размера окна наблюдения на распределение ошибок прогнозирования показано на рисунке 6A. В исследованных условиях окна наблюдения от 100 до 200 циклов были связаны с более низкими ошибками прогнозирования, тогда как при дальнейшем увеличении размера окна наблюдалось снижение темпов роста точности прогнозирования. Вариативность прогнозирования в зависимости от функции активации обобщена на рисунке 6B. Функции активации ReLU (rectified linear unit) и GELU (Gaussian error linear unit) продемонстрировали более низкие ошибки прогнозирования по сравнению с альтернативными функциями активации в исследованных условиях. Чувствительность точности прогнозирования к размеру скрытого слоя и глубине последовательной модели показана на рисунке 6C. Размер скрытого слоя 128 и наличие двух-трех слоев моделирования последовательности были связаны с улучшением точности прогнозирования, в то время как неглубокие архитектуры и меньший размер скрытого слоя приводили к увеличению ошибки прогнозирования. Анализ абляции признаков дополнительно показал, что удаление сконструированных признаков или переменных, связанных с эффективностью, увеличивало MAE по сравнению с полной многоканальной конфигурацией (таблица 5), что свидетельствует о том, что сочетание многоканальных входных данных и сконструированных электрохимических признаков способствовало повышению точности прогнозирования.

figure-results-4
Рисунок 6. Чувствительность точности прогнозирования к изменению гиперпараметров. (A) Влияние размера входного окна на распределение ошибки прогноза. (B) Влияние выбора функции активации на распределение ошибки прогноза. (C) Тепловая карта, демонстрирующая чувствительность прогнозирования к размеру скрытого слоя и количеству слоев модели последовательности. Черные линии обозначают среднюю абсолютную ошибку, а цветные линии — среднее значение ± стандартное отклонение, где применимо. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

КатегорияНастройкаMAERMSEMAPE (%)R²
Размер входного окна20 cycles0.0310.0433.740.927
50 cycles0.0260.0363.080.944
100 cycles0.0230.0322.710.957
150 cycles0.0220.0312.630.96
200 cycles0.0220.0312.590.961
250 cycles0.0230.0322.670.958
300 cycles0.0240.0332.790.955
Функция активацииReLU0.0230.0322.740.957
GELU0.0220.0312.610.961
Tanh0.0260.0363.050.946
Sigmoid0.0340.0473.960.918
Скрытая размерность / количество каналов на слой320.0280.0393.220.939
640.0240.0332.810.954
1280.0220.0312.580.961
2560.0230.0322.690.958
Количество слоев моделирования последовательностей10.0270.0383.140.942
20.0230.0322.730.956
30.0220.0312.60.961
40.0240.0342.860.952
Абляция признаковПолный многоканальный режим + сконструированные признаки0.0220.0312.610.961
Без сконструированных признаков0.0240.0332.840.955
Без температуры0.0250.0342.930.951
Без внутреннего сопротивления0.0260.0353.010.949
Без переменных, связанных с эффективностью0.0250.0342.950.95
Только напряжение и ток0.0290.0393.290.936
Только емкость0.0340.0463.920.916

Таблица 5: Анализ чувствительности эффективности модели при различных настройках гиперпараметров и конфигурациях исключения признаков (feature-ablation).В таблице обобщены результаты влияния размера входного окна, функции активации, размера скрытого слоя, глубины последовательной модели и стратегий исключения признаков на точность прогнозирования в предлагаемом многоканальном рабочем процессе глубокого обучения (DL). Метрики эффективности включают среднюю абсолютную ошибку (MAE), среднеквадратичную ошибку (RMSE), среднюю абсолютную процентную ошибку (MAPE) и коэффициент детерминации (R2). Сокращения: MAE = средняя абсолютная ошибка; RMSE = среднеквадратичная ошибка; MAPE = средняя абсолютная процентная ошибка; ReLU = линейный выпрямитель; GELU = гауссовый линейный выпрямитель.

Обсуждение

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

Воспроизводимый рабочий процесс глубокого обучения (DL), описанный в данном протоколе, продемонстрировал точное прогнозирование характеристик литий-ионных аккумуляторов с использованием многоканальных данных циклирования. В рамках оцениваемых экспериментальных условий данный рабочий процесс обеспечил среднюю абсолютную ошибку (MAE) на тестовой выборке 0,024 и значение R2 0,955 для оценки состояния здоровья (SOH), что подтверждает его потенциальную полезность для управления жизненным циклом аккумуляторов и приложений по мониторингу систем хранения энергии11,12,13.

