מאמר שיטה

תהליך עבודה הניתן לשחזור של למידה עמוקה לחיזוי ביצועים של סוללות ליתיום-יון באמצעות נתוני מחזורי טעינה רב-ערוציים

DOI:

10.3791/71903

⸱

14 באוגוסט 2026

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

במאמר זה

סיכום

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

פרוטוקול זה מציג תהליך עבודה הדיר של למידה עמוקה, המשתמש בנתוני מחזורים רב-ערוציים ובמאפיינים מהונדסים כדי לנבא את מצב הבריאות (state of health), את חיי המדף השימושיים הנותרים ואת ביצועי אגירת האנרגיה של סוללת ליתיום-יון.

תקציר

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

פרוטוקול זה מציג זרימת עבודה הניתנת לשחזור המבוססת על למידה עמוקה לחיזוי ביצועי סוללות ליתיום-יון באמצעות נתוני מחזורים רב-ערוציים. כדי להתמודד עם מגבלות במודלים קיימים מונחי נתונים הנוגעים לאינטגרציה של מידע ממקורות מרובים וייצוג מאפיינים, השיטה משתמשת בחמישה מאגרי נתונים זמינים של סוללות. הקלטים כוללים אותים תפעוליים גולמיים, הכוללים מתח, זרם, קיבולת, טמפרטורה, התנגדות פנימית, ונצילות קולומבית ואנרגטית, יחד עם מאפיינים הנדסיים כגון קיבולת רגילית (incremental capacity), מתח דיפרנציאלי ותפוקת אנרגיה. הפרוטוקול מפרט נהלי עיבוד מקדים סטנדרטיים לבניית טנזורים זמניים ברמת הסוללה על פני חלונות תצפית מרובים. כדי לשפר את יכולת השחזור, זרימת העבודה מעריכה ארכיטקטורות מועמדות של רשתות עצביות, כולל רשתות עצביות עמוקות, רשתות קונבולוציה (CNNs), רשתות זיכרון לטווח קצר ארוך (LSTM), CNN–LSTM ומודלים מבוססי Transformer, תוך שימוש בזרעים אקראיים קבועים, הרצות הערכה חוזרות ומעקב אחר הסביבה. תוצאות מייצגות הראו כי ארכיטקטורת CNN–LSTM עם נתונים רב-ערוציים משולבים ומאפיינים הנדסיים השיגה ביצועי חיזוי חיוביים בין המודלים שהוערכו. התצורה שנבחרה השיגה טעות מוחלטת ממוצעת של 0.024 וערך R2 של 0.955 עבור הערכת מצב הבריאות (state-of-health), תוך שמירה על ביצועי חיזוי גבוהים עבור הערכת חיי שימוש שנותרו ואנרגיה הניתנת לפריקה. ניתוחי אבלציה ובדיקת חוסן הדגימו עוד את התרומה של אינטגרציית מאפיינים רב-ערוצית ואת היציבות של זרימת העבודה הממוקדת בשחזור לאורך הערכות חוזרות. מתודולוגיה סטנדרטית זו מספקת מסגרת הניתנת לשחזור לניהול מחזור חיי סוללה ומידול חיזויי תחת תנאי הפעלה מגוונים.

מבוא

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

סוללות ליתיום-יון הן מרכזיות במעבר הגלובלי לעבר אנרגיה מתחדשת בשל צפיפות האנרגיה הגבוהה שלהן, אורך חיי מחזור ממושך ושיעורי פריקה עצמית נמוכים ביישומים הנעים מאלקטרוניקה ניידת ועד למערכות אחסון אנרגיה בקנה מידה של רשת חשמלית. עם זאת, פעולה ממושכת מובילה בהכרח לדעיקה הדרגתית של הקיבולת ולעלייה בהתנגדות הפנימית1. ירידה זו בביצועים אינה רק מפחיתה את הכדאיות הכלכלית, אלא גם מציגה סיכוני בטיחות חמורים, כולל בריחה תרמית (thermal runaway). ככל שהפריסה של מערכות אחסון אנרגיה בקנה מידה גדול ממשיכה להאיץ, ניהול מחזור החיים של הסוללה הפך למורכב יותר ויותר2. פרוטוקולי ניטור מבוססי סף ובדיקות ידניות אינם מספיקים עבור סביבות עבודה דינמיות3. יתרה מכך, הסתמכות על פרמטר בודד אינה מספקת לחיזוי מדויק של מצב הבריאות (SOH) של הסוללה או של אורך החיים השימושי הנותר (RUL) תחת שיעורי טעינה-פריקה משתנים, טמפרטורות סביבה ותנודות במתח הפריקה4. למרות שזרימת העבודה הנוכחית תוקפה בעיקר באמצעות מערכי נתונים של מחזורים מבוקרים במעבדה, הארכיטקטורה הרב-ערוצית ומסגרת המידול הזמני עשויות לתמוך בהתאמה עתידית לתנאי הפעלה דינמיים הנפגשים ביישומים של רכבים חשמליים ובסביבות סביבתיות משתנות.

התדרדרות סוללה היא תהליך אלקטרוכימי לא לינארי ומורכב ביותר, המונע על ידי צמיחת השכבה המבודדת של האלקטרוליט המוצק (solid electrolyte interphase), אובדן ליתיום פעיל והידרדרות מבנית של חומרי האלקטרודה. מבחינה היסטורית, הערכת מצב הסוללה התבססה על מודלים של מעגלים שקולים או על משוואות דיפרנציאליות חלקיות (PDEs) אלקטרוכימיות-פיזיקליות5. אף על פי שמודלים פיזיקליים אלו מספקים תובנות מכניסטיות בעלות ערך, הם סובלים מעומס חישובי ניכר ומאתגרים בזיהוי פרמטרים בעת עיבוד אותות מצומדים רב-ערוציים. כתוצאה מכך, יישומם בזמן אמת במערכות ניהול סוללה (BMSs) משובצות מוגבל מאוד בשל קינטיקת דיפוזיה מורכבת ושונות סביבתית בתנאי פריקה בקצב גבוה6. בניגוד לכך, זרימת העבודה המוצעת המבוססת על למידה עמוקה (DL) מרכזת את מרבית הדרישה החישובית בשלב האימון במצב לא מקוון (offline), בעוד שהמודל המאומן מבצע הסקה מהירה יחסית במהלך הפריסה. לכן, מסגרת זו עשויה לתמוך ביישום עתידי במערכות BMS עם משאבים מוגבלים ובסביבות מחשוב קצה (edge-computing).

לאחרונה, גישות למידה עמוקה (DL) מונחות-נתונים התגלו ככלים עוצמתיים בשל יכולות התאמה לא-ליניאריות יוצאות דופן. עם זאת, למתודולוגיות DL קיימות יש שתי מגבלות עיקריות. ראשית, גישות רבות מסתמכות בעיקר על עקומות דעיכת קיבול בודדות או על ספי שהתמך ספציפיים של מתח פריקה, תוך התעלמות מהמתאמים המרחביים-זמניים (spatiotemporal) המובנים בין תגובות מחזוריות רב-ערוציות, כגון מתח, זרם וטמפרטורה. מגבלה זו מפחיתה את חסון המודל בתרחישי הפעלה תחת תנאים מרובים7. מחקרים קודמים הראו כי התעלמות ממצבים תרמיים במהלך פעולות מורכבות עלולה להאיץ את הצטברותם של שגיאות חיזוי8,9. שנית, קיים אתגר מתמשך של הדירות (reproducibility) בלמידה ממוחשבת (ML) יישומית. שינויים בתנאי הניסוי, תהליכי עיבוד מקדים שאינם מתוארים מספיק, והיפר-פרמטרים של רשתות עצביות שנבחרו באופן שרירותי, גורמים לעיתים קרובות למודלים שבאופן אחר היו חסונים להיכשל במהלך תיקוף בין-מאגרי נתונים (cross-dataset validation)10. כדי להפחית את הסיכון לדליפת מידע במהלך העיבוד המקדימ וחיזוי מחזורים מוקדמים, זרימת העבודה המוצעת גוזרת את מקדמי קנה המידה לנורמליזציה ואת קווי הבסיס של תכונות מהונדסות (engineered-feature baselines) אך ורק ממאגרי נתוני האימון, לפני תיקוף חיצוני והערכה בין-מאגרית.

