Een reproduceerbare deep learning-workflow voor het voorspellen van de prestaties van lithium-ionbatterijen met behulp van multichannel cycling-data

Samenvatting

Dit protocol presenteert een reproduceerbare deep learning-workflow die gebruikmaakt van multichannel cyclusinggegevens en engineered features om de gezondheidstoestand, de resterende levensduur en de energieopslagprestaties van lithium-ionbatterijen te voorspellen.

Samenvatting

Dit protocol presenteert een reproduceerbare deep-learning workflow voor het voorspellen van de prestaties van lithium-ionbatterijen met behulp van multichannel cyclusergegevens. Om beperkingen in bestaande datagestuurde modellen met betrekking tot de integratie van informatie uit meerdere bronnen en kenmerkrepresentatie aan te pakken, maakt de methode gebruik van vijf openbaar beschikbare batterijdatasets. De inputs omvatten ruwe operationele signalen, waaronder spanning, stroom, capaciteit, temperatuur, interne weerstand en coulombische en energetische efficiëntie, samen met berekende kenmerken zoals incrementele capaciteit, differentiaalspanning en energiedoorvoer. Het protocol beschrijft gestandaardiseerde voorbewerkingsprocedures voor het construeren van temporele tensoren op batterijniveau over meerdere observatievensters. Om de reproduceerbaarheid te verbeteren, evalueert de workflow kandidaat-neurale netwerkarchitecturen, waaronder deep neural networks, convolutional neural networks (CNN's), long short-term memory (LSTM) netwerken, CNN–LSTM en transformer-gebaseerde modellen, met behulp van vaste random seeds, herhaalde evaluatieruns en omgevingsregistratie. Representatieve resultaten toonden aan dat de CNN–LSTM-architectuur met geïntegreerde multichannel gegevens en berekende kenmerken een gunstige voorspellende prestatie behaalde onder de geëvalueerde modellen. De geselecteerde configuratie behaalde een gemiddelde absolute fout van 0,024 en een R²-waarde van 0,955 voor de schatting van de gezondheidstoestand (state-of-health), terwijl een hoge voorspellende prestatie behouden bleef voor de schatting van de resterende levensduur en de ontlaadbare energie. Ablatie- en robuustheidsanalyses toonden verder de bijdrage van multichannel kenmerkintegratie en de stabiliteit van de op reproduceerbaarheid gerichte workflow over herhaalde evaluaties aan. Deze gestandaardiseerde methodologie biedt een reproduceerbaar kader voor batterijlevenscyclusbeheer en voorspellende modellering onder diverse bedrijfsomstandigheden.

Inleiding

Lithium-ionbatterijen zijn cruciaal voor de wereldwijde transitie naar hernieuwbare energie vanwege hun hoge energiedichtheid, verlengde cyclusduur en lage zelfontladingspercentages bij toepassingen variërend van draagbare elektronica tot energieopslagsystemen op netwerkschaal. Langdurige werking leidt echter onvermijdelijk tot geleidelijke capaciteitsdegradatie en een toename van de interne weerstand¹. Deze prestatieafname vermindert niet alleen de economische levensvatbaarheid, maar introduceert ook ernstige veiligheidsrisico's, waaronder thermische runaway. Naarmate de implementatie van grootschalige energieopslagsystemen versnelt, is het beheer van de batterijlevenscyclus steeds complexer geworden². Traditionele monitoring op basis van drempelwaarden en handmatige inspectieprotocollen zijn onvoldoende voor dynamische bedrijfsomgevingen³. Bovendien is de afhankelijkheid van één enkele parameter ontoereikend om de gezondheidstoestand (SOH) of de resterende bruikbare levensduur (RUL) van de batterij nauwkeurig te voorspellen onder fluctuerende laad- en ontlaadsnelheden, omgevingstemperaturen en variaties in de ontladingsspanning⁴. Hoewel de huidige workflow primair is gevalideerd met behulp van in het laboratorium gecontroleerde cyclusdatasets, kunnen de multichannel-architectuur en het temporele modelleringskader toekomstige aanpassingen ondersteunen voor de dynamische bedrijfsomstandigheden die worden aangetroffen in elektrische voertuigtoepassingen en variabele milieuomgevingen.

Batterijdegradatie is een zeer complex, niet-lineair elektrochemisch proces dat wordt aangedreven door de groei van de solid electrolyte interphase, verlies van actief lithium en structurele verslechtering van elektrodematerialen. Historisch gezien is toestandschatting vertrouwd op equivalentencircuitmodellen of elektrochemische-fysische partiële differentiaalvergelijkingen (PDE's)⁵. Hoewel deze fysische modellen waardevolle mechanistische inzichten bieden, kampen ze met aanzienlijke computationele overhead en uitdagingen bij parameteridentificatie bij het verwerken van gekoppelde multikanaalsignalen. Bijgevolg is hun real-time implementatie in ingebedde batterijbeheersystemen (BMS'en) ernstig beperkt door complexe diffusiekinetiek en omgevingsvariabiliteit onder condities van hoge ontlaadsnelheden⁶. In tegenstelling hiertoe concentreert de voorgestelde deep-learning (DL) workflow het grootste deel van de computationele vraag in de offline trainingsfase, terwijl het getrainde model tijdens de implementatie relatief snelle inferentie uitvoert. Dit raamwerk kan daarom toekomstige implementatie in resource-beperkte BMS'en en edge-computingomgevingen ondersteunen.

Onlangs zijn datagedreven DL-benaderingen naar voren gekomen als krachtige instrumenten vanwege hun uitzonderlijke mogelijkheden voor niet-lineaire fitting. Desondanks vertonen bestaande DL-methodologieën twee belangrijke beperkingen. Ten eerste vertrouwen veel benaderingen primair op degradatiecurven van de capaciteit op een enkel tijdstip of specifieke ontladingsspanningsdrempels, terwijl de inherente ruimtelijk-temporele correlaties tussen multichannel-cyclingsresponsen, zoals spanning, stroom en temperatuur, worden genegeerd. Deze beperking vermindert de robuustheid van het model onder bedrijfsscenario's met meerdere condities⁷. Eerdere studies hebben aangetoond dat het negeren van thermische toestanden tijdens complexe bewerkingen de accumulatie van voorspellingsfouten kan versnellen^8,9. Ten tweede bestaat er in toegepaste machine learning (ML) een aanhoudende uitdaging wat betreft de reproduceerbaarheid. Variaties in experimentele condities, onvoldoende beschreven preprocessing-pipelines en arbitrair gekozen hyperparameters van neurale netwerken zorgen er vaak voor dat anders robuuste modellen falen tijdens cross-dataset validatie¹⁰. Om het risico op informatielekkage tijdens de preprocessing en voorspellingen van vroege cycli te verminderen, leidt de voorgestelde workflow normalisatieschaalfactoren en baselines van engineered-features uitsluitend af uit de trainingsdatasets voorafgaand aan externe validatie en cross-dataset evaluatie.

Om deze kritieke hiaten op te vullen, is het algemene doel van dit protocol het presenteren van een geautomatiseerde, zeer reproduceerbare DL-workflow voor het voorspellen van de energieopslagprestaties van lithium-ionbatterijen met behulp van multichannel-cyclisgegevens. De rationale achter deze methode is om de complexe langetermijnafhankelijkheden die geassocieerd worden met batterijdegradatie expliciet vast te leggen door cross-modale tijdreeksgegevens te integreren binnen een hoogdimensionale neurale netwerkarchitectuur. Een belangrijk voordeel van dit protocol ten opzichte van bestaande natuurkundige en DL-benaderingen is de holistische standaardisatie, die een complete pijplijn vaststelt die loopt van preprocessen van ruwe signalen en feature engineering tot modeltraining en onzekerheidsevaluatie. Hoewel hybride neurale netwerkarchitecturen eerder zijn onderzocht, legt de huidige workflow de nadruk op gestandaardiseerde multichannel-integratie door elektrochemische cyclisvariabelen af te stemmen op engineered degradatiekenmerken binnen een op reproduceerbaarheid gericht trainingskader. In tegenstelling tot veel eerder gerapporteerde workflows bevat dit protocol gestandaardiseerde parameterconfiguraties, vaste random seeds, herhaalde evaluatieruns en uitgebreide monitoring van de omgeving om de reproduceerbaarheid over heterogene batterijdatasets en laboratoriuminstellingen te verbeteren. Daarnaast vergelijkt de workflow systematisch meerdere neurale netwerkarchitecturen om de voorspellende stabiliteit en prestaties over verschillende inputconfiguraties te evalueren. Binnen de geëvalueerde datasets en experimentele instellingen vertoonde de convolutional neural network–long short-term memory (CNN–LSTM) architectuur gunstige voorspellende prestaties ten opzichte van de geëvalueerde standalone CNN- en transformer-gebaseerde modellen door lokale feature-extractie te combineren met temporele sequentiemodellering over lange afstand, terwijl een gematigde computationele complexiteit behouden bleef. Dit protocol is zeer geschikt voor onderzoekers en ingenieurs die reproduceerbare en omgevingsadaptieve voorspellende modellen willen ontwikkelen voor batterijlevenscyclusbeheer.

Protocol

Institutionele ethische goedkeuring was niet vereist voor deze studie omdat het onderzoek uitsluitend gebruikmaakte van openbaar beschikbare datasets van lithium-ion batterijcycli en geen menselijke deelnemers, dierproefpersonen of biologische monsters betrok.

1. Gegevensverwerving en -organisatie

1.  Verkrijg multichannel cycling-datasets
   1. Download lithium-ion batterij cycling-datasets uit publiek toegankelijke batterij-repositories die laad-ontlaadcyclusgegevens bevatten. Verkrijg de CALCE, SANYO, PANASONIC, KOKAM en GOTION datasets direct uit hun respectievelijke institutionele open-access repositories of via digital object identifier-links om de consistentie van de datasetversie te waarborgen.
   2. Selecteer batterijmonsters met volledige cyclusaantallen, capaciteitsmetingen en ten minste één continue laad-ontlaadcurve. Verifieer de continuïteit door te bevestigen dat er binnen een enkele cyclus geen onderbreking van meer dan twee uur optreedt en dat zowel de constant-current als de constant-voltage fasen volledig zijn vastgelegd.
2. Filter ruwe cycling-gegevens
   1. Filter de ruwe cycling-gegevens om monsters te behouden die metingen van temperatuur, interne weerstand, coulombische efficiëntie en energie-efficiëntie bevatten. Sluit batterijcellen die deze verplichte statuskanalen missen uit de analyseworkflow, omdat de daaropvolgende multichannel feature fusion een volledige set fysieke invoervariabelen vereist.
   2. Verwijder cycli met incomplete gegevens, inconsistente tijdstempels, ongedefinieerde testprocedures of onduidelijke beëindigingsvoorwaarden van het laden en ontladen. Definieer anomale cycli als cycli die plotselinge capaciteitsdalingen van meer dan 5% vertonen tussen opeenvolgende cycli, spanningsmetingen buiten het chemie-specifieke werkingsbereik hebben of niet-monotone tijdstempelintervallen vertonen.
3. Construeer een temporele batterijdatabase
   1. Organiseer de behouden cycling-gegevens chronologisch om een tijdreeksdatabase op batterijniveau te construeren.
   2. Sla de verwerkte datasets op met Hierarchical Data Format versie 5 (HDF5). Behoud een gestandaardiseerde directorystructuur, georganiseerd per datasetbron, chemisch systeem en individuele batterijcel-identificatie.
   3. Ken unieke identificaties toe aan individuele batterijcellen vóór de partitionering van de dataset. Implementeer groepering op basis van de batterijcel-identificatie tijdens de train-test splitting om ervoor te zorgen dat alle opeenvolgende cycli van één fysieke batterij uitsluitend binnen één dataset-subset blijven.
      ​OPMERKING: Bewaar de originele ruwe datasets apart voordat preprocessing, normalisatie, resampling of feature engineering wordt uitgevoerd.
4. Definieer observatievensters
   1. Construeer multichannel observatievensters met de eerste 50 cycli, de eerste 100 cycli en de eerste 20% van de totale levenscyclus van de batterij. Bereken de drempelwaarde van 20% van de levenscyclus door de totale cyclusduur vóór de capaciteitsdegradatie aan het einde van de levensduur met 0,2 te vermenigvuldigen.
   2. Lijn metingen van spanning, stroom, capaciteit, temperatuur, interne weerstand en efficiëntie binnen elk observatievenster uit voordat de tensorconstructie plaatsvindt.
   3. Formatteer de uiteindelijke inputstructuur als een driedimensionale tensor bestaande uit de lengte van het observatievenster, 128 gestandaardiseerde intra-cyclus bemonsteringspunten en de geordende multichannel feature-set.

2. Gegevensvoorbewerking en feature engineering

1. Voorbewerking van ruwe cycligegevens
   1. Voer een uniforme voorbewerking uit op de ruwe cycli-datasets om de datakwaliteit over alle batterijbronnen te standaardiseren. Voer alle voorbewerkings-, synchronisatie- en standaardisatieprocedures uit met Python 3.10, gebruikmakend van de Pandas-bibliotheek voor tijdreeksmanipulatie en SciPy voor numerieke interpolatie.
   2. Verwijder uitschieters, detecteer ontbrekende waarden, calibreer tijdstempels, identificeer laad- en ontlaadfasen en normaliseer bemonsteringsfrequenties vóór de verdere analyse. Pas een gemodificeerde Z-score-drempelmethode toe met een afwijzingscriterium groter dan 3,0 voor anomaliedetectie.
   3. Detecteer ontbrekende waarden automatisch via NaN-vlagidentificatie in alle numerieke arrays. Maak onderscheid tussen laad- en ontlaadfasen op basis van de stroompolariteit door positieve stroomwaarden toe te wijzen aan laadcycli en negatieve stroomwaarden aan ontlaadcycli.
   4. Reconstrueer ontbrekende signaalsegmenten met behulp van stuksgewijze kubische Hermite-interpolatiepolynomen om de elektrochemische temporele dynamiek te behouden tijdens de uitlijning van fasetransities.
2. Resampling van cycli-curves
   1. Voer resampling uit op de cycli-curves wanneer variaties in bemonsteringsdichtheid of signaaldrift in de datasets worden gedetecteerd. Activeer automatische resampling zodra het interval tussen opeenvolgende metingen met meer dan 10% afwijkt ten opzichte van de mediane bemonsteringsfrequentie van de betreffende cyclifase.
   2. Standaardiseer het aantal bemonsteringspunten binnen elke cyclus om platformspecifieke variaties in de registratie te verminderen. Map alle temporele sequenties op een vast ruimtelijk rooster met behulp van eendimensionale lineaire interpolatie.
   3. Comprimeer of breid elk laad-ontlaadprofiel uit tot precies 128 equidistante bemonsteringspunten vóór de tensorconstructie.
3. Normaliseren van continue variabelen
   1. Normaliseer alle continue variabelen vóór de modeltraining om de convergentie van het netwerk te stabiliseren en schaalgerelateerde bias te verminderen. Pas Min-Max-schaling toe om alle continue variabelen om te zetten naar een numeriek bereik tussen 0 en 1.
   2. Bereken alle normalisatieparameters uitsluitend op basis van de trainingsdataset. Pas de bevroren schalingsparameters toe op de validatie- en testdatasets om het risico op forward temporele datalekken tijdens vroege cyclusvoorspellingen te verminderen.
4. Constructie van multichannel input-tensors
   1. Verdeel de continue cycliregistraties voor elke batterij in temporele segmenten van vaste lengte. Structureer de temporele segmenten volgens de vooraf gedefinieerde observatievensters die overeenkomen met de eerste 50 cycli, de eerste 100 cycli of de eerste 20% van de levenscyclus van de batterij.
   2. Lijn metingen van spanning, stroom, capaciteit, temperatuur, interne weerstand en efficiëntie uit binnen elk temporeel segment vóór de tensorconstructie.
   3. Concateneer de uitgelijnde feature-matrices tot een driedimensionale tensor met het formaat (N × 128 × C), waarbij N de lengte van het observatievenster vertegenwoordigt, 128 de gestandaardiseerde intra-cyclus bemonsteringspunten aanduidt en C het totale aantal fysieke en engineered feature-kanalen vertegenwoordigt.
5. Extractie van engineered features
   1. Extraheer engineered elektrochemische features uit de ruwe cyclisignalen om de identificatie van degradatiepatronen te verbeteren. Bereken incrementally-capacity en differential-voltage features door dQ/dV en dV/dQ te berekenen over het gestandaardiseerde bemonsteringsrooster.
   2. Pas Savitzky–Golay-filtering toe om afgevlakte incrementally-capacity en differential-voltage curves te genereren.
   3. Extraheer degradatie-indicatoren, waaronder verschuivingen in piekspanning, spanningsverschillen bij fasetransities en variaties in energie-doorvoer van cyclus tot cyclus, uit de gefilterde elektrochemische features.

3. Constructie en Training van het DL-Model

1. Kandidaat-voorspellingsmodellen construeren
   1. Construeer een gestandaardiseerd trainings- en evaluatiekader voor alle voorspellingsmodellen die worden getoond in Afbeelding 1A. Implementeer de DL-workflow met PyTorch versie 2.0 of hoger.
   2. Voer de trainingsworkflow uit met modulaire Python-scripts voor datalading, modelinitialisatie, optimalisatie en evaluatie.
   3. Bereid traditionele ML-basismodellen voor, waaronder lineaire regressie, random forest en gradient-boosted decision-tree-modellen. Configureer het random-forest-model met 100 bomen en een maximale diepte van 10.
   4. Configureer het gradient-boosted decision-tree-kader met een leerfrequentie van 0,1 en een maximale boomdiepte van 5 via de Scikit-learn-bibliotheek.
   5. Bereid DL-kandidaatarchitecturen voor, waaronder multilayer perceptron, eendimensionale CNN, LSTM-netwerk, CNN–LSTM en transformer-gebaseerde modellen.
   6. Standaardiseer de kernhyperparameters voor alle DL-architecturen door de AdamW-optimizer, Gaussian error linear unit-activeringsfuncties, een verborgen dimensie van 128 en een dropout-rate van 0,2 toe te passen.
2. De CNN–LSTM-architectuur configureren
   1. Configureer de CNN–LSTM-architectuur om multichannel-cyclingsinformatie uit de input-tensoren te fuseren (Afbeelding 1B). Construeer de hybride architectuur door de convolutionele feature-extractor te cascaderen in twee gestapelde recurrente lagen met elk 128 verborgen eenheden.
   2. Beëindig de architectuur met drie parallelle volledig verbonden regressiekoppen voor gelijktijdige voorspelling van SOH, RUL en ontlaadbare energie.
   3. Verwerk de multichannel-input-tensoren via drie opeenvolgende eendimensionale convolutionele lagen met kernelgroottes van 3, 5 en 7 om multiscale gelokaliseerde features te extraheren.
   4. Pas batchnormalisatie toe na elke convolutionele laag om de gradiëntstabiliteit tijdens optimalisatie te verbeteren.
   5. Kneed de convolutionele feature-maps om tot continue temporele sequenties vóór sequentiemodellering.
   6. Voed de gecodeerde temporele sequenties aan gestapelde recurrente lagen om lange-termijn degradatieafhankelijkheden over de vooraf gedefinieerde observatievensters vast te leggen.
3. Datasets partitioneren voor modeltraining
   1. Partitioneer de bewerkte batterijcel-datasets in trainings-, validatie- en testsubsets met een verhouding van 70:15:15. Voer de dataset-splitsing uit met een vaste willekeurige seed-waarde van 42.
   2. Pas gestratificeerde steekproeven toe op basis van batterijchemie om gebalanceerde degradatiedistributies over alle dataset-subsets te behouden.
   3. Voer datasetpartitionering strikt uit op batterijcelniveau in plaats van individuele cycli te randomiseren om sequentiële degradatietrajecten te behouden.
   4. Houd elke batterijcel als een onverdeelbare eenheid tijdens het partitioneren om informatielekken tussen datasets te voorkomen.
   5. Verifieer de datasetisolatie programmatisch door de intersectie van batterijcel-identificatoren over de trainings-, validatie- en testsubsets te berekenen en te bevestigen dat er geen overlap bestaat.
   6. Stel een externe testdataset samen met behulp van de volledige GOTION lithiumijzerfosfaat (LFP) dataset voor out-of-distribution evaluatie en beoordeling van generalisatie over datasets heen.
   7. Stel de broncode, omgevingsconfiguratiebestanden en bewerkte dataset-partities publiekelijk beschikbaar via een toegewezen GitHub-repository om methodologische transparantie en reproduceerbaarheid te ondersteunen.
4. Modeltraining initialiseren
   1. Stel de regressieverliesfunctie in op de gemiddelde kwadratische fout vóór de training. Bereken het globale trainingsdoel door de verlieswaarden van elk voorspellingsdoel met gelijke weging te aggregeren.
   2. Stel de initiële leerfrequentie in op 1 × 10⁻³ en selecteer een batchgrootte van 32 of 64 afhankelijk van de datasetgrootte.
   3. Gebruik een batchgrootte van 64 voor datasets met meer dan 5.000 cycli om de hardwarebenutting te verbeteren. Gebruik een batchgrootte van 32 voor kleinere datasets om de optimalisatiestabiliteit te verbeteren.
      OPMERKING: Selecteer deze hyperparameters via een preliminaire grid-search-evaluatie om de convergentiesnelheid en gradiëntstabiliteit over verschillende observatievensters in balans te brengen.
5. Trainingscontroles toepassen
   1. Pas een dynamische leerfrequentie-scheduler toe op basis van veranderingen in het validatieverlies. Verminder de leerfrequentie met een factor 0,5 als het validatieverlies gedurende 5 opeenvolgende epochs niet verbetert.
   2. Houd een minimale drempelwaarde voor de leerfrequentie aan van 1 × 10⁻⁵ tijdens de optimalisatie.
   3. Stop de modeltraining na maximaal 100 epochs om overfitting te verminderen.
   4. Pas early stopping toe als het validatieverlies gedurende 15 opeenvolgende epochs niet afneemt. Herstel de modelgewichten die overeenkomen met de best presterende validatie-iteratie.
6. Reproduceerbaarheidsgegevens bijhouden
   1. Stel een vaste willekeurige seed-waarde van 42 in vóór de modelinitialisatie en training.
   2. Pas de vaste willekeurige seed consistent toe in de Python random-module, NumPy en de PyTorch-backend, terwijl niet-deterministische CUDA-operaties worden uitgeschakeld.
   3. Registreer de softwareomgeving, versie van afhankelijkheden, parameterinstellingen, datapartities en trainingsoutputs voor elke experimentele run.
   4. Voer alle DL-workflows uit met Ubuntu 22.04 met CUDA 11.8-acceleratie op een workstation uitgerust met een NVIDIA RTX 3090 grafische processor of gelijkwaardige hardware.

Figuur 1. Reproduceerbare deep-learning (DL) workflow voor multichannel prestatievoorspelling van lithium-ionbatterijen. (A) End-to-end reproduceerbare workflow die multichannel data-acquisitie, gestandaardiseerde preprocessing, tensorconstructie, modeltraining en voorspelling van prestatie-indicatoren van de batterij illustreert. Reproduceerbaarheidscontroles omvatten vaste random seeds, herhaalde trainingsruns, parameter-tracking en environment logging. (B) CNN–LSTM hybride architectuur gebruikt voor multichannel kenmerkextractie, temporele sequentiemodellering, feature fusion en voorspelling van de state of health (SOH), remaining useful life (RUL) en ontlaadbare energie. (C) Evaluatie- en implementatiepipeline die screening van kandidaatmodellen, robuustheidsevaluatie, hyperparameteroptimalisatie en definitieve modelselectie toont. Klik hier om een grotere versie van deze figuur te bekijken.

4. Modelbeoordeling en targetvoorspelling

1. Modelvoorspellingen genereren
   1. Verwerk de doel-testbatterijdatasets via elk getraind model. Laad de voorbewerkte testdatasets als geserialiseerde PyTorch-tensoren vóór de inferentie.
   2. Voer de forward inference pass uit met een contextmanager die gradiënten uitschakelt om onbedoelde parameterupdates tijdens de evaluatie te voorkomen.
   3. Genereer gelijktijdige voorspellingen voor elke prestatie-indicator met behulp van de getrainde regressiekoppen.
   4. Extraheer gelijktijdige outputs van de drie parallelle regressiekoppen die zijn geconfigureerd voor SOH-, RUL- en ontlaadbare-energievoorspelling.
2. Voorspellingsdoelen berekenen
   1. Bereken de SOH door de huidige beschikbare capaciteit te vergelijken met de initiële batterijcapaciteit.
   2. Definieer de initiële batterijcapaciteit als de maximale ontlaadcapaciteit die is geregistreerd tijdens de eerste drie stabilisatiecycli.
   3. Bereken de SOH als de verhouding tussen de capaciteit van de huidige cyclus en de vastgestelde initiële-capaciteitsbasislijn.
   4. Schat de RUL in door de operationele drempel te identificeren waarbij de stabiele batterijcapaciteit stopt.
   5. Definieer de levensduurbeëindiging als het cyclenummer waarbij de batterijcapaciteit onomkeerbaar daalt tot onder 80% van de nominale nominale capaciteit.
   6. Bereken de RUL als het resterende aantal cycli vanaf het huidige observatiepunt tot de gedefinieerde drempel voor de levensduurbeëindiging.
   7. Voorspel de ontlaadbare energie op basis van de geregistreerde ontlaadcondities.
   8. Bereken de ground-truth ontlaadbare energie door het product van de ontlaadspanning en de ontlaadstroom over het ontlaadinterval numeriek te integreren met behulp van de trapeziemethode.
3. Voorspellende prestaties evalueren
   1. Bereken de gemiddelde absolute fout (MAE), de wortelgemiddelde kwadratische fout (RMSE), de gemiddelde absolute percentagefout (MAPE) en de determinatiecoëfficiënt (R²) voor elk voorspellingsdoel.
   2. Bereken alle evaluatiemetrieken met de Scikit-learn metrics-module met gestandaardiseerde statistische formuleringen.
   3. Pas identieke metriekberekeningen toe over alle modellen, datasets en inputconfiguraties om de consistentie van de evaluatie te behouden.
   4. Aggregeer alle prestatiemetrieken over de verzamelde batterijmonsters binnen de onafhankelijke testdataset om de algemene generalisatie van het model te evalueren.
4. Gestratifiseerde prestaties rapporteren
   1. Bereken het gemiddelde en de standaarddeviatie voor elke evaluatiemetriek over herhaalde experimentele runs.
   2. Leid de gerapporteerde statistische maten af uit vijf onafhankelijke modelinitialisaties.
   3. Rapporteer 95% betrouwbaarheidsintervallen samen met de gemiddelde prestatiemetrieken om de voorspellende onzekerheid te kwantificeren.
   4. Vergelijk de modelprestaties over verschillende lengtes van het observatievenster en inputkanaalconfiguraties.
   5. Stratificeer de vergelijkende analyse met observatievensters die overeenkomen met 50 cycli, 100 cycli en 200 cycli.
   6. Evalueer de voorspellende prestaties over meerdere inputconfiguraties, variërend van inputs die uitsluitend uit capaciteit bestaan tot volledige multichannel tensorintegratie. Raadpleeg Figuur 1C voor de workflow voor evaluatie, robuustheidsscreening en implementatieselectie.

5. Analyse van reproduceerbaarheid, robuustheid en sensitiviteit

1. Verifieer reproduceerbaarheid en robuustheid
   1. Houd identieke datapartities, preprocessing-workflows en experimentele procedures aan voor alle reproduceerbaarheidsevaluaties getoond in Figuur 2A.
   2. Bereken de variatiecoëfficiënt voor de primaire evaluatiemetrieken over herhaalde runs om de consistentie van de reproduceerbaarheid te beoordelen.
   3. Herhaal alle evaluatieprocedures met behulp van dezelfde gestandaardiseerde trainings- en testworkflow.
   4. Initialiseer elke herhaalde evaluatie met gerandomiseerde netwerkgewichten, terwijl dezelfde deterministische procedures voor het laden en shuffelen van gegevens worden behouden.
2. Voer herhaalde trainingsexperimenten uit
   1. Train de predictiemodellen herhaaldelijk onder identieke experimentele omstandigheden met vooraf gedefinieerde vaste random-seed-waarden om reproduceerbare gewichtinitialisatie te waarborgen.
   2. Voer vijf onafhankelijke trainingsruns uit met identieke datasetpartities om datagestuurde variabiliteit te verminderen.
   3. Bereken de uiteindelijke prestatiemetrieken door de evaluatiemetrieken van de vijf herhaalde trainingsruns te middelen.
   4. Aggregeer de uiteindelijke robuustheidsmetrieken met behulp van de gemiddelde evaluatiescores in plaats van het combineren van ruwe predictietensors.
3. Evalueer de gevoeligheid van hyperparameters
   1. Pas de leerfrequentie, batchgrootte, dimensie van de verborgen laag en de dropout-ratio individueel aan tijdens de gevoeligheidsanalyse.
   2. Evalueer leerfrequenties variërend van 1 × 10⁻⁴ tot 1 × 10⁻², batchgroottes variërend van 32 tot 128, verborgen dimensies variërend van 32 tot 256 en dropout-ratio's variërend van 0,1 tot 0,5.
   3. Registreer de overeenkomstige veranderingen in predictieve accuratesse na elke aanpassing van de hyperparameter.
   4. Kwantificeer de variatie in de predictieve prestaties met behulp van RMSE en R².
4. Voer feature-ablatieanalyse uit
   1. Verwijder geselecteerde inputkanalen, waaronder temperatuur, interne weerstand en engineered-feature-vectoren, uit de multichannel inputstream.
   2. Voer feature-ablatie uit met een leave-one-out-strategie door telkens één featuregroep te verwijderen terwijl de overige multichannel inputstructuur behouden blijft.
   3. Vergelijk de resulterende predictieve prestaties na elk experiment met feature-verwijdering om de bijdrage van individuele featuregroepen aan de modelstabiliteit en accuratesse te evalueren.
   4. Kwantificeer de relatieve bijdrage van elke featuregroep door de procentuele toename van de gemiddelde absolute fout te berekenen ten opzichte van het volledig geïntegreerde multichannel basismodel. Raadpleeg Figuur 2B voor de workflow van de robuustheidsevaluatie en gevoeligheidsanalyse.

Figuur 2. Gestandaardiseerde workflow voor preprocessing, robuustheidsbeoordeling en sensitiviteitsanalyse. (A) Gestandaardiseerde multichannel preprocessing-workflow die de verwerking van ruwe cyclussignalen, tijdstempelkalibratie, verwijdering van uitschieters, resampling, normalisatie, kanaaluslijning en tensorconstructie illustreert. Strategieën voor inputrepresentatie vergelijken single-channel inputs, multichannel ruwe inputs en multichannel inputs gecombineerd met engineered features. (B) Pipeline voor robuustheids- en sensitiviteitsanalyse die systematische hyperparameterperturbatie, evaluatie van herhaalde runs, feature-ablatieanalyse, kruisvalidatie en externe validatie van de CNN–LSTM-workflow laat zien. Klik hier om een grotere versie van deze figuur te bekijken.

Resultaten

Meerkanalige cyclische signalen en datadistributie

Representatieve multichannel-cyclingsignalen en prestatieverdelingen werden geanalyseerd om het cyclingsresponsgedrag van lithium-ionbatterijen te karakteriseren. De studie maakte gebruik van vijf lithium-ionbatterij-datasets die meerdere chemische systemen vertegenwoordigden, waaronder lithiumcobaltoxide (LCO), nikkelcobaltaluminiumoxide (NCA), nikkelmangaancobaltoxide (NMC) en LFP (Tabel 1). Kernvariabelen van de cycling, waaronder spanning, stroom, capaciteit, temperatuur, interne weerstand en coulombische of energetische efficiëntie, werden geïntegreerd met engineered features zoals incrementele capaciteits- en differentiaalspanningskenmerken om een multichannel-karakteriseringskader vast te stellen. Capaciteit-spanningsprofielen en SOH-verdelingen voor de CALCE-dataset (Figuur 3A), gemiddelde spanningsprofielen en SOH-verdelingen voor de SANYO-dataset (Figuur 3B), verouderingstrajecten voor de PANASONIC-dataset (Figuur 3C), heatmap van de spanningsevolutie voor de KOKAM-dataset (Figuur 3D) en spanningsverdelingsprofielen voor de GOTION-dataset (Figuur 3E) toonden verschillende degradatiegedragingen over de geëvalueerde batterijchemieën. Zo vertoonde de GOTION IFP20100140A-dataset trapvormige spanningskenmerken die gewoonlijk worden geassocieerd met LFP-systemen, terwijl de PANASONIC NCR18650BD-dataset progressieve capaciteitsdegradatie vertoonde, vergezeld van verschuivingen in het spanningsprofiel tijdens langdurige cycling.

Dataset-ID	Batterijtype / Model	Chemie	Formaat	Aantal cellen	Totaal geanalyseerde cycli	Gebruikte vroege cyclusvensters	Bemonsteringspunten per cyclus	Kerncycluskanalen	Additionele tostandskanalen	Afgeleide kenmerken	Voorspellingsdoelen
Dataset #1	CALCE LCO-batterij	LCO	Pouch	38	4.216	Eerste 50, eerste 100, eerste 20% levensduur	128	Spanning, stroom, tijd, capaciteit	Temperatuur, interne weerstand	dQ/dV, dV/dQ, laaidsduur, ontladingsenergie	SOH, RUL, ontlaadbare energie
Dataset #2	SANYO UR18650E	NCA	Cilindrisch 18650	24	2.487	Eerste 50, eerste 100, eerste 20% levensduur	128	Spanning, stroom, tijd, capaciteit	Temperatuur, coulombische efficiëntie	dQ/dV, helling van het spanningsplateau, energie-efficiëntie	SOH, RUL, ontlaadbare energie
Dataset #3	PANASONIC NCR18650BD	NCA	Cilindrisch 18650	42	5.134	Eerste 50, eerste 100, eerste 20% levensduur	128	Spanning, stroom, tijd, capaciteit	Temperatuur, interne weerstand, coulombische efficiëntie	dQ/dV, dV/dQ, laaidsduur, energie-doorvoer	SOH, RUL, ontlaadbare energie
Dataset #4	KOKAM SLPB533459H4	NMC	Pouch	19	1.968	Eerste 50, eerste 100, eerste 20% levensduur	128	Spanning, stroom, tijd, capaciteit	Temperatuur, interne weerstand	dQ/dV, ontladingsduur, spanningshelling	SOH, RUL, ontlaadbare energie
Dataset #5	GOTION IFP20100140A	LFP	Prismatisch	57	6.482	Eerste 50, eerste 100, eerste 20% levensduur	128	Spanning, stroom, tijd, capaciteit	Temperatuur, interne weerstand, energie-efficiëntie	dQ/dV, platteauduur, laad-/ontladingsenergie	SOH, RUL, ontlaadbare energie

Tabel 1: Kenmerken van de lithium-ion batterijdatasets, multikanaal-cyclingsvariabelen, technische kenmerken en voorspellingsdoelen gebruikt in de reproduceerbare DL-workflow. De tabel vat de lithium-ion batterijdatasets samen die in deze studie zijn opgenomen, inclusief batterijchemie, celformaat, aantal cellen, totaal geanalyseerde cycli, observatievensters, bemonsteringsdichtheid, multikanaal-cyclingsvariabelen, technische elektrochemische kenmerken en voorspellingsdoelen die zijn gebruikt voor modelontwikkeling en evaluatie. Afkortingen: SOH = state of health; RUL = remaining useful life; LCO = lithiumcobaltoxide; NCA = nikkel-kobalt-aluminiumoxide; NMC = nikkel-mangaan-kobaltoxide; LFP = lithiumijzerfosfaat.

Figuur 3. Representatieve multichannel cycling-profielen en batterijgezondheidsdistributies over lithium-ion batterijdatasets. (A) Capaciteit-spanningsprofielen en SOH-distributies voor de CALCE lithium-cobalt-oxide dataset. (B) Gemiddelde spanningsprofielen en SOH-distributies voor de SANYO nikkel-cobalt-aluminium-oxide dataset. (C) Verouderingstrajecten en cumulatieve SOH-distributies voor de PANASONIC nikkel-cobalt-aluminium-oxide dataset. (D) Spannings-evolutie heatmaps en SOH-steekproefdistributies voor de KOKAM nikkel-mangaan-cobalt-oxide dataset. (E) Spanningsdistributieprofielen en relaties tussen SOH en interne weerstand voor de GOTION lithium-ijzerfosfaat dataset. Klik hier om een grotere versie van deze figuur te bekijken.

Algemene voorspellende prestaties voor energieopslag

De voorgestelde workflow vertoonde lage voorspellingsfouten en een consistente voorspellende prestatie over alle evaluatietaken (Tabel 2). Voor de SOH-schatting behaalde het model een MAE van 0,021 op de validatieset en 0,024 op de testset, met overeenkomstige R²-waarden van 0,962 en 0,955. Deze resultaten duiden op een stabiele voorspellende prestatie voor de continue schatting van de batterijgezondheid onder de geëvalueerde omstandigheden. De workflow vertoonde ook een betrouwbaar voorspellend vermogen voor de schatting van RUL en ontlaadbare energie, waarbij R²-waarden van respectievelijk 0,927 en 0,941 op de testset werden behaald. Om de voorspellingsstabiliteit verder te evalueren, werden alle prestatie-metrieken berekend over vijf onafhankelijke modelinitialisaties met identieke datasetpartities. De resulterende standaarddeviaties en variatiecoëfficiëntwaarden bleven laag over herhaalde evaluaties, wat wijst op een beperkte gevoeligheid voor stochastische initialisatie en een stabiel voorspellingsgedrag onder herhaalde trainingscondities. Daarnaast vertoonden 95% betrouwbaarheidsintervallen een geringe variabiliteit over herhaalde runs, wat de robuustheid en reproduceerbaarheid van de voorgestelde multichannel-workflow ondersteunt.

Voorspellingsopdracht	Datasetverdeling	MAE	RMSE (root mean square error)	MAPE (%)	R²
SOH-schatting	Validatie	0.021	0.029	2.47	0.962
SOH-schatting	Test	0.024	0.033	2.83	0.955
Voorspelling van de resterende levensduur (RUL)	Validatie	18.6	25.9	8.74	0.938
Voorspelling van de resterende levensduur (RUL)	Test	21.4	29.7	9.63	0.927
Voorspelling van ontlaadbare energie	Validatie	0.087	0.121	3.18	0.948
Voorspelling van ontlaadbare energie	Test	0.094	0.129	3.56	0.941

Tabel 2: Voorspellingsprestaties van de reproduceerbare DL-workflow voor de schatting van de prestaties van lithium-ionbatterijen over de validatie- en testdatasets.De tabel vat de voorspellingsprestaties van de voorgestelde workflow samen voor SOH-schatting, RUL-voorspelling en voorspelling van de ontlaadbare energie met behulp van validatie- en testdatasets. De prestatie-indicatoren omvatten de gemiddelde absolute fout (MAE), de wortel van de gemiddelde kwadratische fout (RMSE), de gemiddelde absolute percentage fout (MAPE) en de determinatiecoëfficiënt (R²). Afkortingen: SOH = state of health; RUL = remaining useful life; MAE = mean absolute error; RMSE = root mean square error; MAPE = mean absolute percentage error.

Prestatievergelijking tussen DL-architecturen

Evaluaties over verschillende netwerkarchitecturen en inputconfiguraties toonden een aanzienlijke variatie in de voorspellende prestaties (Tabel 3). De RMSE-distributies vóór en na de architectuurselectie op basis van reproduceerbaarheid zijn weergegeven in Figuur 4A. De deep neural network-architectuur produceerde relatief hogere MAE- en RMSE-waarden in vergelijking met sequentiegebaseerde en hybride architecturen. Vergelijkingen tussen verschillende multichannel-inputconfiguraties zijn samengevat in Figuur 4B. Modellen die zowel lokale kenmerkextractie als cross-cycle temporele modellering incorporeerden, vertoonden een verbeterde voorspellende nauwkeurigheid onder de geëvalueerde condities. Modellen met een lagere voorspellingsvariabiliteit clusterden over het algemeen bij hogere gemiddelde prestatiescores met kleinere standaarddeviaties (Figuur 4C). De relaties tussen de gemiddelde prestaties en de standaarddeviatie voor de geëvalueerde inputconfiguraties zijn geïllustreerd in Figuur 4D. Van de geteste configuraties behaalde de CNN–LSTM-architectuur de laagste MAE (0,024) en de hoogste R²-waarde (0,955) binnen de geëvalueerde datasets en experimentele instellingen. Daarnaast reduceerde de integratie van engineered features met volledige multichannel-inputs de MAE tot 0,022 met een R²-waarde van 0,961, terwijl inputs op basis van enkel capaciteit een verminderde voorspellende prestatie vertoonden.

Categorie	Model / Inputconfiguratie	MAE	RMSE	MAPE (%)	R²
Deep learning-architectuur	DNN	0.031	0.042	3.58	0.928
	CNN	0.027	0.037	3.14	0.941
	LSTM	0.026	0.036	3.05	0.944
	CNN–LSTM	0.024	0.033	2.81	0.955
	Transformer	0.025	0.034	2.89	0.951
Inputconfiguratie	Alleen capaciteit	0.034	0.046	3.92	0.916
	Spanning + stroom	0.029	0.039	3.29	0.936
	Volledige multichannel input	0.024	0.033	2.83	0.955
	Multichannel + engineered features	0.022	0.031	2.61	0.961

Tabel 3: Vergelijking van de voorspellingsprestaties over verschillende DL-architecturen en inputconfiguraties. De tabel vergelijkt de voorspellingsprestaties van verschillende DL-architecturen en inputconfiguraties die zijn gebruikt in de reproduceerbare multichannel-workflow. De prestatiemetrieken omvatten de gemiddelde absolute fout (MAE), de wortelgemiddelde kwadratische fout (RMSE), de gemiddelde absolute percentagefout (MAPE) en de determinatiecoëfficiënt (R²). Afkortingen: DNN = deep neural network; CNN = convolutional neural network; LSTM = long short-term memory; MAE = mean absolute error; RMSE = root mean square error; MAPE = mean absolute percentage error.

Figuur 4. Op reproduceerbaarheid gebaseerde vergelijking van modelarchitecturen en inputconfiguraties. (A) Distributies van de gemiddelde kwadratische afwijking (root mean square error) vóór en na de selectie van de architectuur op basis van reproduceerbaarheid. (B) Distributies van de gemiddelde kwadratische afwijking over verschillende inputconfiguraties vóór en na de selectie van het stabiele model. (C) Vergelijking van gemiddelde prestaties versus standaarddeviatie van kandidaat-modelarchitecturen, waarbij de kleur de gemiddelde kwadratische afwijking aangeeft en open cirkels de geselecteerde stabiele modellen aangeven. (D) Vergelijking van gemiddelde prestaties versus standaarddeviatie van inputconfiguraties, waarbij de kleur de gemiddelde kwadratische afwijking aangeeft en open cirkels de geselecteerde optimale configuraties aangeven. Klik hier om een grotere versie van deze figuur te bekijken.

Evaluatie van foutverdeling en consistentie

Absolute-foutdistributies werden geanalyseerd om de voorspellingsstabiliteit te evalueren over conventionele ML-baselines en DL-architecturen. Traditionele ML-baselines vertoonden bredere foutdistributies en verlengde staarten met hoge fouten, wat duidt op een verminderde stabiliteit voor complexe taken bij het voorspellen van degradatiepatronen. Van de geëvalueerde DL-modellen vertoonde de CNN–LSTM-architectuur relatief smallere foutdistributies en kortere staarten met hoge fouten, wat suggereert dat de integratie van lokale kenmerkextractie en temporele sequentiemodellering is verbeterd (Figuur 5). De incorporatie van variabelen gerelateerd aan temperatuur, interne weerstand en efficiëntie was geassocieerd met progressieve reducties in de dispersie van voorspellingsfouten over de geëvalueerde datasets.

Figuur 5. Absolute-foutdistributies voor conventionele machine-learning (ML) baselines en multichannel DL-modellen. Violin-plots die de distributie van absolute voorspellingsfouten vergelijken tussen conventionele ML-baselines, DL-architecturen en multichannel-inputconfiguraties. Zwarte lijnen geven de gemiddelde absolute fout aan en gekleurde lijnen geven het gemiddelde ± standaarddeviatie aan. Klik hier om een grotere versie van deze figuur te bekijken.

Reproduceerbaarheid en robuustheid over validatiescenario's

De workflow behield een consistente voorspellende prestatie over herhaalde trainingsruns en meerdere validatiestrategieën (Tabel 4). Herhaalde runs, uitgevoerd met vaste datapartities en een vaste initialisatie van het random-seed, leverden stabiele prestatiemetrieken op, waarbij de R²-waarden consequent boven 0,95 bleven en de standaarddeviaties in de MAE laag waren. Aanvullende evaluatie met behulp van vijfvoudige kruisvalidering en externe validatiedatasets toonde een beperkte variatie in de prestaties over herhaalde experimentele condities aan. De externe validatiefase maakte uitsluitend gebruik van de GOTION-dataset, die volledig was uitgesloten van de modeltraining en de procedures voor hyperparameteroptimalisatie. Omdat deze dataset een afwijkende LFP-chemie en een prismatische celconfiguratie vertegenwoordigt, bood de externe evaluatie een strikte beoordeling van het vermogen tot generalisatie tussen datasets onder heterogene elektrochemische en structurele omstandigheden. Daarnaast toonden variatiecoëfficiëntanalyses en evaluaties van herhaalde runs een lage voorspellende dispersie over onafhankelijke experimenten aan, wat de robuustheid en reproduceerbaarheid van de voorgestelde multichannel-workflow ondersteunt.

Validatie-instelling	Prestatie-metric	Gemiddelde	SD	Minimum	Maximum	Variatiecoëfficiënt (%)
Herhaalde runs met vaste gegevenssplitsing (n = 5)	MAE	0.023	0.0021	0.021	0.026	9.13
	RMSE	0.032	0.0028	0.029	0.036	8.75
	MAPE (%)	2.76	0.24	2.48	3.11	8.7
	R²	0.957	0.006	0.949	0.964	0.63
Herhaalde runs met verschillende willekeurige seeds (n = 5)	MAE	0.024	0.0024	0.021	0.027	10
	RMSE	0.033	0.0031	0.029	0.037	9.39
	MAPE (%)	2.84	0.27	2.52	3.19	9.51
	R²	0.954	0.007	0.946	0.962	0.73
Vijfvoudige kruisvalidatie	MAE	0.025	0.003	0.022	0.029	12
	RMSE	0.034	0.0034	0.03	0.039	10
	MAPE (%)	2.95	0.31	2.57	3.41	10.51
	R²	0.951	0.009	0.94	0.961	0.95
Externe validatie	MAE	0.027	0.0032	0.023	0.031	11.85
	RMSE	0.037	0.0038	0.032	0.042	10.27
	MAPE (%)	3.18	0.35	2.76	3.67	11.01
	R²	0.944	0.011	0.931	0.956	1.17

Tabel 4: Reproduceerbaarheids- en robuustheidsanalyse van de voorgestelde multichannel DL-workflow over herhaalde trainingsruns en validatiestrategieën.De tabel vat de reproduceerbaarheids- en robuustheidsprestaties van de voorgestelde workflow samen bij herhaalde runs met vaste datapartities, herhaalde runs met verschillende willekeurige seeds, vijfvoudige kruisvalidatie en externe validatie. De prestatiemetrieken omvatten de gemiddelde absolute fout (MAE), de wortelgemiddelde kwadratische fout (RMSE), de gemiddelde absolute percentagefout (MAPE), de determinatiecoëfficiënt (R²), de standaarddeviatie (SD) en de variatiecoëfficiënt. Afkortingen: MAE = mean absolute error; RMSE = root mean square error; MAPE = mean absolute percentage error; SD = standaarddeviatie.

Hyperparametersensitiviteit en feature-ablatie

Een gevoeligheidsanalyse van de hyperparameters toonde aan dat de voorspellingsprestaties varieerden afhankelijk van de grootte van de observatievensters, de activatiefuncties, de grootte van de verborgen dimensies en de diepte van de sequentiemodellen. Het effect van de grootte van het observatievenster op de verdelingen van de voorspellingsfouten is geïllustreerd in Figuur 6A. Onder de geëvalueerde omstandigheden waren observatievensters tussen 100 en 200 cycli geassocieerd met lagere voorspellingsfouten, terwijl langere observatievensters een afnemende verbetering in de voorspellingsnauwkeurigheid lieten zien. De variabiliteit in voorspellingen afhankelijk van de activatiefunctie is samengevat in Figuur 6B. Rectified linear unit (ReLU) en Gaussian error linear unit (GELU) activatiefuncties vertoonden lagere voorspellingsfouten in vergelijking met alternatieve activatiefuncties onder de geëvalueerde omstandigheden. De gevoeligheid van de voorspellingsprestaties voor de grootte van de verborgen dimensie en de diepte van het sequentiemodel is geïllustreerd in Figuur 6C. Verborgen dimensies van 128 en twee tot drie sequentiemodelleringslagen waren geassocieerd met verbeterde voorspellingsprestaties, terwijl ondiepe architecturen en gereduceerde verborgen dimensies geassocieerd waren met een toegenomen voorspellingsfout. Feature-ablatieanalyse toonde verder aan dat het verwijderen van engineered features of efficiëntie-gerelateerde variabelen de MAE verhoogde ten opzichte van de volledige multichannel-configuratie (Tabel 5), wat suggereert dat gecombineerde multichannel-inputs en engineered elektrochemische features bijdroegen aan verbeterde voorspellingsprestaties.

Figuur 6. Gevoeligheid van de voorspellingsprestaties voor variatie in hyperparameters. (A) Effect van de grootte van het inputvenster op de distributie van de voorspellingsfout. (B) Effect van de selectie van de activatiefunctie op de distributie van de voorspellingsfout. (C) Heatmap die de voorspellingsgevoeligheid voor de grootte van de verborgen dimensie en het aantal lagen van het sequentiemodel laat zien. Zwarte lijnen geven de gemiddelde absolute fout aan, en gekleurde lijnen geven het gemiddelde ± standaarddeviatie aan waar van toepassing. Klik hier om een grotere versie van deze figuur te bekijken.

Categorie	Instelling	MAE	RMSE	MAPE (%)	R²
Grootte van het invoervenster	20 cycli	0.031	0.043	3.74	0.927
	50 cycli	0.026	0.036	3.08	0.944
	100 cycli	0.023	0.032	2.71	0.957
	150 cycli	0.022	0.031	2.63	0.96
	200 cycli	0.022	0.031	2.59	0.961
	250 cycli	0.023	0.032	2.67	0.958
	300 cycli	0.024	0.033	2.79	0.955
Activatiefunctie	ReLU	0.023	0.032	2.74	0.957
	GELU	0.022	0.031	2.61	0.961
	Tanh	0.026	0.036	3.05	0.946
	Sigmoïde	0.034	0.047	3.96	0.918
Verborgen dimensie / Kanalen per laag	32	0.028	0.039	3.22	0.939
	64	0.024	0.033	2.81	0.954
	128	0.022	0.031	2.58	0.961
	256	0.023	0.032	2.69	0.958
Aantal sequentiemodelleringslagen	1	0.027	0.038	3.14	0.942
	2	0.023	0.032	2.73	0.956
	3	0.022	0.031	2.6	0.961
	4	0.024	0.034	2.86	0.952
Kenmerk-ablatie	Volledige multichannel + engineered features	0.022	0.031	2.61	0.961
	Zonder engineered features	0.024	0.033	2.84	0.955
	Zonder temperatuur	0.025	0.034	2.93	0.951
	Zonder interne weerstand	0.026	0.035	3.01	0.949
	Zonder efficiëntie-gerelateerde variabelen	0.025	0.034	2.95	0.95
	Alleen spanning + stroom	0.029	0.039	3.29	0.936
	Alleen capaciteit	0.034	0.046	3.92	0.916

Tabel 5: Gevoeligheidsanalyse van modelprestaties onder verschillende hyperparameterinstellingen en feature-ablatieconfiguraties. De tabel vat de effecten van de grootte van het invoervenster, de activeringsfunctie, de grootte van de verborgen dimensie, de diepte van het sequentiemodel en feature-ablatiestrategieën samen op de voorspellingsprestaties binnen de voorgestelde multichannel DL-workflow. Prestatie-metrieken omvatten de gemiddelde absolute fout (MAE), de root mean square error (RMSE), de gemiddelde absolute percentagefout (MAPE) en de determinatiecoëfficiënt (R²). Afkortingen: MAE = mean absolute error; RMSE = root mean square error; MAPE = mean absolute percentage error; ReLU = rectified linear unit; GELU = Gaussian error linear unit.

Discussie

De reproduceerbare DL-workflow die in dit protocol wordt beschreven, demonstreerde een nauwkeurige voorspelling van de prestaties van lithium-ionbatterijen met behulp van multichannel cyclisgegevens. De workflow behaalde een test-MAE van 0,024 en een R²-waarde van 0,955 voor de SOH-schatting onder de geëvalueerde experimentele omstandigheden, wat het potentiële nut voor batterijlevenscyclusbeheer en toepassingen voor het monitoren van energieopslag ondersteunt^11,12,13.

Een belangrijk voordeel van dit protocol is de vermindering van de computationele complexiteit ten opzichte van traditionele elektrochemische-fysische PDE-modellen⁵. Hoewel natuurkundig gebaseerde benaderingen mechanistisch inzicht bieden in batterijdegradatie, stuiten zij vaak op uitdagingen bij de parameteridentificatie onder omstandigheden van hoge ontlaadsnelheden en in omgevingen met meerdere kanalen. In tegenstelling hiermee modelleert de huidige datagedreven workflow het niet-lineaire degradatiegedrag direct vanuit cyclusegevens, zonder dat expliciete natuurkundig gebaseerde parameterisering van de celchemie vereist is¹⁴. Binnen de geëvalueerde datasets en experimentele instellingen toonde de CNN–LSTM-architectuur een verbeterde voorspellende prestatie ten opzichte van de geëvalueerde stand-alone CNN-, LSTM- en transformer-gebaseerde modellen. Recente studies hebben de effectiviteit van transformer-architecturen aangetoond voor degradatievoorspelling met onzekerheidsschatting¹⁵, evenals de capaciteit van CNN's voor privacybewarende batterijfoutvoorspelling met behulp van heterogene oplaadgegevens¹⁶. Desalniettemin werd de CNN–LSTM-architectuur in de huidige workflow geprioriteerd omdat deze een gebalanceerde combinatie bood van voorspellende nauwkeurigheid, computationele efficiëntie en trainingsstabiliteit onder de geëvalueerde laboratoriumcondities. De convolutionele lagen extraheerden gelokaliseerde morfologische kenmerken uit de cycluscurven, terwijl de LSTM-lagen lange-termijn temporele afhankelijkheden over herhaalde cycluspatiරnen modelleerden^17,18. Hoewel de hybride architectuur de modelcomplexiteit verhoogt ten opzichte van enkelvoudige netwerkstructuren, bleven de computationele vereisten compatibel met praktische scenario's voor implementatie in batterijmanagementsystemen onder de geëvalueerde experimentele omstandigheden. Omdat het grootste deel van de computationele kosten plaatsvindt tijdens de offline modeltraining, blijft de inferentiefase relatief lichtgewicht, wat de haalbaarheid ondersteunt van real-time onboard voorspelling en batterijtoestandsmonitoring op edge-niveau zonder continue afhankelijkheid van cloudgebaseerde berekeningen.

De prestaties van dit protocol hangen sterk af van verschillende kritische stappen bij de voorbewerking en de configuratie van de input. Ten eerste zijn strikte procedures voor sequentie-uitlijning en hersampling (Stap 2.2) essentieel voor het behoud van de temporele relaties tussen multichannel cyclussignalen. Tijdens voorlopige evaluaties werden verkeerd uitgelijnde multichannel sequenties geassocieerd met een verminderde voorspellende stabiliteit en een verhoogde modeldoorfout. Ten tweede droeg de integratie van berekende elektrochemische kenmerken, zoals differentiaalspanningskarakteristieken, met ruwe cyclussignalen bij aan een verbeterde voorspellende prestatie. Feature-ablatieanalyse toonde lagere waarden voor de gemiddelde absolute fout aan wanneer de berekende kenmerken samen met temperatuur- en interne-weerstandsvariabelen werden behouden¹⁹. Bovendien verbeterde de combinatie van berekende elektrochemische descriptoren met multichannel temporele kenmerken het vermogen van het model om complexe degradatiepatronen vast te leggen onder diverse bedrijfsomstandigheden^20,21,22. Een kritische methodologische beveiliging die in deze studie is geïmplementeerd, was de strikte isolatie van normalisatieschalingsfactoren en baselines voor feature-engineering. Alle statistische normalisatieparameters en berekeningen van berekende kenmerken werden uitsluitend afgeleid van de trainingsdataset voordat ze werden toegepast op de validatie- en testdatasets. Deze procedure verminderde het risico op informatielekkage tijdens voorspellingen van vroege cycli en cross-dataset evaluatie, waardoor de betrouwbaarheid en reproduceerbaarheid van de voorspellende workflow werden verbeterd.

Bij het uitvoeren of wijzigen van dit protocol kunnen er tijdens de CNN–LSTM-optimalisatie instabiliteit in de training of gradiënt-gerelateerde problemen optreden. Loss-functies die niet convergeren of NaN-waarden genereren, kunnen wijzen op gradiëntexplosie binnen de recurrente sequence-modeling-lagen. In dergelijke situaties kunnen gradient clipping, het verlagen van de initiële leer-snelheid van 1 × 10⁻³ naar 1 × 10⁻⁴, of bescheiden verhogingen van de batchgrootte de trainingsstabiliteit verbeteren door de gradiëntupdates te versoepelen. Daarnaast waren ReLU- en GELU-activatiefuncties geassocieerd met een verbeterde gradiëntvoortplanting in vergelijking met sigmoid- of hyperbolische tangent-activatiefuncties tijdens diepe temporal-sequence-modeling. De in deze studie gepresenteerde analyses van de hyperparametergevoeligheid kunnen onderzoekers daarom helpen bij het optimaliseren van de workflowstabiliteit en de voorspellende prestaties onder verschillende trainingscondities²³.

Ondanks de voorspellende prestaties die onder de geëvalueerde omstandigheden zijn behaald, kent dit protocol verschillende beperkingen. De huidige workflow is primair gevalideerd met behulp van datasets van cycli met een constante stroom/constante spanning onder laboratoriumgecontroleerde omstandigheden. In praktische toepassingen voor elektrische voertuigen worden batterijen blootgesteld aan stochastisch laad- en ontlaadgedrag, variabele gebruikerspatronen en fluctuerende omgevingsfactoren die de degradatiekenmerken kunnen beïnvloeden. Onder dergelijke dynamische bedrijfsomstandigheden kunnen datagestuurde batterijmodellen te maken krijgen met out-of-distribution scenario's, waarbij eerder niet waargenomen degradatietrajecten of omgevingsomstandigheden de voorspellende betrouwbaarheid verminderen. Om de robuustheid in praktische implementatie-omgevingen te verbeteren, kunnen toekomstige implementaties van deze workflow strategieën voor onzekerheidskwantificering bevatten, zoals evidentiële DL of quantile-regressiekaders, om gekalibreerde betrouwbaarheidsgrenzen naast de voorspellingen van de batterijstatus te bieden. Daarnaast kunnen domeinadaptatie- en transfer-learningbenaderingen helpen de kloof in distributie te overbruggen tussen in het laboratorium gegenereerde degradatietrajecten en cyclisch gedrag in de praktijk²⁴. Federated-learning of dynamisch gewogen transfer-learningstrategieën kunnen het vooraf trainen van modellen met grote laboratoriumdatasets verder ondersteunen, gevolgd door fine-tuning met beperkte operationele gegevens uit de praktijk, terwijl de privacy van gebruikersgegevens behouden blijft²⁵. Hoewel het huidige kader een stabiele voorspellende prestatie vertoonde onder gecontroleerde laboratoriumomstandigheden, moeten praktische BMS'en in elektrische voertuigen functioneren onder zeer dynamische belastingsprofielen en fluctuerende omgevingstemperaturen. Toekomstige aanpassingen van deze workflow kunnen daarom profiteren van de integratie van realistische rijcyclusgegevens en online model-update-strategieën om de voorspellende betrouwbaarheid tijdens implementatie in de echte wereld te verbeteren.

Door het standaardiseren van procedures voor datapartitiering, voorbewerking, kenmerkextractie en de initialisatie van random seeds, verbetert dit protocol de reproduceerbaarheid binnen toegepaste ML-workflows voor batterijen²⁶. De hier gepresenteerde strategie voor meerkanaals kenmerkintegratie en het op reproduceerbaarheid gerichte trainingsraamwerk kunnen de toekomstige ontwikkeling van voorspellende BMS'en voor energieopslag uit hernieuwbare bronnen, monitoring van elektrische voertuigen en langetermijnbeoordelingen van de levenscyclus van batterijen ondersteunen.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
CALCE batterijdataset	Center for Advanced Life Cycle Engineering (CALCE), University of Maryland	https://calce.umd.edu/battery-data	Bron van multichannel lithium-ion batterijcycleringsgegevens voor modeltraining en -validatie
CUDA Toolkit	NVIDIA	Versie 11.8	GPU-acceleratie voor DL-modeltraining
GOTION IFP20100140A dataset	Mendeley Data	https://doi.org/10.17632/vpw4t7ytbx.2	Externe validatie en multichannel batterijdegradatieanalyse
KOKAM SLPB533459H4 dataset	Mendeley Data	https://doi.org/10.17632/7w4y4fzzbb.1	Multichannel batterijdegradatiemodellering en -validatie
Matplotlib	Matplotlib Development Team	Versie 3.7.1	Visualisatie van modelprestaties, sensitiviteitsanalyse en reproduceerbaarheidsresultaten
NumPy	NumPy Developers	Versie 1.24.3	Numerieke berekeningen en tensorconstructie
PANASONIC NCR18650BD dataset	Mendeley Data	https://doi.org/10.17632/wykht8y7tg.1	Bron van multichannel cycleringsgegevens en extractie van engineered-features
Pandas	Pandas Developers	Versie 2.0.3	Dataorganisatie, preprocessing en beheer van tabelgegevens
PyTorch	PyTorch Foundation	Versie 2.0.1	Constructie en training van deep-learning-architecturen, inclusief het CNN–LSTM-model
Python	Python Software Foundation	Versie 3.10.12	Preprocessing van gegevens, feature engineering, modeltraining en -evaluatie
SANYO UR18650E dataset	NASA Prognostics Data Repository	https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/	Bron van multichannel cycleringsgegevens voor reproduceerbaarheidsevaluatie en modelvalidatie
Scikit-learn	Scikit-learn Developers	Versie 1.2.2	Implementatie van baseline-model, datasetpartitionering en berekening van prestatiemetrieken