近日，西安交通大学助理教授赵志斌团队将物理模型和深度神经网络加以结合，提出一种用于电池建模以及健康状况预测的“物理信息神经网络”（PINN，Physics-informed neural network）的 AI 算法，并将其用于电池建模、以及电池健康状况预测。
图 | 赵志斌（来源：赵志斌）
课题组还开源了相关数据集和完整代码（https://zenodo.org/records/10963339）。
此外，通过结合其他三个来自不同电池制造商的数据集，他们针对 387 个电池的数据，在 310705 个样本上进行验证，由此得出的平均绝对百分比误差为 0.87%。
为了验证本次方法，该团队通过开展电池退化实验，生成了一个由 55 个镍钴锰酸锂电池组成的综合数据集，并针对 6 种工况加以模拟。
实验结果显示：在不同化学成分的电池数据集上，本次提出的物理信息神经网络均具备适用性。
能够适应不同类型的电池和不同的使用场景，有望促进电池健康管理系统的开发。
具体应用可能包括：
其一，用于电动汽车。
提高电池寿命预测和电池寿命管理系统的准确性，优化电动汽车的电池使用策略和电池维护策略。
其二，用于航空航天。
提高卫星和无人机的电池管理系统，确保任务的可靠性和安全性，减少由于电池故障导致的任务失败。
其三，用于便携式电子设备。
优化手机、笔记本电脑等设备的电池管理，提高用户体验和使用寿命。
其四，用于储能系统。
在大规模的储能系统中，优化电池健康状态的监测和管理，确保能源系统稳定、高效地运行。
图 | 物理信息神经网络流程图（来源：Nature Communications）
“AI+ 电池”研究，如何“有上加优”？
近年来，锂离子电池的使用量以惊人的速度增长，几乎渗透到社会生活的各个角落。
锂离子电池凭借其能量密度高、自放电率低、使用寿命长等优点，已成为各种便携式电子设备、电动汽车、航空航天等众多领域的主要储能器件。
然而，锂电池的大规模应用也带来了一系列新的挑战和问题，特别是在安全性、可靠性和环保方面。因此，对锂电池进行退化建模和健康管理变得尤为重要。
在航空航天领域，作为卫星、无人机等高科技设备的重要能源供给，锂离子电池扮演着至关重要的角色。
这些设备对于电池的可靠性和稳定性有着极高要求，一旦电池出现问题，可能会导致任务失败，甚至造成巨大的经济损失和严重的安全隐患。
而通过对锂电池进行精细的退化建模和健康管理，就能提前发现潜在的故障，确保设备在复杂环境下的正常运行。
与此同时，该课题组发现关于物理信息神经网络在电池建模和电池评估的研究，已经初步崭露头角。
但是，尽管近年来一些期刊发表了大量有关电池健康管理的论文。然而，这些论文中所设计的健康管理方法，主要针对特定的数据集。
一旦更换一个数据集，论文所提出的方法可能就会失效。也就是说大多数已发表的论文，停留在利用物理知识来预处理数据的阶段，没有实现物理模型和神经网络的深度融合。
另一方面，他们发现基于传统深度学习的“健康状况”（SOH，state-of-health）估计法，存在较大的预测误差波动性，导致模型精度在很大程度上取决于数据质量。
图 | 电池数据集各批次电压、电流、温度和容量退化曲线（来源：Nature Communications）
“一师一生”，从零开始
最近几年，赵志斌团队主要研究重大装备的智能运维和健康管理，主要研究对象是各种大型机械设备。
事实上，也是在一次偶然的机会里，让赵志斌接触到电池健康管理这一领域。
“展开来讲，这次研究的萌芽是这样的：之前我所在的大团队，针对某型号的卫星电池健康状态开展了一个项目。后来，我们产生了研究锂电池健康状态的想法，并把这一任务分配给博士生王福金。”赵志斌表示。
当时，王福金还是一名刚入学不久的硕士生，在赵志斌团队没有任何相关研究基础的条件下，对于本次课题王福金也曾感到无从下手。
而且，当时组里只有赵志斌和王福金这样“一师一生”的人员模式，一切都得从零开始。
后来，通过大量阅读文献、到其他高校调研学习、与企业交流等方法，以及随着“卫星电池健康状态项目”的逐渐开展，课题组逐渐具备了研究锂电池健康管理的条件。
图 | 电池数据集退化轨迹（来源：Nature Communications）
随后，他们先是收集了大量的电池退化数据。
高质量的数据，是模型训练和模型验证的基础。为此，他们通过多种途径来获取数据，包括实验室测试、调用公开数据集、与企业合作获取实际使用数据等。
在对数据进行分析之后，提取出来具有普适性的统计特征，并探索不同特征对于电池健康状态预测的影响。
为了设计一个更加普适的特征集，该团队分析了大量的电池退化数据，最终总结出一套通用的统计特征。
在充分理解数据特征之后，结合物理模型的严谨性和神经网络的灵活性，他们提出了物理信息神经网络这一 AI 算法。
对于模型的设计和开发来说，需要考虑到多个因素：包括物理模型的选择、神经网络架构的设计、损失函数的优化、以及训练时的超参数调优。
通过开展大量的实验，模型结构逐渐变得完善，预测精度和稳定性也有所提高。
为了验证物理信息神经网络模型的有效性，在多个包含不同化学成分和不同使用条件的电池数据集上，课题组又开展了新的实验。
实验结果表明：在电池的健康状态预测上，物理信息神经网络模型不仅表现出色，而且明显优于传统的深度学习方法、以及单纯的物理模型。
特别是，在迁移学习的帮助之下，即便在不同的数据集上，模型均表现出较强的普适性和鲁棒性。
考虑到电化学方程的复杂性，该团队从电池退化经验方程和状态空间视角出发，提出了电池退化经验模型，并利用物理信息神经网络来捕捉电池的降解动态。
而为了应对不同的电池类型、使用场景和充放电协议，课题组设计出一种通用特征提取方法，以便从电池完全充电前的短时间数据中提取特征。
针对特征数据进行分析之后，他们发现所提取的特征与电池健康状态之间的相关系数，主要与电池的化学成分有关，受到充放电方案的影响反而较小。
未来新方向：研究 AI 赋能的重大装备智能运维和健康管理
随后，他们开始撰写论文并投稿。日前，相关论文以《基于物理信息的神经网络用于锂离子电池退化稳定建模和预测》（Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis）为题发在 Nature Communications[1]。
西安交通大学博士生王福金和副研究员翟智是共同一作，西安交通大学赵志斌助理教授和陈雪峰教授担任共同通讯作者。
图 | 相关论文（来源：Nature Communications）
目前，赵志斌将自己小组的研究方向定为：AI 赋能的重大装备智能运维和健康管理。
时至今日，该团队已有两名博士生和三名硕士生在研究这一方向，亦有积累了一定科研经验的本科生成员在研究这一方向。
“目前，他们已经产出了多篇高水平论文。”赵志斌表示。
未来，该课题组会继续沿着“物理+数据”的双驱方向，开展电池健康管理的研究，并将主要探索航天器和垂直起降飞行器上的锂电池健康管理。
参考资料：
1.Wang, F., Zhai, Z., Zhao, Z.et al. Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis. Nat Commun 15, 4332 (2024). https://doi.org/10.1038/s41467-024-48779-z
运营/排版：何晨龙返回搜狐，查看更多
责任编辑：