כדי להתגבר על פערים קריטיים אלו, המטרה הכללית של פרוטוקול זה היא להציג תהליך עבודה (workflow) אוטומטי ובעל הדירות גבוהה של למידה עמוקה (DL) לניבוי ביצועי אגירת אנרגיה של סוללות ליתיום-יון באמצעות נתוני מחזורי טעינה-פריקה רב-ערוציים. הרציונל מאחורי שיטה זו הוא ללכוד באופן מפורש את התלויות ארוכות הטווח המורכבות הקשורות לבלאי הסוללה, וזאת על ידי שילוב נתוני סדרות עתיות חוצות-מודליות בתוך ארכיטקטורה של רשת עצבית רב-ממדית. יתרון מרכזי של פרוטוקול זה על פני גישות קיימות מבוססות פיזיקה או DL הוא הסטנדרטיזציה ההוליסטית שלו, המבססת צינור עיבוד (pipeline) מלא המקיף עיבוד מקדים של אותות גולמיים, הנדסת מאפיינים, אימון מודלים והערכת אי-ודאות. למרות שארכיטקטורות היברידיות של רשתות עצביות נחקרו בעבר, תהליך העבודה הנוכחי מדגיש שילוב רב-ערוצי סטנדרטי על ידי סנכרון משתני מחזור אלקטרוכימיים עם מאפייני בלאי מהונדסים בתוך מסגרת אימון ממוקדת-הדירות. בניגוד לתהליכי עבודה רבים שדווחו בעבר, פרוטוקול זה משלב הגדרות פרמטרים סטנדרטיות, זרעי אקראיות (random seeds) קבועים, הרצות הערכה חוזרות ומעקב סביבתי מקיף כדי לשפר את ההדירות על פני מאגרי נתונים של סוללות וסביבות מעבדה הטרוגניות. בנוסף, תהליך העבודה משווה באופן שיטתי מספר ארכיטקטורות של רשתות עצביות כדי להעריך את יציבות הניבוי והביצועים תחת תצורות קלט שונות. בתוך מאגרי הנתונים וההגדרות הניסיוניות שנבחנו, ארכיטקטורת רשת עצבית קונבולוציונית עם זיכרון לטווח קצר-ארוך (CNN–LSTM) הראתה ביצועי ניבוי חיוביים ביחס למודלים של CNN עצמאיים ומודלים מבוססי transformer שנבחנו, וזאת על ידי שילוב של חילוץ מאפיינים מקומיים עם מידול רצפים זמניים ארוכי-טווח תוך שמירה על מורכבות חישובית מתונה. פרוטוקול זה מתאים לחוקרים ומהנדסים המבקשים לפתח מודלים חזויים, הדירים ומותאמי-סביבה לניהול מחזור החיים של סוללות.

פרוטוקול

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

אישור אתי ממוסדי לא היה נדרש למחקר זה, מכיוון שהמחקר השתמש באופן בלעדי במערכי נתונים זמינים לציבור של מחזורי סוללות ליתיום-יון ולא כלל משתתפים אנושיים, נבדקי חיות או דגימות ביולוגיות.

1. רכישת נתונים וארגונם

  1.  רכישת מערכי נתונים של מחזורי סבב רב-ערוציים
    1. הורד מערכי נתונים של מחזורי סבב של סוללות ליתיום-יון ממאגרי סוללות הזמינים לציבור המכילים רשומות של מחזורי טעינה-פריקה. רכוש את מערכי הנתונים של CALCE, SANYO, PANASONIC, KOKAM ו-GOTION ישירות ממאגרי הגישה הפתוחה המוסדיים שלהם או מקישורי מזהה אובייקט דיגיטלי (DOI) כדי לשמור על עקביות גרסאות מערכי הנתונים.
    2. בחר דגימות סוללה המכילות מספרים מלאים של מחזורים, מדידות קיבולת ולפחות עקומה אחת רציפה של טעינה-פריקה. ודא את הרציפות על ידי אישור שלא התרחשה הפרה העולה על שעתיים בתוך מחזור בודד וששני שלבי הזרם הקבוע והמתח הקבוע תועדו במלואם.
  2. סינון רשומות סבב גולמיות
    1. סנן את רשומות הסבב הגולמיות כדי להשאיר דגימות המכילות מדידות של טמפרטורה, התנגדות פנימית, יעילות קולומבית ויעילות אנרגטית. החרג מהתהליך הניתוחי תאי סוללה שחסרים בהם ערוצי מצב חובה אלה, מכיוון שמיזוג מאפיינים רב-ערוצי עוקב דורש סט מלא של משתני קלט פיזיים.
    2. הסר מחזורים המכילים רשומות חסרות, חותמות זמן שאינן עקביות, פרוצדורות בדיקה לא מוגדרות או תנאי סיום טעינה-פריקה לא ברורים. הגדר מחזורים חריגים ככאלה המראים ירידות פתאומיות בקיבולת העולות על 5% בין מחזורים סמוכים, מדידות מתח מחוץ לטווח ההפעלה הספציפי לכימיה, או מרווחי חותמות זמן שאינם מונוטוניים.
  3. בניית מאגר נתונים זמני לסוללות
    1. ארגן את רשומות הסבב שנשמרו באופן כרונולוגי כדי לבנות מאגר נתונים של סדרות זמן ברמת הסוללה.
    2. אחסן את מערכי הנתונים המעובדים באמצעות פורמט נתונים היררכי גרסה 5 (HDF5). שמור על מבנה ספריות סטנדרטי המאורגן לפי מקור מערך הנתונים, המערכת הכימית ומזהה תאי סוללה בודד.
    3. הקצה מזהים ייחודיים לתאי סוללה בודדים לפני חלוקת מערך הנתונים. יישם קיבוץ המבוסס על מזהה תאי הסוללה במהלך פיצול לאימון ובדיקה (train-test splitting) כדי להבטיח שכל המחזורים הרצופים מסוללה פיזית אחת יישארו בלעדית בתוך תת-קבוצה אחת של מערך הנתונים.
      ​הערה: שמור את מערכי הנתונים הגולמיים המקוריים בנפרד לפני עיבוד מקדים, נרמול, דגימה מחדש או הנדסת מאפיינים.
  4. הגדרת חלונות תצפית
    1. בנה חלונות תצפית רב-ערוציים באמצעות 50 המחזורים הראשונים, 100 המחזורים הראשונים ו-20% הראשונים מכלל מחזור החיים של הסוללה. חשב את סף ה-20% של מחזור החיים על ידי הכפלת אורך החיים הכולל של המחזורים לפני דגראדציה של קיבולת בסוף החיים ב-0.2.
    2. יישר מדידות של מתח, זרם, קיבולת, טמפרטורה, התנגדות פנימית ויעילות בתוך כל חלון תצפית לפני בניית הטנזור.
    3. עצב את מבנה הקלט הסופי כטנזור תלת-ממדי המורכב מאורך חלון התצפית, 128 נקודות דגימה סטנדרטיות בתוך המחזור ומערכת מאפיינים רב-ערוצית מסודרת.

2. עיבוד מקדמי של נתונים והנדסת מאפיינים

  1. עיבוד מקדים של נתוני מחזוריות גולמיים
    1. בצע עיבוד מקדים אחיד על מערכי נתוני המחזוריות הגולמיים כדי להנחיר את איכות הנתונים בין כל מקורות הסוללות. בצע את כל הליאות של העיבוד המקדים, הסנכרון והסטנדרטיזציה באמצעות Python 3.10 עם ספריית Pandas למניפולציה של סדרות זמן ו-SciPy לאינטרפולציה נומרית.
    2. הסר ערכים חריגים, זהה ערכים חסרים, כייל חותמות זמן, זהה פאזות טעינה-פריקה ונרמל תדרי דגימה לפני הניתוח השלישי. החל שיטת סף Z-score משופרת עם קריטריון דחייה הגבוה מ-3.0 לצורך זיהוי אנומליות.
    3. זהה ערכים חסרים באופן אוטומטי באמצעות זיהוי דגלי NaN בכל המערכים הנומריים.בצע הבחנה בין פאזות טעינה ופריקה בהתאם לקוטביות הזרם, על ידי הקצאת ערכי זרם חיוביים למחזורי טעינה וערכי זרם שליליים למחזורי פריקה.
    4. שחזר מקטעי אות חסרים באמצעות פולינומי אינטרפולציה קוביים של Hermite (piecewise cubic Hermite interpolating polynomials) כדי לשמר את הדינמיקה האלקטרוכימית הזמנית במהלך יישור מעברי פאזה.
  2. דגימה מחדש של עקומות מחזוריות
    1. בצע דגימה מחדש של עקומות מחזוריות כאשר מזוהים שינויים בצפיפות הדגימה או סחיפת אות (signal drift) בין מערכי הנתונים. הפעל דגימה מחדש אוטומטית בכל פעם שהמרווח בין מדידות עוקבות חורג ביותר מ-10% ביחס לתדיר הדגימה החציוני של פאזת המחזוריות התואמת.
    2. סטנדרטיז את מספר נקודות הדגימה בתוך כל מחזור כדי להפחית שונות בהקלטה התלויה בפלטפורמה. מיף את כל הרצפים הזמניים על רשת מרחבית קבועה באמצעות אינטרפולציה ליניארית חד-ממדית.
    3. דחוס או הרחב כל פרופיל טעינה-פריקה ל-128 נקודות דגימה שוות מרווחים בדיוק לפני בניית הטנזור.
  3. נרמול משתנים רציפים
    1. נרמל את כל המשתנים הרציפים לפני אימון המודל כדי לייצב את התכנסות הרשת ולהפחית הטיות הקשורות לקנה מידה. החל סקאלינג Min-Max כדי להמיר את כל המשתנים הרציפים לטווח נומרי שבין 0 ל-1.
    2. חשב את כל פרמטרי הנרמול אך ורק ממערך נתוני האימון. החל את פרמטרי הסקאלינג הקפואים על מערכי נתוני האימות והבדיקה כדי להפחית את הסיכון לדליפת נתונים זמנית קדימה במהלך חיזוי מחזורים מוקדמים.
  4. בניית טנזורי קלט רב-ערוציים
    1. חלק את רשומות המחזוריות הרציפות עבור כל סוללה למקטעים זמניים באורך קבוע. מבנה את המקטעים הזמניים בהתאם לחלונות תצפית שהוגדרו מראש, המתאימים ל-50 המחזורים הראשונים, ל-100 המחזורים הראשונים או ל-20% הראשונים של מחזור חיי הסוללה.
    2. יישר מדידות של מתח, זרם, קיבולת, טמפרטורה, התנגדות פנימית ויעילות בתוך כל מקטע זמני לפני בניית הטנזור.
    3. שרשר את מטריצות המאפיינים המיושרות לטנזור תלת-ממדי בפורמט של (N × 128 × C), כאשר N מייצג את אורך חלון התצפית, 128 מציין את נקודות הדגימה הסטנדרטיות בתוך המחזור, ו-C מייצג את המספר הכולל של ערוצי מאפיינים פיזיים והנדסיים.
  5. הפקת מאפיינים הנדסיים
    1. הפק מאפיינים אלקטרוכימיים הנדסיים מאותות המחזוריות הגולמיים כדי לשפר את זיהוי תבניות הדיגראדציה. חשב מאפייני קיבולת-מגדילה (incremental-capacity) ומתח-דיפרנציאלי (differential-voltage) על ידי חישוב dQ/dV ו-dV/dQ על פני רשת הדגימה הסטנדרטית.
    2. החל סינון Savitzky–Golay כדי לייצר עקומות קיבולת-מגדילה ומתח-דיפרנציאלי מחליקות.
    3. הפק אינדיקטורים לדיגראדציה, כולל הסטות במתח השיא, הפרשי מתח במעברי פאזה ושינויים במעבר האנרגיה ממחזור למחזור, מתוך המאפיינים האלקטרוכימיים המסוננים.

3. בנייה ואימון של מודל DL

  1. בניית מודלים לניבוי מועמדים
    1. בנו מסגרת סטנדרטית לאימון ולהערכה עבור כל מודלי הניבוי המוצגים ב-איור 1A. יישמו את זרימת העבודה של ה-DL באמצעות גרסה 2.0 או גבוהה יותר של PyTorch.
    2. הגבירו את זרימת עבודה האימון באמצעות סקריפטים מודולריים של Python לטעינת נתונים, אתחול מודל, אופטימיזציה והערכה.
    3. הכינו מודלי בסיס של ML מסורתיים, כולל רגרסיה ליניארית, יער אקראי (random forest) ומודלים של עצי החלטה עם הגברת גרדיאנט (gradient-boosted decision-tree). הגדירו את מודל היער האקראי עם 100 עצים ועומק מקסימלי של 10.
    4. הגדירו את מסגרת עצי ההחלטה עם הגברת הגרדיאנט באמצעות קצב למידה של 0.1 ועומק עץ מקסימלי של 5 דרך ספריית Scikit-learn.
    5. הכינו ארכיטקטורות מועמדות של DL, כולל פרספטרון רב-שכבתי, CNN חד-ממדי, רשת LSTM, CNN–LSTM ומודלים מבוססי transformer.
    6. סטנדרטו את ההיפר-פרמטרים המרכזיים בכל ארכיטקטורות ה-DL על ידי יישום אופטימיזציה מסוג AdamW, פונקציות אקטיבציה מסוג Gaussian error linear unit, ממד נסתר של 128 וקצב dropout של 0.2.
  2. הגדרת ארכיטקטורת CNN–LSTM
    1. הגדירו את ארכיטקטורת ה-CNN–LSTM כך שתמזג מידע מחזורי רב-ערוצי מתוך הטנזורים של הקלט (איור 1B). בנו את הארכיטקטורה ההיברידית על ידי חיבור של מחלץ תכונות קונבולוציוני לשתי שכבות רקורסיביות מוערמות המכילות 128 יחידות נסתרות כל אחת.
    2. סיימו את הארכיטקטורה באמצעות שלושה ראשי רגרסיה מקושרים באופן מלא במקביל, לניבוי סימולטני של SOH, RUL ואנרגיה ניתנת לפריקה.
    3. עבדו את הטנזורים של הקלט הרב-ערוצי דרך שלוש שכבות קונבולוציוניות חד-ממדיות עוקבות עם גודלי גרעין (kernel) של 3, 5 ו-7 כדי לחלץ תכונות מקומיות רב-קנה מידה.
    4. יישמו נורמליזציית אצווה (batch normalization) לאחר כל שכבה קונבולוציונית כדי לשפר את יציבות הגרדיאנט במהלך האופטימיזציה.
    5. שנו את צורתם של מפות התכונות הקונבולוציוניות לרצפים זמניים רציפים לפני מידול הרצפים.
    6. הזינו את הרצפים הזמניים המקודדים לשכבות רקורסיביות מוערמות כדי ללכוד תלויות דגרדציה ארוכות-טווח לאורך חלונות התצפית שהוגדרו מראש.
  3. חלוקת מערכי נתונים לאימון המודל
    1. חלקו את מערכי הנתונים המעובדים של תאי הסוללה לתתי-קבוצות של אימון, תיקוף ובדיקה ביחס של 70:15:15. בצעו את פיצול מערכי הנתונים באמצעות ערך זרע (seed) אקראי קבוע של 42.
    2. יישמו דגימה שכבתית (stratified sampling) המבוססת על הכימיה של הסוללה כדי לשמור על התפלגויות דגרדציה מאוזנות בכל תתי-קבוצות מערכי הנתונים.
    3. בצעו את חלוקת מערכי הנתונים אך ורק ברמת תא הסוללה ולא באמצעות הגרלה אקראית של מחזורים בודדים, כדי לשמר מסלולי דגרדציה רצופים.
    4. שמרו על כל תא סוללה כיחידה בלתי ניתנת לחלוקה במהלך החלוקה כדי למנוע דליפת מידע בין מערכי הנתונים.
    5. אמתו באופן תכנותי את בידוד מערכי הנתונים על ידי חישוב החיתוך של מזהי תאי הסוללה בין תתי-קבוצות האימון, התיקוף והבדיקה, ואשרו שלא קיים חפיפה.
    6. השרישו מערך נתונים חיצוני לבדיקה באמצעות מערך הנתונים המלא של GOTION לליתיום-ברזל-פוספט (LFP) לצורך הערכה מחוץ להתפלגות (out-of-distribution) ובחינת הכללה בין מערכי נתונים.
    7. הפכו את קוד המקור, את קבצי הגדרת הסביבה ואת חלוקות מערכי הנתונים המעובדים לנגישים לציבור באמצעות מאגר GitHub ייעודי כדי לתמוך בשקיפות מתודולוגית ובשחזור.
  4. אתחול אימון המודל
    1. הגדירו את פונקציית ההפסד של הרגרסיה לשגיאה ממוצעת בריבוע (mean squared error) לפני האימון. חשבו את יעד האימון הגלובלי על ידי אגרגציה של ערכי ההפסד מכל יעד ניבוי תוך שימוש במשקל שווה.
    2. הגדירו את קצב הלמידה הראשוני ל-1 × 10−3 ובחרו גודל אצווה (batch size) של 32 או 64 בהתאם לגודל מערך הנתונים.
    3. השתמשו בגודל אצווה של 64 עבור מערכי נתונים המכילים יותר מ-5,000 מחזורים כדי לשפר את ניצול החומרה. השתמשו בגודל אצווה של 32 עבור מערכי נתונים קטנים יותר כדי לשפר את יציבות האופטימיזציה.
      הערה: בחרו היפר-פרמטרים אלו באמצעות הערכת חיפוש רשת (grid-search) ראשונית כדי לאזן בין מהירות ההתכנסות לבין יציבות הגרדיאנט לאורך חלונות תצפית שונים.
  5. יישום בקרות אימון
    1. יישמו מתזמן קצב למידה דינמי המבוסס על שינויים בהפסד התיקוף. הפחיתו את קצב הלמידה בפקטור של 0.5 אם הפסד התיקוף אינו משתפר במשך 5 תקופות (epochs) עוקבות.
    2. שמרו על סף קצב למידה מינימלי של 1 × 10−5 במהלך האופטימיזציה.
    3. עצרו את אימון המודל לאחר מקסימום של 100 תקופות כדי להפחית התאמת יתר (overfitting).
    4. יישמו עצירה מוקדמת אם הפסד התיקוף אינו יורד במשך 15 תקופות עוקבות. שחזרו את משקולות המודל המתאימות לאיטרציית התיקוף בעלת הביצועים הטובים ביותר.
  6. שמירת רישומי שחזור
    1. הגדירו ערך זרע (seed) אקראי קבוע של 42 לפני אתחול המודל ואימנו.
    2. יישמו את הזרע האקראי הקבוע בעקביות על פני מודול ה-random של Python, NumPy והבק-אנד של PyTorch, תוך ביטול פעולות CUDA שאינן דטרמיניסטיות.
    3. רשמו את סביבת התוכנה, גרסאות התלויות, הגדרות הפרמטרים, חלוקות הנתונים ופלט האימון עבור כל הרצה ניסיונית.
    4. בצעו את כל זרימות העבודה של ה-DL באמצעות Ubuntu 22.04 עם האצה של CUDA 11.8 בתחנה שמעודכנת עם יחידת עיבוד גרפית NVIDIA RTX 3090 או חומרה שקולה.

figure-protocol-1
איור 1. זרימת עבודה (workflow) הניתנת לשחזור של למידה עמוקה (DL) לניבוי ביצועי סוללות ליתיום-יון רב-ערוציות. (A) זרימת עבודה מקצה לקצה הניתנת לשחזור, הממחישה רכישת נתונים רב-ערוצית, עיבוד מקדמי סטנדרטי, בניית טנזור, אימון מודל וניבוי של מדדי ביצועי הסוללה. בקרות השחזור כוללות זרעי אקראיות (random seeds) קבועים, הרצות אימון חוזרות, מעקב אחר פרמטרים ותיעוד הסביבה. (B) ארכיטקטורת היברידית של CNN–LSTM המשמשת לחילוץ תכונות רב-ערוציות, מידול רצפים זמניים, מיזוג תכונות וניבוי של מצב הבריאות (SOH), חיי שימוש שנותרו (RUL) ואנרגיה ניתנת לפריקה. (C) צינור (pipeline) הערכה ופריסה המראה סינון של מודלים מועמדים, הערכת חסינות, אופטימיזציה של היפר-פרמטרים ובחירת המודל הסופי. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

4. הערכת מודל וחיזוי מטרה

  1. יצירת תחזיות מודל
    1. עבדו את מערכי הנתונים של סוללת הבדיקה המבוקשת דרך כל מודל מאומן. טענו את מערכי נתוני הבדיקה שעברו עיבוד מוקדם כטנסורים סריאליים של PyTorch לפני ההסקה (inference).
    2. בצעו מעבר הסקה קדימה (forward inference pass) תוך שימוש במנהל הקשר המבטל גרדיאנטים כדי למנוע עדכוני פרמטרים לא מכוונים במהלך ההערכה.
    3. ייצרו תחזיות סימולטניות עבור כל מדד ביצועים באמצעות ראשי הרגרסיה המאומנים.
    4. חלצו פלטים סימולטניים משלושת ראשי הרגרסיה המקביליים שהוגדרו לחיזוי SOH, RUL ואנרגיה פריקה.
  2. חישוב יעדי התחזית
    1. חשבו את ה-SOH על ידי השוואת הקיבולת הזמינה הנוכחית לקיבולת הסוללה הראשונית.
    2. הגדירו את קיבולת הסוללה הראשונית כקיבולת הפריקה המקסימלית שנרשמה במהלך שלושת מחזורי הייצוב הראשונים.
    3. חשבו את ה-SOH כיחס בין הקיבולת במחזור הנוכחי לבין קו הבסיס של הקיבולת הראשונית שנקבע.
    4. העריכו את ה-RUL על ידי זיהוי סף התפעול שבו הקיבולת היציבה של הסוללה פסקית.
    5. הגדירו את סוף החיים (end of life) כמספר המחזור שבו קיבולת הסוללה יורדת באופן בלתי הפיך מתחת ל-80% מהקיבולת הנקובית.
    6. חשבו את ה-RUL כמספר המחזורים שנותרו מנקודת התצפית הנוכחית ועד לסף סוף החיים שהוגדר.
    7. חזו את האנרגיה הפריקה מתוך תנאי הפריקה שנרשמו.
    8. חשבו את האנרגיה הפריקה של ה-ground-truth על ידי אינטגרציה נומרית של מכפלת מתח הפריקה בזרם הפריקה לאורך מרווח הפריקה, תוך שימוש בשיטת האינטגרציה הטרפזית.
  3. הערכת ביצועי התחזית
    1. חשבו את השגיאה המוחלטת הממוצעת (MAE), שורש ממוצע ריבועי השגיאה (RMSE), שגיאת אחוזים מוחלטת ממוצעת (MAPE) ומקדם דטרמינציה (R2) עבור כל יעד תחזית.
    2. חשבו את כל מדדי ההערכה באמצעות מודול המדדים של Scikit-learn עם ניסוחים סטטיסטיים סטנדרטיים.
    3. החילו חישובי מדדים זהים על כל המודלים, מערכי הנתונים ותצורות הקלט כדי לשמור על עקביות ההערכה.
    4. רכזו את כל מדדי הביצועים על פני דגימות הסוללה המאוגדות בתוך מערך נתוני הבדיקה העצמאי כדי להעריך את יכולת ההכללה הכוללת של המודל.
  4. דיווח על ביצועים מרובדים
    1. חשבו את הממוצע וסטיית התקן עבור כל מדד הערכה לאורך הרצות ניסיוניות חוזרות.
    2. גזרו את המדדים הסטטיסטיים המדווחים מחמש אתחולים עצמאיים של המודל.
    3. דווחו על רווחי סמך של 95% יחד עם מדדי הביצועים הממוצעים כדי לכמת את אי-הוודאות בתחזית.
    4. השוו את ביצועי המודל בין אורכים שונים של חלונות תצפית ותצורות ערוצי קלט שונות.
    5. בצעו ריבוד של הניתוח ההשוואתי באמצעות חלונות תצפית המתאימים ל-50 מחזורים, 100 מחזורים ו-200 מחזורים.
    6. העריכו את ביצועי התחזית על פני תצורות קלט מרובות, החל מקלטים של קיבולת בלבד ועד לשילוב טנסורים רב-ערוצי מלא. עיינו ב-איור 1C עבור זרימת העבודה של ההערכה, סינון החסינות ובחירת הפריסה.

5. ניתוח הדירות, חוסן ורגישות

  1. אימות שחזוריות וחוסן
    1. שמרו על חלוקות נתונים, זרימות עבודה של עיבוד מקדים והליכים ניסויים זהים בכל הערכות השחזוריות המוצגות ב-איור 2A.
    2. חשבו את מקדם השונות עבור מדדי ההערכה הראשוניים לאורך ניסויים חוזרים כדי להעריך את עקביות השחזוריות.
    3. חזרו על כל הליכי ההערכה תוך שימוש באותה זרימת עבודה סטנדרטית של אימון ובדיקה.
    4. אתחלו כל הערכה חוזרת באמצעות משקולות רשת אקראיות, תוך שמירה על אותם הליכים דטרמיניסטיים של טעינת נתונים וערבוב.
  2. ביצוע ניסויי אימון חוזרים
    1. אמנו את מודלי הניבוי שוב ושוב תחת תנאים ניסיוניים זהים, תוך שימוש בערכי גרעין אקראי (random-seed) קבועים ומוגדרים מראש כדי להבטיח אתחול שחזיר של המשקולות.
    2. בצעו חמש הרצות אימון עצמאיות תוך שימוש בחלוקות זהות של מערכי הנתונים כדי להפחית שונות הנובעת מהנתונים.
    3. חשבו את מדדי הביצועים הסופיים על ידי חישוב ממוצע של מדדי ההערכה שהתקבלו מחמש הרצות האימון החוזרות.
    4. אגדו את מדדי החוסן הסופיים באמצעות ציוני ההערכה הממוצעים, במקום לשלב טנזורי ניבוי גולמיים.
  3. הערכת רגישות להיפר-פרמטרים
    1. שנו את קצב הלמידה, גודל האצווה (batch size), ממדי השכבה הנסתרת ואת יחס הנשירה (dropout ratio) באופן פרטני במהלך ניתוח הרגישות.
    2. העריכו קצבי למידה בטווח שבין 1 × 10−4 ל-1 × 10−2, גדלי אצווה בטווח שבין 32 ל-128, ממדים נסתרים בטווח שבין 32 ל-256, ויחסי נשירה בטווח שבין 0.1 ל-0.5.
    3. תעדו את השינויים התואמים בדיוק הניבוי לאחר כל התאמה של היפר-פרמטר.
    4. כמתו את השונות בביצועי הניבוי באמצעות RMSE ו-R2.
  4. ביצוע ניתוח השמטת מאפיינים (feature-ablation)
    1. הסירו ערוצי קלט נבחרים, כולל טמפרטורה, התנגדות פנימית ווקטורים של מאפיינים הנדסים, מזרם הקלט הרב-ערוצי.
    2. בצעו השמטת מאפיינים באמצעות אסטרטגיית "השארת אחד בחוץ" (leave-one-out), על ידי הסרת קבוצת מאפיינים אחת בכל פעם, תוך שמירה על מבנה הקלט הרב-ערוצי הנותר.
    3. השוו את ביצועי הניבוי שהתקבלו לאחר כל ניסוי של הסרת מאפיינים כדי להעריך את תרומתן של קבוצות מאפיינים בודדות ליציבות ולדיוק המודל.
    4. כמתו את התרומה היחסית של כל קבוצת מאפיינים על ידי חישוב אחוז העלייה בטעות המוחלטת הממוצעת ביחס למודל הבסיס הרב-ערוצי המשולב במלואו. עיינו ב-איור 2B לזרימת העבודה של הערכת החוסן וניתוח הרגישות.

figure-protocol-2
איור 2. זרימת עבודה סטנדרטית לעיבוד מקדים, הערכת חוסן ואנליזת רגישות. (A>) זרימת עבודה סטנדרטית לעיבוד מקדים רב-ערוצי הממחישה עיבוד של אות מחזוריות גולמי, כיול חותמות זמן, הסרת חריגים, דגימה מחדש, נורמליזציה, יישור ערוצים ובניית טנזור. אסטרטגיות לייצוג קלטים משוות בין קלטים בערוץ בודד, קלטים גולמיים רב-ערוציים וקלטים רב-ערוציים המשולבים עם מאפיינים הנדסיים. (B>) צינור עיבוד לאנליזת חוסן ורגישות המראה הפרעה שיטתית של היפר-פרמטרים, הערכת הרצות חוזרות, אנליזת השמטת מאפיינים, תיקוף צולב ותיקוף חיצוני של זרימת העבודה CNN–LSTM. אנא לחץ כאן להצגת גרסה גדולה יותר של איור זה.

תוצאות

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

אותות מחזור רב-ערוציים והפצת נתונים

אותות מחזוריים רב-ערוציים ופיזור של ביצועים מייצגים נותחו כדי לאפיין את התנהגות התגובה למחזורים של סוללות ליתיום-יון. המחקר השתמש בחמישה מאגרי נתונים של סוללות ליתיום-יון המייצגים מערכות כימיות מרובות, כולל ליתיום קובלט תחמוצת (LCO), ניקל קובלט אלומיניום תחמוצת (NCA), ניקל מנגן קובלט תחמוצת (NMC), ו-LFP (Table 1). משתני מחזור מרכזיים, כולל מתח, זרם, קיבולת, טמפרטורה, התנגדות פנימית, ונצילות קולומבית או אנרגטית, שולבו עם מאפיינים מהונדסים כגון מאפייני קיבולת-מגדילה (incremental-capacity) ומתח-דיפרנציאלי כדי לבסס מסגרת אפיוני רב-ערוצית. פרופילי קיבולת-מתח ופיצורי SOH עבור מאגר הנתונים של CALCE (Figure 3A), פרופילי מתח ממוצע ופיצורי SOH עבור מאגר הנתונים של SANYO (Figure 3B), מסלולי התיישנות עבור מאגר הנתונים של PANASONIC (Figure 3C), מפות חום של התפתחות המתח עבור מאגר הנתונים של KOKAM (Figure 3D), ופרופילי פיזור מתח עבור מאגר הנתונים של GOTION (Figure 3E) הדגימו התנהגויות דגראדציה מובחנות בין הכמיות של הסוללות שנבחנו. לדוגמה, מאגר הנתונים GOTION IFP20100140A הראה מאפייני מתח דמויי מדרגה המזוהים בדרך כלל עם מערכות LFP, בעוד שמאגר הנתונים PANASONIC NCR18650BD הדגים דגראדציה פרוגרסיבית של הקיבולת הנלווית להסתות בפרופיל המתח במהלך מחזורים ארוכים.

מזהה מערך נתוניםסוג / דגם סוללהכימיהפורמטמספר תאיםסה"כ מחזורים שנותחוחלונות מחזורים מוקדמים שנעשה בהם שימושנקודות דגימה למחזורערוצי טעינה ופריקה מרכזייםערוצי מצב נוספיםמאפיינים נגזריםמטרות חיזוי
מערך נתונים #1סוללת CALCE LCOLCOשקית (Pouch)384,21650 הראשונים, 100 הראשונים, 20% הראשונים של חיי הסוללה128מתח, זרם, זמן, קיבולתטמפרטורה, התנגדות פנימיתdQ/dV, dV/dQ, משך טעינה, אנרגיית פריקהSOH, RUL, אנרגיה ניתנת לפריקה
מערך נתונים #2SANYO UR18650ENCAגלילית 18650242,48750 הראשונים, 100 הראשונים, 20% הראשונים של חיי הסוללה128מתח, זרם, זמן, קיבולתטמפרטורה, נצילות קולומביתdQ/dV, שיפוע מישור המתח, נצילות אנרגטיתSOH, RUL, אנרגיה ניתנת לפריקה
מערך נתונים #3PANASONIC NCR18650BDNCAגלילית 18650425,13450 הראשונים, 100 הראשונים, 20% הראשונים של חיי הסוללה128מתח, זרם, זמן, קיבולתטמפרטורה, התנגדות פנימית, נצילות קולומביתdQ/dV, dV/dQ, משך טעינה, תפוקת אנרגיהSOH, RUL, אנרגיה ניתנת לפריקה
מערך נתונים #4KOKAM SLPB533459H4NMCשקית (Pouch)191,96850 הראשונים, 100 הראשונים, 20% הראשונים של חיי הסוללה128מתח, זרם, זמן, קיבולתטמפרטורה, התנגדות פנימיתdQ/dV, משך פריקה, שיפוע מתחSOH, RUL, אנרגיה ניתנת לפריקה
מערך נתונים #5GOTION IFP20100140ALFPפריזמטית576,48250 הראשונים, 100 הראשונים, 20% הראשונים של חיי הסוללה128מתח, זרם, זמן, קיבולתטמפרטורה, התנגדות פנימית, נצילות אנרגטיתdQ/dV, משך מישור, אנרגיית טעינה/פריקהSOH, RUL, אנרגיה ניתנת לפריקה

טבלה 1: מאפייני מערכי הנתונים של סוללות ליתיום-יון, משתני מחזוריות רב-ערוציים, מאפיינים הנדסיים ומטרות ניבוי המשמשות בזרימת העבודה של למידה עמוקה (DL) הניתנת לשחזור. הטבלה מסכמת את מערכי הנתונים של סוללות ליתיום-יון שנכללו במחקר זה, כולל כימיית הסוללה, פורמט התא, מספר התאים, סך המחזורים שנותחו, חלונות תצפית, צפיפות דגימה, משתני מחזוריות רב-ערוציים, מאפיינים אלקטרוכימיים הנדסיים ומטרות ניבוי המשמשות לפיתוח והערכת המודל. קיצורים: SOH = מצב בריאות; RUL = חיי שימוש שנותרו; LCO = ליתיום קובלט אוקסיד; NCA = ניקל קובלט אלומיניום אוקסיד; NMC = ניקל מנגנז קובלט אוקסיד; LFP = ליתיום ברזל פוספט.

figure-results-1
איור 3. פרופילי מחזור רב-ערוציים מייצגים והתפלגויות בריאות-סוללה על פני מאגרי נתונים של סוללות ליתיום-יון. (A) פרופילי קיבול-מתח והתפלגויות SOH עבור מאגר הנתונים של ליתיום קובלט אוקסיד מ-CALCE. (B) פרופילי מתח ממוצעים והתפלגויות SOH עבור מאגר הנתונים של ניקל קובלט אלומי늄 אוקסיד מ-SANYO. (C) מסלולי הזדקנות והתפלגויות SOH מצטברות עבור מאגר הנתונים של ניקל קובלט אלומי늄 אוקסיד מ-PANASONIC. (D) מפות חום של התפתחות מתח והתפלגויות דגימות SOH עבור מאגר הנתונים של ניקל מנגנז קובלט אוקסיד מ-KOKAM. (E) פרופילי התפלגות מתח ויחסי SOH מול התנגדות פנימית עבור מאגר הנתונים של ליתיום ברזל פוספט מ-GOTION. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

ביצועי ניבוי כלליים לאגירת אנרגיה

זרימת העבודה המוצעת הדגימה שגיאות חיזוי נמוכות וביצועי חיזוי עקביים בכל משימות ההערכה (Table 2). עבור הערכת SOH, המודל השיג MAE של 0.021 במערך הנתונים של התיקוף ו-0.024 במערך הנתונים של הבדיקה, עם ערכי R2 תואמים של 0.962 ו-0.955. תוצאות אלו מצביעות על ביצועי חיזוי יציבים להערכה רציפה של בריאות הסוללה תחת התנאים שנבדקו. זרימת העבודה הדגימה גם יכולת חיזוי אמינה להערכת RUL ואנרגיה ניתנת לפריקה, והשיגה ערכי R2 במערך נתוני הבדיקה של 0.927 ו-0.941, בהתאמה. כדי להעריך הלאה את יציבות החיזוי, כל מדדי הביצוע חושבו על פני חמשה אתחולים עצמאיים של המודל תוך שימוש בחלוקות זהות של מערכי הנתונים. סטיות התקן וערכי מקדם השונות שהתקבלו נותרו נמוכים לאורך הערכות חוזרות, מה שמעיד על רגישות מוגבלת לאתחול סטוכסטי והתנהגות חיזוי יציבה תחת תנאי אימון חוזרים. בנוסף, רווחי סמך של 95% הדגימו שונות צרה לאורך הרצות חוזרות, מה שתומך בחוסן וביכולת השחזור של זרימת העבודה הרב-ערוצית המוצעת.

משימת חיזויחלוקת מערך הנתוניםMAERMSEMAPE (%)R²
הערכת SOHתיקוף (Validation)0.0210.0292.470.962
הערכת SOHבדיקה (Test)0.0240.0332.830.955
חיזוי RULתיקוף (Validation)18.625.98.740.938
חיזוי RULבדיקה (Test)21.429.79.630.927
חיזוי אנרגיה ניתנת לפריקהתיקוף (Validation)0.0870.1213.180.948
חיזוי אנרגיה ניתנת לפריקהבדיקה (Test)0.0940.1293.560.941

טבלה 2: ביצועי ניבוי של תהליך העבודה (workflow) הניתן לשחזור מבוסס למידה עמוקה (DL) להערכת ביצועים של סוללות ליתיום-יון במערכי נתוני תיקוף ובדיקה. הטבלה מסכמת את ביצועי הניבוי של תהליך העבודה המוצע להערכת SOH, ניבוי RUL וניבוי אנרגיה ניתנת לפריקה באמצעות מערכי נתוני תיקוף ובדיקה. מדדי הביצוע כוללים שגיאה מוחלטת ממוצעת (MAE), שורש ממוצע ריבועי של השגיאה (RMSE), שגיאה אחוזית מוחלטת ממוצעת (MAPE) ומקדם דטרמינציה (R2). קיצורים: SOH = מצב בריאות; RUL = חיי שימוש שנותרו; MAE = שגיאה מוחלטת ממוצעת; RMSE = שורש ממוצע ריבועי של השגיאה; MAPE = שגיאה אחוזית מוחלטת ממוצעת.

השוואת ביצועים בין ארכיטקטורות DL

הערכה על פני ארכיטקטורות רשת ותצורות קלט שונות הדגימה שונות משמעותית בביצועי הניבוי (טבלה 3). התפלגויות ה-RMSE לפני ואחרי בחירת ארכיטקטורה המבוססת על שחזוריות מוצגות ב-איור 4A. ארכיטקטורת הרשת העצבית העמוקה הניבה ערכי MAE ו-RMSE גבוהים יותר באופן יחסי בהשוואה לארכיטקטורות מבוססות-רצף וארכיטקטורות היברידיות. השוואות בין תצורות קלט רב-ערוציות שונות מסוכמות ב-איור 4B. מודלים המשלבים הן חילוץ תכונות מקומי והן מידול זמני חוצה-מחזור הדגימו דיוק ניבוי משופר תחת התנאים שנבחנו. מודלים שהפגינו שונות ניבוי נמוכה יותר נצמדו בדרך כלל לציוני ביצועים ממוצעים גבוהים יותר עם סטיות תקן מופחתות (איור 4C). הקשרים בין הביצועים הממוצעים לסטיית התקן על פני תצורות הקלט שנבחנו מאויירים ב-איור 4D. מבין התצורות שנבחנו, ארכיטקטורת ה-CNN–LSTM השיגה את ה-MAE הנמוך ביותר (0.024) ואת ערך ה-R2 הגבוה ביותר (0.955) בתוך מערכי הנתונים וההגדרות הניסוייות שנבחנו. בנוסף, שילוב של תכונות מהונדסות עם קלטים רב-ערוציים מלאים הפחית את ה-MAE ל-0.022 עם ערך R2 של 0.961, בעוד שקלטים של קיבולת בלבד הדגימו ביצועי ניבוי נמוכים יותר.

קטגוריהמודל / קונפיגורציית קלטMAERMSEMAPE (%)R²
ארכיטקטורת למידה עמוקהDNN0.0310.0423.580.928
CNN0.0270.0373.140.941
LSTM0.0260.0363.050.944
CNN–LSTM0.0240.0332.810.955
Transformer0.0250.0342.890.951
קונפיגורציית קלטקיבולת בלבד0.0340.0463.920.916
מתח + זרם0.0290.0393.290.936
קלט רב-ערוצי מלא0.0240.0332.830.955
רב-ערוצי + מאפיינים הנדסיים0.0220.0312.610.961

טבלה 3: השוואה של ביצועי החיזוי בין ארכיטקטורות DL ותצורות קלט שונות. הטבלה משווה את ביצועי החיזוי של ארכיטקטורות DL ותצורות קלט שונות ששימשו בזרימת העבודה הרב-ערוצית הניתנת לשחזור. מדדי הביצוע כוללים את השגיאה המוחלטת הממוצעת (MAE), שורש ממוצע הריבועים של השגיאה (RMSE), טעות האחוז המוחלט הממוצעת (MAPE) ומקדם הדטרמינציה (R2). קיצורים: DNN = רשת עצבית עמוקה; CNN = רשת עצבית קונבולוציונית; LSTM = זיכרון לטווח קצר ארוך; MAE = שגיאה מוחלטת ממוצעת; RMSE = שורש ממוצע הריבועים של השגיאה; MAPE = טעות האחוז המוחלט הממוצעת.

figure-results-2
איור 4. השוואה מונחית-שחזוריות של ארכיטקטורות מודלים ותצורות קלט. (A) התפלגויות של שגיאת השורש הממוצעת של הריבועים (Root mean square error) לפני ואחרי בחירת ארכיטקטורה המבוססת על שחזוריות. (B) התפלגויות של שגיאת השורש הממוצעה של הריבועים על פני תצורות קלט שונות לפני ואחרי בחירת מודל יציב. (C) השוואה של ביצועים ממוצעים לעומת סטיית תקן של ארכיטקטורות מודל מועמדות, כאשר הצבע מציין את שגיאת השורש הממוצעת של הריבועים ועיגולים פתוחים מציינים מודלים יציבים שנבחרו. (D) השוואה של ביצועים ממוצעים לעומת סטיית תקן של תצורות קלט, כאשר הצבע מציין את שגיאת השורש הממוצעת של הריבועים ועיגולים פתוחים מציינים תצורות אופטימליות שנבחרו. אנא לחצו כאן כדי להציג גרסה מורחבת של איור זה.

הערכת התפלגות שגיאות ועקביות

התפלגויות השגיאה המוחלטת נותחו כדי להעריך את יציבות הניבוי במגוון של מודלי בסיס של למידה ממוחשבת (ML) קונבנציונלית וארכיטקטורות של למידה עמוקה (DL). מודלי הבסיס המסורתיים של ML הראו התפלגויות שגיאה רחבות יותר וזנבות ארוכים יותר של שגיאות גבוהות, דבר המעיד על יציבות מופחתת במשימות חיזוי של דפוסי דגראדציה מורכבים. מבין מודלי ה-DL שנבחנו, ארכיטקטורת CNN–LSTM הראתה התפלגויות שגיאה צרות יותר באופן יחסי וזנבות קצרים יותר של שגיאות גבוהות, מה שמרמז על שילוב משופר של חילוץ מאפיינים מקומיים ומידול רצפים זמניים (איור 5). שילוב של משתנים הקשורים לטמפרטורה, התנגדות פנימית ונצילות היה קשור להפחתה הדרגתית בפיזור שגיאות הניבוי במערכי הנתונים שנבחנו.

figure-results-3
איור 5. התפלגויות שגיאה מוחלטת עבור בסיסי השוואה של למידה חישובית (ML) קונבנציונלית ומודלי DL רב-ערוציים. תרשימי כינור המשווים את התפלגות שגיאות הניבוי המוחלטות בין בסיסי השוואה של ML קונבנציונלית, ארכיטקטורות DL ותצורות קלט רב-ערוציות. קווים שחורים מציינים את השגיאה המוחלטת הממוצעת, וקווים צבעוניים מציינים ממוצע ± סטיית תקן. אנא לחצו כאן כדי להציג גרסה מוגדלת של איור זה.

שחזוריות וחסינות על פני תרחישי תיקוף

תהליך העבודה שמר על ביצועי חיזוי עקביים לאורך הרצות אימון חוזרות ואסטרטגיות תיקוף מרובות (טבלה 4). הרצות חוזרות שבוצעו באמצעות חלוקות נתונים קבועות ואתחול של זרעי אקראיות (random-seed) קבועים הניבו מדדי ביצועים יציבים, כאשר ערכי R2 נותרו בעקביות מעל 0.95 וסטיות תקן נמוכות ב-MAE. הערכה נוספת באמצעות תיקוף צולב בעל חמישה קיפולים (five-fold cross-validation) ומערכי נתונים לתיקוף חיצוני הדגימה שונות מוגבלת בביצועים לאורך תנאים ניסויים חוזרים. שלב התיקוף החיצוני השתמש באופן בלעדי במערך הנתונים GOTION, אשר נותר מוחרג לחלוטין מהליכי אימון המודל ואופטימיזציה של היפר-פרמטרים. מכיוון שמערך נתונים זה מייצג כימיית LFP נבדלית ותצורת תא פריזמטית, ההערכה החיצונית סיפקה הערכה קפדנית של יכולת ההכללה בין מערכי נתונים תחת תנאים אלקטרוכימיים ומבניים הטרוגניים. בנוסף, ניתוחי מקדם השונות והערכות של הרצות חוזרות הדגימו פיזור חיזוי נמוך בין ניסויים בלתי תלויים, מה שמסייע לביסוס החסון והשחזוריות של תהליך העבודה הרב-ערוצי המוצע.

הגדרת תיקוףמדד ביצועיםממוצעSDמינימוםמקסימוםמקדם השונות (%)
הרצות חוזרות עם פיצול נתונים קבוע (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
הרצות חוזרות עם גרעינים אקראיים שונים (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
תיקוף צולב חמישה-מכפלי (Five-fold cross-validation)MAE0.0250.0030.0220.02912
RMSE0.0340.00340.030.03910
MAPE (%)2.950.312.573.4110.51
R²0.9510.0090.940.9610.95
תיקוף חיצוניMAE0.0270.00320.0230.03111.85
RMSE0.0370.00380.0320.04210.27
MAPE (%)3.180.352.763.6711.01
R²0.9440.0110.9310.9561.17

טבלה 4: ניתוח שחזוריות וחוסן של זרימת העבודה (workflow) המוצעת של למידה עמוקה (DL) רב-ערוצית על פני הרצות אימון חוזרות ואסטרטגיות תיקוף. הטבלה מסכמת את ביצועי השחזוריות והחוסן של זרימת העבודה המוצעת תחת הרצות חוזרות עם חלוקות נתונים קבועות, הרצות חוזרות עם זרעי אקראיות שונים, תיקוף צולב חמיש-מכמיש (five-fold cross-validation) ותיקוף חיצוני. מדדי הביצוע כוללים שגיאה מוחלטת ממוצעת (MAE), שגיאת שורש ריבועי ממוצעת (RMSE), שגיאה אחוזית מוחלטת ממוצעת (MAPE), מקדם דטרמינציה (R2), סטיית תקן (SD) ומקדם וריאציה. קיצורים: MAE = mean absolute error; RMSE = root mean square error; MAPE = mean absolute percentage error; SD = standard deviation.

רגישות להיפר-פרמטרים ואבלאציה של מאפיינים

ניתוח רגישות של היפר-פרמטרים הדגים כי ביצועי הניבוי השתנו בהתאם לגדלי חלונות התצפית, פונקציות ההפעלה, גדלי הממד הנסתר ועומקי מודל הרצף. השפעת גודל חלון התצפית על התפלגויות שגיאות הניבוי מוצגת ב-איור 6A. תחת התנאים שנבחנו, חלונות תצפית שבין 100 ל-200 מחזורים היו קשורים לשגיאות ניבוי נמוכות יותר, בעוד שחלונות תצפית ארוכים יותר הראו שיפורים פחותים בדיוק הניבוי. השונות בניבוי התלויה בפונקציית ההפעלה מסוכמת ב-איור 6B. פונקציות הפעלה מסוג Rectified linear unit (ReLU) ו-Gaussian error linear unit (GELU) הדגימו שגיאות ניבוי נמוכות יותר ביחס לפונקציות הפעלה חלופיות תחת התנאים שנבחנו. הרגישות של ביצועי הניבוי לגודל הממד הנסתר ולעומק מודל הרצף מוצגת ב-איור 6C. ממדים נסתרים של 128 ושתיים עד שלוש שכבות מידול רצף היו קשורים לביצועי ניבוי משופרים, בעוד שארכיטקטורות רדודות וממדים נסתרים מופחתים היו קשורים לעלייה בשגיאת הניבוי. ניתוח השמטת מאפיינים (feature-ablation) הדגים עוד כי הסרת מאפיינים מהונדסים או משתנים הקשורים לנצילות העלתה את ה-MAE ביחס לתצורה הרב-ערוצית המלאה (טבלה 5), מה שמרמז כי שילוב של קלטים רב-ערוציים ומאפיינים אלקטרוכימיים מהונדסים תרם לשיפור ביצועי הניבוי.

figure-results-4
איור 6. רגישות ביצועי הניבוי לשינויים בהיפר-פרמטרים. (A) השפעת גודל חלון הקלט על התפלגות שגיאות הניבוי. (B) השפעת בחירת פונקציית ההפעלה על התפלגות שגיאות הניבוי. (C) מפת חום המראה את רגישות הניבוי לגודל הממד הנסתר ומספר השכבות של מודל הרצף. קווים שחורים מציינים את השגיאה המוחלטת הממוצעת, וקווים צבעוניים מציינים את הממוצע ± סטיית התקן במידת הרלוונטיות. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של איור זה.

קטגוריההגדרהMAERMSEMAPE (%)R²
גודל חלון קלט20 מחזורים0.0310.0433.740.927
50 מחזורים0.0260.0363.080.944
100 מחזורים0.0230.0322.710.957
150 מחזורים0.0220.0312.630.96
200 מחזורים0.0220.0312.590.961
250 מחזורים0.0230.0322.670.958
300 מחזורים0.0240.0332.790.955
פונקציית אקטיבציהReLU0.0230.0322.740.957
GELU0.0220.0312.610.961
Tanh0.0260.0363.050.946
Sigmoid0.0340.0473.960.918
מימד נסתר / ערוצים לשכבה320.0280.0393.220.939
640.0240.0332.810.954
1280.0220.0312.580.961
2560.0230.0322.690.958
מספר שכבות מידול רצפים10.0270.0383.140.942
20.0230.0322.730.956
30.0220.0312.60.961
40.0240.0342.860.952
אבלאציה של מאפייניםמרובה ערוצים מלא + מאפיינים מהונדסים0.0220.0312.610.961
ללא מאפיינים מהונדסים0.0240.0332.840.955
ללא טמפרטורה0.0250.0342.930.951
ללא התנגדות פנימית0.0260.0353.010.949
ללא משתנים הקשורים לנצילות0.0250.0342.950.95
מתח וזרם בלבד0.0290.0393.290.936
קיבול בלבד0.0340.0463.920.916

טבלה 5: ניתוח רגישות של ביצועי המודל תחת הגדרות היפר-פרמטרים שונות ותצורות של השבתת מאפיינים (feature-ablation). הטבלה מסכמת את ההשפעות של גודל חלון הקלט, פונקציית ההפעלה, גודל הממד הנסתר, עומק מודל הרצף ואסטרטגיות השבתת מאפיינים על ביצועי החיזוי במסגרת זרימת העבודה המוצעת של DL רב-ערוצי. מדדי הביצועים כוללים שגיאה מוחלטת ממוצעת (MAE), שורש ממוצע ריבועי של השגיאה (RMSE), שגיאה אחוזית מוחלטת ממוצעת (MAPE) ומקדם דטרמינציה (R2). קיצורים: MAE = mean absolute error; RMSE = root mean square error; MAPE = mean absolute percentage error; ReLU = rectified linear unit; GELU = Gaussian error linear unit.

דיון

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

תהליך העבודה של ה-DL הניתן לשחזור המתואר בפרוטוקול זה הדגים חיזוי מדויק של ביצועי סוללות ליתיום-יון באמצעות נתוני מחזוריות רב-ערוציים. תהליך העבודה השיג MAE של 0.024 במערך הבדיקה וערך R2 של 0.955 להערכת SOH תחת התנאים הניסיוניים שנבחנו, מה שמחזק את הפוטנציאל לשימוש בו ליישומים של ניהול מחזור חיי סוללה וניטור אגירת אנרגיה11,12,13.

יתרון מרכזי של פרוטוקול זה הוא ההפחתה במורכבות החישובית ביחס למודלי PDE אלקטרוכימיים-פיזיקליים מסורתיים5. למרות שגישות מבוססות פיזיקה מספקות תובנה מכניסטית לגבי דגרדציה של סוללות, הן נתקלות לעיתים קרובות באתגרי זיהוי פרמטרים בתנאי פריקה בקצב גבוה ובסביבות הפעלה רב-ערוציות. לעומת זאת, זרימת העבודה הנוכחית המונחית נתונים ממדלת התנהגות דגרדציה לא-ליניארית ישירות מנתוני מחזורי טעינה-פריקה ללא צורך בפרמטריזציה מפורשת מבוססת פיזיקה של כימיית התא14. בתוך מערכי הנתונים וההגדרות הניסיוניות שנבחנו, ארכיטקטורת CNN–LSTM הדגימה ביצועי ניבוי משופרים ביחס למודלי CNN, LSTM ומודלים מבוססי Transformer שנבחנו באופן נפרד. מחקרים אחרונים הדגימו את יעילותן של ארכיטקטורות Transformer לניבוי דגרדציה עם הערכת אי-ודאות15, וכן את יכולתן של רשתות CNN לניבוי תקלות בסוללות תוך שמירה על פרטיות באמצעות נתוני טעינה הטרוגניים16. עם זאת, ארכיטקטורת CNN–LSTM תועדף בזרימת העבודה הנוכחית כיוון שהיא סיפקה שילוב מאוזן של דיוק ניבוי, יעילות חישובית ויציבות אימון תחת תנאי המעבדה שנבחנו. השכבות הקונבולוציוניות חילצו מאפיינים מורפולוגיים מקומיים מעקומי המחזורים, בעוד ששכבות ה-LSTM מדללו תלויות זמניות ארוכות-טווח לאורך דפוסי מחזורים חוזרים17,18. למרות שהארכיטקטורה ההיברידית מגבירה את מורכבות המודל ביחס למבני רשת בודדת, הדרישות החישוביות נותרו תואמות לתרחישי פריסה מעשיים של מערכות ניהול סוללה תחת התנאים הניסיוניים שנבחנו. מכיוון שמרבית העלות החישובית מתרחשת במהלך אימון המודל במצב offline, שלב ההסקה (inference) נותר קל יחסית, מה שתומך בהיתכנות של ניבוי onboard בזמן אמת וניטור מצב סוללה ברמת ה-edge ללא תלות רציפה בחישוב מבוסס ענן.

ביצועי הפרוטוקול הזה תלויים רבות במספר שלבי עיבוד מקדים והגדרות קלט קריטיים. ראשית, נהלי יישור רצפים ודגימה מחדש קפדניים (שלב 2.2) חיוניים לשימור יחסי הזמן בין אותות מחזוריים רב-ערוציים. רצפים רב-ערוציים שלא יושרו היו קשורים ליציבות חיזוי מופחתת ולשגיאת מודל מוגברת במהלך הערכות ראשוניות. שנית, שילוב של מאפיינים אלקטרוכימיים מהונדסים, כגון מאפייני מתח דיפרנציאלי, עם אותות מחזוריים גולמיים תרם לשיפור ביצועי החיזוי. ניתוח של השמטת מאפיינים (Feature-ablation analysis) הראה ערכי שגיאה מוחלטת ממוצעת נמוכים יותר כאשר המאפיינים המהונדסים נשמרו יחד עם משתני הטמפרטורה וההתנגדות הפנימית19. בנוסף, שילוב של תיאורים אלקטרוכימיים מהונדסים עם מאפיינים זמניים רב-ערוציים שיפר את יכולתו של המודל ללכוד דפוסי דעיכה מורכבים תחת תנאי הפעלה מגוונים20,21,22. הגנה מתודולוגית קריטית שיושמה במחקר זה הייתה הבידוד ההדוק של מקדמי קנה מידה לנורמליזציה ובסיסי הנדסת מאפיינים. כל פרמטרי הנורמליזציה הסטטיסטית וחישובי המאפיינים המהונדסים הופקו בלבד מתוך מערך נתוני האימון לפני יישומם על מערכי נתוני התיקוף והבדיקה. הליך זה הפחית את הסיכון לדליפת מידע במהלך חיזוי מחזורים מוקדמים והערכה בין מערכי נתונים, ובכך שיפר את המהימנות והשחזור של זרימת העבודה החיזוית.

בעת ביצוע או שינוי של פרוטוקול זה, עשויים להופיע חוסר יציבות באימון או בעיות הקשורות לגרדיאנטים במהלך אופטימיזציה של CNN–LSTM. פונקציות הפסד שאינן מתכנסות או המייצרות ערכי NaN עשויות להעיד על התפוצצות גרדיאנט (gradient explosion) בתוך שכבות מידול הרצפים הרקורסיביות. במצבים אלו, קיטוע גרדיאנטים (gradient clipping), הפחתת קצב הלמידה הראשוני מ-1 × 10−3 ל-1 × 10−4, או העלאה מתונה של גודל האשורה (batch size) עשויים לשפר את יציבות האימון על ידי החלקת עדכוני הגרדיאנטים. בנוסף, פונקציות ההפעלה ReLU ו-GELU נקשרו להפצת גרדיאנטים משופרת בהשוואה לפונקציות הפעלה מסוג סיגמואיד (sigmoid) או טנגנס היפרבולי במהלך מידול רצפים זמניים עמוקים. לפיכך, ניתוחי הרגישות להיפר-פרמטרים המוצגים במחקר זה עשויים לסייע לחוקרים באופטימיזציה של יציבות זרימת העבודה והביצועים החיזויים תחת תנאי אימון שונים23.

על אף ביצועי הניבוי שהושגו תחת התנאים שנבחנו, לפרוטוקול זה מספר מגבלות. זרימת העבודה הנוכחית תוקפה בעיקר באמצעות מערכי נתונים של מחזורי זרם קבוע/מתח קבוע שנשלטו במעבדה. ביישומים מעשיים של רכבים חשמליים, סוללות חשופות להתנהגות טעינה-פריקה סטוכסטית, לדפוסי הפעלה משתנים של המשתמש ולתנאי סביבה תנודתיים העשויים לשנות את מאפייני הדיגראדציה. תחת תנאי הפעלה דינמיים אלו, מודלי סוללה מבוססי נתונים עשויים להיתקל בתרחישים מחוץ להתפלגות (out-of-distribution), שבהם מסלולי דיגראדציה או תנאי סביבה שלא נצפו בעבר מפחיתים את מהימנות הניבוי. כדי לשפר את החסון (robustness) בסביבות פריסה מעשיות, מימושים עתידיים של זרימת עבודה זו עשויים לשלב אסטרטגיות לכימות אי-ודאות, כגון evidential DL או מסגרות של רגרסיית קוונטיל (quantile-regression), כדי לספק גבולות ביטחון מכויילים לצד תחזיות מצב הסוללה. בנוסף, גישות של התאמת דומיין (domain-adaptation) ולמידה בהעברה (transfer-learning) עשויות לסייע בגישור על פער ההתפלגות בין מסלולי דיגראדציה שנוצרו במעבדה לבין התנהגות מחזורית בעולם האמיתי24. אסטרטגיות של למידה פדרטיבית (Federated-learning) או למידה בהעברה עם שקלול דינמי עשויות לתמוך עוד יותר באימון מקדים של המודל באמצעות מערכי נתונים מעבדתיים גדולים, ולאחר מכן בכוונון עדין (fine-tuning) עם נתוני תפעול מוגבלים מהעולם האמיתי תוך שמירה על פרטיות נתוני המשתמש25. למרות שהמסגרת הנוכחית הפגינה ביצועי ניבוי יציבים תחת תנאי מעבדה נשלטים, מערכות BMS מעשיות ברכבים חשמליים חייבות לפעול תחת פרופילי עומס דינמיים מאוד וטמפרטורות סביבה תנודתיות. לכן, התאמות עתידיות של זרימת עבודה זו עשויות להפיק תועלת משילוב נתוני מחזורי נסיעה ריאליסטיים ואסטרטגיות עדכון מודל מקוונות כדי לשפר את מהימנות הניבוי במהלך פריסה בעולם האמיתי.

על ידי סטנדרטיזציה של חלוקת הנתונים, עיבוד מקדמי, חילוץ מאפיינים ונהלי אתחול של זרע אקראי (random-seed), פרוטוקול זה משפר את השחזוריות בתוך תזרימי עבודה של ML המיושמים לסוללות26. אסטרטגיית שילוב המאפיינים הרב-ערוצית ומסגרת האימון הממוקדת בשחזוריות המוצגות כאן עשויות לתמוך בפיתוח עתידי של מערכות BMS לחיזוי עבור אחסון אנרגיה מתחדשת, ניטור רכבים חשמליים והערכה ארוכת טווח של מחזור חיי הסוללה.

גילויים

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

המחברים מצהירים כי אין ניגודי עניינים פיננסיים או קונפליקטים של אינטרסים.

תודות

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

המחברים מודים על התמיכה המוסדית שניתנה על ידי המחלקה לפיזיקה באוניברסיטת הדרום למדע וטכנולוגיה (Southern University of Science and Technology) ומכללת הומרטון (Homerton College), אוניברסיטת קיימברידג', אשר סיפקו את הסביבה האקדמית ואת המשאבים החישובים הדרושים למחקר זה. המחברים מודים גם למוסדות המחקר ולתורמים שסיפקו את מאגרי הנתונים של סוללות ליתיום-יון בגישה פתוחה, כולל CALCE, SANYO, PANASONIC, KOKAM ו-GOTION, ובכך אפשרו את הניתוח הרב-ערוצי המקיף הזה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
סט נתונים של סוללות CALCEהמרכז להנדסת מחזור חיים מתקדמת (CALCE), אוניברסיטת מרילנדhttps://calce.umd.edu/battery-dataמקור לנתוני מחזורי סוללות ליתיום-יון רב-ערוציים עבור אימון ותיקוף מודלים
CUDA ToolkitNVIDIAגרסה 11.8האצת GPU עבור אימון מודלי DL
סט נתונים GOTION IFP20100140AMendeley Datahttps://doi.org/10.17632/vpw4t7ytbx.2תיקוף חיצוני וניתוח דגראדציה רב-ערוצי של סוללות
סט נתונים KOKAM SLPB533459H4Mendeley Datahttps://doi.org/10.17632/7w4y4fzzbb.1מידול ותיקוף של דגראדציית סוללות רב-ערוצית
Matplotlibצוות הפיתוח של Matplotlibגרסה 3.7.1ויזואליזציה של ביצועי המודל, ניתוח רגישות ותוצאות שחזוריות
NumPyמפתחי NumPyגרסה 1.24.3חישוב נומרי ובניית טנזורים
סט נתונים PANASONIC NCR18650BDMendeley Datahttps://doi.org/10.17632/wykht8y7tg.1מקור לנתוני מחזור רב-ערוציים וחילוץ תכונות מהנדסות
Pandasמפתחי Pandasגרסה 2.0.3ארגון נתונים, עיבוד מקדים וניהול נתונים טבלאיים
PyTorchקרן PyTorchגרסה 2.0.1בנייה ואימון של ארכיטקטורות למידה עמוקה, כולל מודל CNN–LSTM
Pythonקרן התוכנה של Pythonגרסה 3.10.12עיבוד מקדים של נתונים, הנדסת תכונות, אימון מודלים והערכה
סט נתונים SANYO UR18650Eמאגר נתוני הפרוגנוסטיקה של NASAhttps://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/מקור לנתוני מחזור רב-ערוציים להערכת שחזוריות ותיקוף מודלים
Scikit-learnמפתחי Scikit-learnגרסה 1.2.2מימוש מודל בסיס, חלוקת סט נתונים וחישוב מדדי ביצועים

מקורות

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

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

State Of Health

מאמרים קשורים