Основным преимуществом данного протокола является снижение вычислительной сложности по сравнению с традиционными электрохимико-физическими моделями на основе частных дифференциальных уравнений (ЧДУ)5. Хотя подходы, основанные на физике, позволяют получить представление о механизмах деградации аккумулятора, они часто сталкиваются с проблемами идентификации параметров в условиях разряда с высокой скоростью и в многоканальных операционных средах. В отличие от них, представленный рабочий процесс на основе анализа данных моделирует нелинейное поведение деградации непосредственно по данным циклов без необходимости эксплицитной физической параметризации химии ячеек14. В рамках оцениваемых наборов данных и экспериментальных условий архитектура CNN–LSTM продемонстрировала более высокую прогностическую эффективность по сравнению с оцениваемыми отдельными моделями CNN, LSTM и моделями на базе трансформеров. Недавние исследования показали эффективность архитектур трансформеров для прогнозирования деградации с оценкой неопределенности15, а также возможности CNN для прогнозирования неисправностей аккумуляторов с сохранением конфиденциальности с использованием гетерогенных данных зарядки16. Тем не менее, в данном рабочем процессе приоритет был отдан архитектуре CNN–LSTM, так как она обеспечила сбалансированное сочетание точности прогнозирования, вычислительной эффективности и стабильности обучения в оцениваемых лабораторных условиях. Сверточные слои извлекали локализованные морфологические признаки из кривых циклирования, в то время как слои LSTM моделировали долгосрочные временные зависимости в повторяющихся паттернах циклов17,18. Несмотря на то, что гибридная архитектура увеличивает сложность модели по сравнению со структурами на базе одной сети, вычислительные требования оставались совместимыми с практическими сценариями развертывания систем управления аккумуляторами в оцениваемых экспериментальных условиях. Поскольку большая часть вычислительных затрат приходится на офлайн-обучение модели, фаза вывода остается относительно легкой, что подтверждает возможность прогнозирования на борту в режиме реального времени и мониторинга состояния аккумулятора на периферийном уровне без постоянной зависимости от облачных вычислений.

Эффективность данного протокола сильно зависит от нескольких критических этапов предварительной обработки и настройки входных данных. Во-первых, тщательные процедуры выравнивания последовательностей и ресэмплинга (шаг 2.2) необходимы для сохранения временных взаимосвязей между многоканальными сигналами циклирования. В ходе предварительных оценок было установлено, что несогласованные многоканальные последовательности приводили к снижению стабильности прогнозирования и увеличению ошибки модели. Во-вторых, интеграция рассчитанных электрохимических признаков, таких как вольтамперические характеристики, с исходными сигналами циклирования способствовала улучшению качества прогнозирования. Анализ исключения признаков (feature-ablation analysis) показал более низкие значения средней абсолютной ошибки при сохранении рассчитанных признаков вместе с переменными температуры и внутреннего сопротивления19. Кроме того, сочетание рассчитанных электрохимических дескрипторов с многоканальными временными признаками улучшило способность модели фиксировать сложные закономерности деградации при различных условиях эксплуатации20,21,22. Важной методологической мерой предосторожности, реализованной в данном исследовании, была строгая изоляция коэффициентов масштабирования при нормализации и базовых линий для расчета признаков. Все параметры статистической нормализации и расчеты синтезируемых признаков выводились исключительно из обучающего набора данных перед их применением к валидационному и тестовому наборам. Эта процедура снизила риск утечки информации при прогнозировании ранних циклов и оценке на разных наборах данных, тем самым повысив надежность и воспроизводимость прогностического рабочего процесса.

При выполнении или модификации данного протокола в процессе оптимизации CNN–LSTM могут возникнуть проблемы с нестабильностью обучения или градиентами. Функции потерь, которые не сходятся или генерируют значения NaN, могут указывать на взрыв градиента в слоях рекуррентного моделирования последовательностей. В таких ситуациях отсечение градиента (gradient clipping), снижение начальной скорости обучения с 1 × 10−3 до 1 × 10−4 или умеренное увеличение размера пакета (batch size) могут повысить стабильность обучения за счет сглаживания обновлений градиентов. Кроме того, функции активации ReLU и GELU обеспечивали более эффективное распространение градиента по сравнению с сигмовидной функцией или гиперболическим тангенсом при глубоком моделировании временных последовательностей. Таким образом, представленный в данном исследовании анализ чувствительности гиперпараметров может помочь исследователям оптимизировать стабильность рабочего процесса и прогностическую эффективность при различных условиях обучения23.

Несмотря на прогностическую эффективность, достигнутую в исследуемых условиях, данный протокол имеет ряд ограничений. Текущий рабочий процесс был валидирован преимущественно с использованием наборов данных циклического заряда-разряда с постоянным током/постоянным напряжением, полученных в контролируемых лабораторных условиях. В реальных условиях эксплуатации электромобилей аккумуляторы подвергаются стохастическому поведению при заряде-разряде, переменным паттернам эксплуатации пользователями и колеблющимся условиям окружающей среды, что может изменить характеристики деградации. В таких динамических условиях эксплуатации модели аккумуляторов на основе данных могут столкнуться со сценариями выхода за пределы распределения, при которых ранее не наблюдавшиеся траектории деградации или условия окружающей среды снижают надежность прогнозирования. Для повышения робастности в условиях практического применения будущие реализации этого рабочего процесса могут включать стратегии количественной оценки неопределенности, такие как доказательное глубокое обучение (evidential DL) или структуры квантильной регрессии, чтобы обеспечить откалиброванные доверительные границы наряду с прогнозами состояния аккумулятора. Кроме того, подходы к адаптации домена и трансферному обучению могут помочь устранить разрыв в распределении между лабораторными траекториями деградации и реальным поведением при циклическом использовании24. Стратегии федеративного обучения или динамически взвешенного трансферного обучения могут дополнительно поддержать предварительное обучение модели на больших лабораторных наборах данных с последующей тонкой настройкой на ограниченных операционных данных из реального мира при сохранении конфиденциальности пользовательских данных25. Хотя текущая структура продемонстрировала стабильную прогностическую эффективность в контролируемых лабораторных условиях, практические системы управления аккумуляторами (BMS) в электромобилях должны работать в условиях высокодинамичных профилей нагрузки и колеблющихся температур окружающей среды. Таким образом, будущие адаптации этого рабочего процесса могут выиграть от включения реалистичных данных о циклах вождения и стратегий онлайн-обновления моделей для повышения надежности прогнозирования при развертывании в реальных условиях.

Путем стандартизации процедур разделения данных, предобработки, извлечения признаков и инициализации случайных чисел данный протокол повышает воспроизводимость в прикладных рабочих процессах машинного обучения (ML) для аккумуляторов26. Представленная здесь стратегия многоканальной интеграции признаков и ориентированная на воспроизводимость платформа обучения могут способствовать дальнейшей разработке прогностических систем управления батареями (BMS) для хранения энергии из возобновляемых источников, мониторинга электромобилей и долгосрочной оценки жизненного цикла аккумуляторов.

Раскрытие информации

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

Авторы заявляют об отсутствии конкурирующих финансовых интересов или конфликтов интересов.

Благодарности

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

Авторы выражают благодарность за институциональную поддержку кафедре физики Южного университета науки и технологий и колледжу Хомертон Кембриджского университета, которые обеспечили академическую среду и вычислительные ресурсы, необходимые для данного исследования. Авторы также благодарят исследовательские институты и участников, предоставивших открытый доступ к наборам данных по литий-ионным аккумуляторам, включая CALCE, SANYO, PANASONIC, KOKAM и GOTION, что позволило провести данный комплексный многоканальный анализ.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Набор данных по аккумуляторам CALCEЦентр передового проектирования жизненного цикла (CALCE), Мэрилендский университетhttps://calce.umd.edu/battery-dataИсточник многоканальных данных циклирования литий-ионных аккумуляторов для обучения и валидации моделей
CUDA ToolkitNVIDIAВерсия 11.8GPU-ускорение для обучения моделей глубокого обучения (DL)
Набор данных GOTION IFP20100140AMendeley Datahttps://doi.org/10.17632/vpw4t7ytbx.2Внешняя валидация и многоканальный анализ деградации аккумуляторов
Набор данных KOKAM SLPB533459H4Mendeley Datahttps://doi.org/10.17632/7w4y4fzzbb.1Многоканальное моделирование и валидация деградации аккумуляторов
MatplotlibКоманда разработчиков MatplotlibВерсия 3.7.1Визуализация производительности модели, анализ чувствительности и результатов воспроизводимости
NumPyРазработчики NumPyВерсия 1.24.3Численные вычисления и построение тензоров
Набор данных PANASONIC NCR18650BDMendeley Datahttps://doi.org/10.17632/wykht8y7tg.1Источник многоканальных данных циклирования и извлечение сконструированных признаков
PandasРазработчики PandasВерсия 2.0.3Организация данных, предобработка и управление табличными данными
PyTorchPyTorch FoundationВерсия 2.0.1Построение и обучение архитектур глубокого обучения, включая модель CNN–LSTM
PythonPython Software FoundationВерсия 3.10.12Предобработка данных, проектирование признаков, обучение и оценка моделей
Набор данных SANYO UR18650EРепозиторий прогностических данных NASAhttps://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/Источник многоканальных данных циклирования для оценки воспроизводимости и валидации моделей
Scikit-learnРазработчики Scikit-learnВерсия 1.2.2Реализация базовых моделей, разделение наборов данных и расчет метрик производительности

Ссылки

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

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи