odtwarzalny przepływ pracy głębokiego uczenia do przewidywania wydajności baterii litowo-jonowych przy użyciu wielokanałowych danych z cykli ładowania i rozładowania

Yitong Qu; Dongliang Zhang

doi:10.3791/71903

Artykuł metodologiczny

odtwarzalny przepływ pracy głębokiego uczenia do przewidywania wydajności baterii litowo-jonowych przy użyciu wielokanałowych danych z cykli ładowania i rozładowania

DOI:

10.3791/71903

⸱

14 sierpnia 2026

Yitong Qu¹ , Dongliang Zhang²

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

W tym artykule

Podsumowanie

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

Niniejszy protokół przedstawia powtarzalny proces głębokiego uczenia, wykorzystujący wielokanałowe dane z cykli oraz opracowane cechy w celu przewidywania stanu zdrowia akumulatorów litowo-jonowych, pozostałego okresu użytkowania oraz wydajności magazynowania energii.

Streszczenie

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

Niniejszy protokół przedstawia powtarzalny schemat głębokiego uczenia do przewidywania wydajności baterii litowo-jonowych z wykorzystaniem wielokanałowych danych z cykli ładowania i rozładowania. Aby rozwiązać ograniczenia istniejących modeli opartych na danych, związane z integracją informacji z wielu źródeł oraz reprezentacją cech, zastosowano metodę wykorzystującą pięć publicznie dostępnych zbiorów danych o bateriach. Dane wejściowe obejmują surowe sygnały operacyjne, w tym napięcie, natężenie prądu, pojemność, temperaturę, rezystancję wewnętrzną oraz wydajność kulombiczną i energetyczną, wraz z cechami wypracowanymi, takimi jak pojemność przyrostowa, napięcie różnicowe i przepływ energii. Protokół szczegółowo opisuje znormalizowane procedury preprocessingu służące do konstruowania tensorów czasowych na poziomie baterii w wielu oknach obserwacyjnych. W celu zwiększenia powtarzalności, w ramach schematu oceniono kandydujące architektury sieci neuronowych, w tym głębokie sieci neuronowe, konwolucyjne sieci neuronowe (CNN), sieci z długiej krótkotrwałej pamięcią (LSTM), modele CNN–LSTM oraz modele oparte na transformerach, stosując stałe ziarna losowe, powtórzone przebiegi ewaluacyjne oraz monitorowanie środowiska. Reprezentatywne wyniki wykazały, że architektura CNN–LSTM z zintegrowanymi danymi wielokanałowymi i wypracowanymi cechami osiągnęła korzystną wydajność predykcyjną spośród ocenianych modeli. Wybrana konfiguracja pozwoliła uzyskać średni błąd bezwzględny na poziomie 0,024 oraz wartość R² wynoszącą 0,955 dla szacowania stanu zdrowia (state-of-health), zachowując jednocześnie wysoką wydajność predykcyjną dla szacowania pozostałego okresu użytkowania (remaining useful life) oraz energii możliwej do rozładowania. Analizy ablacyjne i badania odporności dodatkowo wykazały wkład integracji cech wielokanałowych oraz stabilność skoncentrowanego na powtarzalności schematu podczas wielokrotnych ewaluacji. Ta znormalizowana metodologia dostarcza powtarzalnych ram dla zarządzania cyklem życia baterii i modelowania predykcyjnego w zróżnicowanych warunkach eksploatacyjnych.

Wprowadzenie

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

Baterie litowo-jonowe odgrywają kluczową rolę w globalnym przejściu na odnawialne źródła energii ze względu na ich wysoką gęstość energii, długą żywotność cykliczną i niski stopień samorozładowania w zastosowaniach obejmujących zarówno elektronikę przenośną, jak i systemy magazynowania energii w skali sieciowej. Jednakże długotrwała eksploatacja nieuchronnie prowadzi do stopniowej degradacji pojemności i wzrostu rezystancji wewnętrznej¹. Spadek wydajności ten nie tylko obniża rentowność ekonomiczną, ale także stwarza poważne zagrożenia dla bezpieczeństwa, w tym ryzyko niekontrolowanego wzrostu temperatury (thermal runaway). Wraz z przyspieszającym wdrażaniem wielkoskalowych systemów magazynowania energii, zarządzanie cyklem życia baterii staje się coraz bardziej złożone². Tradycyjne monitorowanie oparte na progach oraz protokoły manualnych inspekcji są niewystarczające w dynamicznych środowiskach operacyjnych³. Co więcej, poleganie na pojedynczym parametrze jest nieadekwatne do dokładnego przewidywania stanu zdrowia baterii (SOH) lub pozostałego okresu użytkowania (RUL) w warunkach zmiennych prędkości ładowania i rozładowywania, temperatur otoczenia oraz wahań napięcia rozładowania⁴. Choć obecny schemat postępowania został zwalidowany głównie przy użyciu zestawów danych z cykli kontrolowanych laboratoryjnie, architektura wielokanałowa i ramy modelowania czasowego mogą wspierać przyszłą adaptację do dynamicznych warunków operacyjnych występujących w zastosowaniach w pojazdach elektrycznych oraz w zmiennych środowiskach zewnętrznych.

Degradacja baterii jest wysoce złożonym, nieliniowym procesem elektrochemicznym napędzanym przez wzrost warstwy pasywnej elektrolitu stałego (SEI), utratę aktywnego litu oraz pogorszenie struktury materiałów elektrodowych. Historycznie szacowanie stanu opierało się na modelach obwodów zastępczych lub elektrochemicznych równaniach różniczkowych cząstkowych (PDE)⁵. Chociaż te modele fizyczne dostarczają cennych informacji mechanistycznych, obarczone są one znacznym narzutem obliczeniowym i trudnościami w identyfikacji parametrów podczas przetwarzania sprzężonych sygnałów wielokanałowych. W konsekwencji ich implementacja w czasie rzeczywistym w systemach zarządzania bateriami (BMS) jest poważnie ograniczona przez złożoną kinetykę dyfuzji oraz zmienność środowiskową w warunkach rozładowania z wysokim natężeniem prądu⁶. W przeciwieństwie do nich, proponowany schemat głębokiego uczenia (DL) koncentruje większość zapotrzebowania obliczeniowego w fazie uczenia offline, podczas gdy wytrenowany model wykonuje porównawczo szybką inferencję podczas wdrożenia. Taka architektura może zatem wspierać przyszłą implementację w systemach BMS o ograniczonych zasobach oraz w środowiskach obliczeń krawędziowych (edge computing).

W ostatnim czasie podejścia oparte na głębokim uczeniu (DL) sterowanym danymi wyłoniły się jako potężne narzędzia dzięki ich wyjątkowym możliwościom dopasowania nieliniowego. Niemniej jednak istniejące metodologie DL wykazują dwa główne ograniczenia. Po pierwsze, wiele podejść opiera się głównie na pojedynczych krzywych degradacji pojemności lub specyficznych progach napięcia rozładowania, pomijając przy tym immanentne korelacje czasoprzestrzenne między wielokanałowymi odpowiedziami podczas cyklowania, takimi jak napięcie, prąd i temperatura. Ograniczenie to zmniejsza odporność modelu w scenariuszach operacyjnych w wielu warunkach⁷. Poprzednie badania wykazały, że pomijanie stanów termicznych podczas złożonych operacji może przyspieszyć kumulację błędów predykcyjnych⁸^,⁹. Po drugie, w zastosowanym uczeniu maszynowym (ML) istnieje trwały problem z powtarzalnością. Zróżnicowanie warunków eksperymentalnych, niewystarczająco opisane potoki przetwarzania wstępnego oraz arbitralnie dobrane hiperparametry sieci neuronowych często sprawiają, że modele, które w innym przypadku byłyby odporne, zawodzą podczas walidacji międzyzbiorowej¹⁰. Aby zmniejszyć ryzyko wycieku informacji podczas przetwarzania wstępnego i prognozowania wczesnych cykli, proponowany przepływ pracy wyznacza czynniki skalowania normalizacji i bazowe wartości cech inżynieryjnych wyłącznie z zestawów treningowych przed zewnętrzną walidacją i ewaluacją międzyzbiorową.

Aby wypełnić te krytyczne luki, ogólnym celem niniejszego protokołu jest przedstawienie zautomatyzowanego, wysoce powtarzalnego przepływu pracy (workflow) opartego na głębokim uczeniu (DL) do przewidywania wydajności magazynowania energii w akumulatorach litowo-jonowych z wykorzystaniem wielokanałowych danych z cykli ładowania i rozładowania. Teoretyczną podstawą tej metody jest jawne uchwycenie złożonych, długoterminowych zależności związanych z degradacją akumulatorów poprzez integrację wielomodalnych danych szeregów czasowych w wysokowymiarowej architekturze sieci neuronowej. Kluczową zaletą tego protokołu w porównaniu do istniejących podejść opartych na fizyce i DL jest jego całościowa standaryzacja, która ustanawia kompletny potok obejmujący wstępne przetwarzanie surowych sygnałów, inżynierię cech, trenowanie modelu oraz ocenę niepewności. Choć hybrydowe architektury sieci neuronowych były badane wcześniej, obecny przepływ pracy kładzie nacisk na standaryzowaną integrację wielokanałową poprzez dopasowanie elektrochemicznych zmiennych cyklicznych do zaprojektowanych cech degradacji w ramach struktury treningowej skoncentrowanej na powtarzalności. W przeciwieństwie do wielu wcześniej raportowanych przepływów pracy, niniejszy protokół zawiera standaryzowane konfiguracje parametrów, stałe ziarna losowe (random seeds), powtarzane uruchomienia ewaluacyjne oraz kompleksowe śledzenie środowiska, aby poprawić powtarzalność w heterogenicznych zbiorach danych o akumulatorach i różnych warunkach laboratoryjnych. Dodatkowo, przepływ pracy systematycznie porównuje wiele architektur sieci neuronowych, aby ocenić stabilność predykcyjną i wydajność dla różnych konfiguracji wejściowych. W obrębie ewaluowanych zbiorów danych i ustawień eksperymentalnych, architektura łącząca konwolucyjną sieć neuronową z długo- i krótkotrwałą pamięcią (CNN–LSTM) wykazała korzystniejszą wydajność predykcyjną w stosunku do badanych samodzielnych modeli CNN oraz modeli opartych na transformatorach, łącząc lokalną ekstrakcję cech z modelowaniem długodystansowych sekwencji czasowych przy zachowaniu umiarkowanej złożoności obliczeniowej. Protokół ten jest odpowiedni dla badaczy i inżynierów dążących do opracowania powtarzalnych i adaptacyjnych do środowiska modeli predykcyjnych dla zarządzania cyklem życia akumulatorów.

Protokół

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

Zatwierdzenie przez komisję etyki instytucjonalnej nie było wymagane dla niniejszego badania, ponieważ praca opierała się wyłącznie na publicznie dostępnych zbiorach danych dotyczących cykli ładowania i rozładowania baterii litowo-jonowych i nie obejmowała udziału ludzi, zwierząt ani próbek biologicznych.

1. Pozyskiwanie i organizacja danych

Pozyskanie wielokanałowych zbiorów danych z cykli
1. Pobrać zbiory danych z cykli ładowania i rozładowania baterii litowo-jonowych z publicznie dostępnych repozytoriów baterii zawierających zapisy cykli ładowania i rozładowania. Pozyskać zbiory danych CALCE, SANYO, PANASONIC, KOKAM i GOTION bezpośrednio z odpowiednich instytucjonalnych repozytoriów o otwartym dostępie lub poprzez linki DOI w celu zachowania spójności wersji zbiorów danych.
2. Wybrać próbki baterii zawierające pełną liczbę cykli, pomiary pojemności oraz co najmniej jedną ciągłą krzywą ładowania i rozładowania. Zweryfikować ciągłość, potwierdzając, że w obrębie pojedynczego cyklu nie występuje przerwa przekraczająca dwie godziny oraz że obie fazy – prąd stały i napięcie stałe – zostały w pełni zarejestrowane.
Filtrowanie surowych zapisów cykli
1. Przefiltrować surowe zapisy cykli, aby zachować próbki zawierające pomiary temperatury, rezystancji wewnętrznej, wydajności kulombicznej oraz sprawności energetycznej. Wykluczyć z procesu analizy ogniwa baterii, w których brakuje tych obowiązkowych kanałów stanu, ponieważ późniejsza fuzja cech wielokanałowych wymaga pełnego zestawu fizycznych zmiennych wejściowych.
2. Usunąć cykle zawierające niepełne zapisy, niespójne znaczniki czasu, niezdefiniowane procedury testowe lub niejasne warunki zakończenia ładowania i rozładowania. Zdefiniować cykle anomalne jako te, w których występują nagłe spadki pojemności przekraczające 5% między sąsiednimi cyklami, pomiary napięcia poza zakresem roboczym specyficznym dla danej chemii lub niemonotoniczne interwały znaczników czasu.
Budowa czasowej bazy danych baterii
1. Uporządkować zachowane zapisy cykli chronologicznie w celu zbudowania bazy danych szeregów czasowych na poziomie baterii.
2. Przechowywać przetworzone zbiory danych w formacie Hierarchical Data Format wersji 5 (HDF5). Zachować ustandaryzowaną strukturę katalogów zorganizowaną według źródła zbioru danych, systemu chemicznego i indywidualnego identyfikatora ogniwa baterii.
3. Przypisać unikalne identyfikatory poszczególnym ogniwom baterii przed partycjonowaniem zbioru danych. Wprowadzić grupowanie na podstawie identyfikatora ogniwa baterii podczas podziału na zbiór treningowy i testowy, aby zapewnić, że wszystkie sekwencyjne cykle z jednej fizycznej baterii pozostaną wyłącznie w jednym podzbiorze danych.
  UWAGA: Zachować oryginalne surowe zbiory danych oddzielnie przed wstępnym przetwarzaniem, normalizacją, ponownym próbkowaniem lub inżynierią cech.
Definiowanie okien obserwacyjnych
1. Zbudować wielokanałowe okna obserwacyjne, wykorzystując pierwsze 50 cykli, pierwsze 100 cykli oraz pierwsze 20% całkowitego cyklu życia baterii. Obliczyć próg 20% cyklu życia, mnożąc całkowitą żywotność cykliczną przed degradacją pojemności do poziomu końca życia przez 0,2.
2. Zsynchronizować pomiary napięcia, prądu, pojemności, temperatury, rezystancji wewnętrznej i sprawności w obrębie każdego okna obserwacyjnego przed konstrukcją tensora.
3. Sformatować końcową strukturę wejściową jako trójwymiarowy tensor składający się z długości okna obserwacyjnego, 128 ustandaryzowanych punktów próbkowania wewnątrz cyklu oraz uporządkowanego wielokanałowego zestawu cech.

2. Przetwarzanie wstępne danych i inżynieria cech

Wstępne przetwarzanie surowych danych z cykli
1. Przeprowadź jednolity preprocessing surowych zbiorów danych z cykli, aby zestandaryzować jakość danych ze wszystkich źródeł akumulatorów. Wykonaj wszystkie procedury wstępnego przetwarzania, synchronizacji i standaryzacji przy użyciu języka Python 3.10 z biblioteką Pandas do manipulacji szeregami czasowymi oraz biblioteką SciPy do interpolacji numerycznej.
2. Usuń wartości odstające, wykryj brakujące wartości, skalibruj znaczniki czasu, zidentyfikuj fazy ładowania i rozładowania oraz znormalizuj częstotliwości próbkowania przed dalszą analizą. Zastosuj zmodyfikowaną metodę progowania Z-score z kryterium odrzucenia większym niż 3,0 w celu wykrywania anomalii.
3. Automatycznie wykrywaj brakujące wartości, identyfikując flagi NaN we wszystkich tablicach numerycznych. Rozróżniaj fazy ładowania i rozładowania na podstawie polaryzacji prądu, przypisując dodatnie wartości prądu do cykli ładowania, a ujemne wartości prądu do cykli rozładowania.
4. Odtwórz brakujące segmenty sygnału, stosując kawałkowe sześcienne wielomiany interpolacyjne Hermite'a, aby zachować elektrochemiczną dynamikę czasową podczas wyrównywania przejść fazowych.
Resampling krzywych cyklicznych
1. Przeprowadź resampling krzywych cyklicznych w przypadku wykrycia różnic w gęstości próbkowania lub dryftu sygnału w zbiorach danych. Uruchom automatyczny resampling zawsze, gdy odstęp między kolejnymi pomiarami odchyla się o więcej niż 10% względem mediany częstotliwości próbkowania odpowiadającej danej fazie cyklu.
2. Zestandaryzuj liczbę punktów próbkowania w każdym cyklu, aby zredukować zmienność zapisów zależną od platformy. Zmapuj wszystkie sekwencje czasowe na stałą siatkę przestrzenną, stosując jednowymiarową interpolację liniową.
3. Skompresuj lub rozszerz każdy profil ładowania-rozładowania do dokładnie 128 równoodległych punktów próbkowania przed konstrukcją tensora.
Normalizacja zmiennych ciągłych
1. Znormalizuj wszystkie zmienne ciągłe przed trenowaniem modelu, aby ustabilizować zbieżność sieci i zredukować błędy związane ze skalą. Zastosuj skalowanie Min-Max, aby przekształcić wszystkie zmienne ciągłe w zakres numeryczny od 0 do 1.
2. Oblicz wszystkie parametry normalizacji wyłącznie na podstawie zbioru treningowego. Zastosuj zamrożone parametry skalowania do zbiorów walidacyjnych i testowych, aby zminimalizować ryzyko wycieku danych czasowych (forward temporal data leakage) podczas predykcji wczesnych cykli.
Konstrukcja wielokanałowych tensorów wejściowych
1. Podziel ciągłe zapisy cykliczne dla każdego akumulatora na segmenty czasowe o stałej długości. Ustrukturyzuj segmenty czasowe zgodnie z predefiniowanymi oknami obserwacji odpowiadającymi pierwszym 50 cyklom, pierwszym 100 cyklom lub pierwszym 20% cyklu życia akumulatora.
2. Wyrównaj pomiary napięcia, prądu, pojemności, temperatury, rezystancji wewnętrznej i sprawności w każdym segmencie czasowym przed konstrukcją tensora.
3. Połącz wyrównane macierze cech w trójwymiarowy tensor w formacie (N × 128 × C), gdzie N oznacza długość okna obserwacji, 128 oznacza zestandaryzowane punkty próbkowania wewnątrzcykliczne, a C oznacza całkowitą liczbę kanałów cech fizycznych i opracowanych.
Ekstrakcja opracowanych cech
1. Wyekstrahuj opracowane cechy elektrochemiczne z surowych sygnałów cyklicznych, aby usprawnić identyfikację wzorców degradacji. Oblicz cechy pojemności inkrementalnej i napięcia różnicowego, wyznaczając dQ/dV oraz dV/dQ w zestandaryzowanej siatce próbkowania.
2. Zastosuj filtrowanie Savitzky'ego-Golaya w celu wygenerowania wygładzonych krzywych pojemności inkrementalnej i napięcia różnicowego.
3. Wyekstrahuj wskaźniki degradacji, w tym przesunięcia napięcia szczytowego, różnice napięć przejść fazowych oraz zmienność przepływu energii między cyklami z przefiltrowanych cech elektrochemicznych.

3. Budowa i trenowanie modelu DL

Konstrukcja kandydacyjnych modeli predykcyjnych
1. Stworzyć ustandaryzowane ramy treningowe i ewaluacyjne dla wszystkich modeli predykcyjnych przedstawionych na Rysunku 1A. Zaimplementować workflow DL przy użyciu biblioteki PyTorch w wersji 2.0 lub nowszej.
2. Zrealizować workflow treningowy, korzystając z modułowych skryptów Python do ładowania danych, inicjalizacji modelu, optymalizacji i ewaluacji.
3. Przygotować tradycyjne modele ML stanowiące bazę porównawczą, w tym regresję liniową, lasy losowe oraz modele drzew decyzyjnych z wzmocnieniem gradientowym (gradient-boosted decision-tree). Skonfigurować model lasu losowego z 100 drzewami i maksymalną głębokością wynoszącą 10.
4. Skonfigurować framework drzew decyzyjnych z wzmocnieniem gradientowym, ustawiając współczynnik uczenia na 0.1 oraz maksymalną głębokość drzewa na 5 za pomocą biblioteki Scikit-learn.
5. Przygotować kandydacyjne architektury DL, w tym wielowarstwowy perceptron, jednowymiarową sieć CNN, sieć LSTM, CNN–LSTM oraz modele oparte na transformatorach.
6. Ustandaryzować kluczowe hiperparametry dla wszystkich architektur DL, stosując optymalizator AdamW, funkcje aktywacji GELU (Gaussian error linear unit), wymiar ukryty 128 oraz współczynnik dropout 0.2.
Konfiguracja architektury CNN–LSTM
1. Skonfigurować architekturę CNN–LSTM w celu fuzji wielokanałowych informacji o cyklach z tensorów wejściowych (Rysunek 1B). Zbudować hybrydową architekturę, kaskadując splotowy ekstraktor cech do dwóch stosowanych warstw rekurencyjnych, z których każda zawiera 128 jednostek ukrytych.
2. Zakończyć architekturę trzema równoległymi, w pełni połączonymi głowicami regresyjnymi do jednoczesnej predykcji SOH, RUL oraz energii rozładowywalnej.
3. Przetworzyć wielokanałowe tensory wejściowe przez trzy następujące po sobie jednowymiarowe warstwy splotowe o rozmiarach kerneli 3, 5 i 7, aby wyekstrahować lokalne cechy wieloskalowe.
4. Zastosować normalizację wsadową (batch normalization) po każdej warstwie splotowej, aby poprawić stabilność gradientu podczas optymalizacji.
5. Przekształcić splotowe mapy cech w ciągłe sekwencje czasowe przed modelowaniem sekwencyjnym.
6. Przekazać zakodowane sekwencje czasowe do stosowanych warstw rekurencyjnych, aby uchwycić długodystansowe zależności degradacji w obrębie zdefiniowanych okien obserwacyjnych.
Podział zbiorów danych do treningu modelu
1. Podzielić przetworzone zbiory danych ogniw bateryjnych na podzbiory treningowy, walidacyjny i testowy w stosunku 70:15:15. Wykonać podział zbioru danych, używając stałej wartości ziarna losującego (random seed) wynoszącej 42.
2. Zastosować próbkowanie stratyfikowane na podstawie chemii baterii, aby utrzymać zrównoważony rozkład degradacji we wszystkich podzbiorach danych.
3. Przeprowadzić podział zbiorów danych ściśle na poziomie ogniwa bateryjnego, zamiast randomizować poszczególne cykle, aby zachować sekwencyjne trajektorie degradacji.
4. Traktować każde ogniwo bateryjne jako niepodzielną jednostkę podczas podziału, aby zapobiec wyciekowi informacji między zbiorami danych.
5. Zweryfikować programowo izolację zbiorów danych poprzez obliczenie części wspólnej identyfikatorów ogniw bateryjnych w podzbiorach treningowym, walidacyjnym i testowym oraz potwierdzenie braku nakładania się danych.
6. Skompilować zewnętrzny zbiór testowy, wykorzystując kompletny zbiór danych GOTION dla litowo-żelazowo-fosforanowych (LFP) ogniw, w celu ewaluacji poza rozkładem (out-of-distribution) oraz oceny generalizacji międzyzbiorowej.
7. Udostępnić kod źródłowy, pliki konfiguracji środowiska oraz przetworzone podziały zbiorów danych w dedykowanym repozytorium GitHub, aby zapewnić przejrzystość metodologiczną i powtarzalność.
Inicjalizacja treningu modelu
1. Ustawić funkcję straty regresji na średni kwadrat błędu przed rozpoczęciem treningu. Obliczyć globalny cel treningowy poprzez agregację wartości straty z każdego celu predykcyjnego przy zastosowaniu równych wag.
2. Ustawić początkowy współczynnik uczenia na 1 × 10⁻³ i wybrać rozmiar partii (batch size) 32 lub 64, zależnie od wielkości zbioru danych.
3. Użyć rozmiaru partii 64 dla zbiorów zawierających ponad 5 000 cykli, aby zwiększyć utylizację sprzętową. Użyć rozmiaru partii 32 dla mniejszych zbiorów w celu poprawy stabilności optymalizacji.
  UWAGA: Wybrać te hiperparametry poprzez wstępną ewaluację metodą grid-search, aby zrównoważyć prędkość zbieżności i stabilność gradientu dla różnych okien obserwacyjnych.
Zastosowanie kontroli treningu
1. Zastosować dynamiczny harmonogram współczynnika uczenia w oparciu o zmiany straty walidacyjnej. Zredukować współczynnik uczenia o czynnik 0.5, jeśli strata walidacyjna nie ulegnie poprawie przez 5 kolejnych epok.
2. Utrzymać minimalny próg współczynnika uczenia na poziomie 1 × 10⁻⁵ podczas optymalizacji.
3. Zatrzymać trening modelu po maksymalnie 100 epokach, aby ograniczyć overfitting.
4. Zastosować wczesne zatrzymanie (early stopping), jeśli strata walidacyjna nie spadnie przez 15 kolejnych epok. Przywrócić wagi modelu odpowiadające najlepiej wykonanej iteracji walidacyjnej.
Prowadzenie zapisów powtarzalności
1. Ustawić stałą wartość ziarna losującego na 42 przed inicjalizacją i treningiem modelu.
2. Stosować stałe ziarno losujące konsekwentnie w module random Pythona, NumPy oraz w backendzie PyTorch, wyłączając jednocześnie niedeterministyczne operacje CUDA.
3. Zarejestrować środowisko programistyczne, wersje zależności, ustawienia parametrów, podziały danych oraz wyniki treningowe dla każdego przebiegu eksperymentalnego.
4. Zrealizować wszystkie workflow DL w systemie Ubuntu 22.04 z akceleracją CUDA 11.8 na stacji roboczej wyposażonej w procesor graficzny NVIDIA RTX 3090 lub sprzęt równoważny.

figure-protocol-1
Rycina 1. Powtarzalny schemat pracy (workflow) głębokiego uczenia (DL) dla wielokanałowego przewidywania parametrów pracy akumulatorów litowo-jonowych. (A) Kompletny, powtarzalny schemat pracy ilustrujący wielokanałowe pozyskiwanie danych, standaryzowany preprocessing, konstrukcję tensorów, trenowanie modelu oraz przewidywanie wskaźników wydajności akumulatora. Kontrole powtarzalności obejmują stałe ziarna losowości (random seeds), powtórzone serie trenowania, śledzenie parametrów i logowanie środowiska. (B) Hybrydowa architektura CNN–LSTM wykorzystywana do wielokanałowej ekstrakcji cech, modelowania sekwencji czasowych, fuzji cech oraz przewidywania stanu zdrowia (SOH), pozostałego okresu użytkowania (RUL) i energii rozładowalnej. (C) Potok ewaluacji i wdrożenia przedstawiający przesiew modeli kandydujących, ocenę odporności, optymalizację hiperparametrów i końcowy wybór modelu. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

4. Ocena modelu i przewidywanie celu

Generowanie predykcji modelu
1. Przetworzenie docelowych zbiorów danych testowych dla baterii przez każdy z wytrenowanych modeli. Przed wnioskowaniem należy wczytać wstępnie przetworzone zestawy danych testowych jako zserializowane tensory PyTorch.
2. Wykonanie kroku wnioskowania w przód (forward pass) przy użyciu menedżera kontekstu wyłączającego obliczanie gradientów, aby zapobiec niezamierzonym aktualizacjom parametrów podczas ewaluacji.
3. Generowanie równoległych predykcji dla każdego wskaźnika wydajności przy użyciu wytrenowanych głowic regresyjnych.
4. Wyodrębnienie jednoczesnych wyników z trzech równoległych głowic regresyjnych skonfigurowanych do predykcji SOH, RUL oraz energii rozładowywalnej.
Obliczanie wartości docelowych predykcji
1. Obliczenie SOH poprzez porównanie aktualnej dostępnej pojemności z początkową pojemnością baterii.
2. Zdefiniowanie początkowej pojemności baterii jako maksymalnej pojemności rozładowania zarejestrowanej podczas pierwszych trzech cykli stabilizacji.
3. Obliczenie SOH jako stosunku pojemności w bieżącym cyklu do ustalonej bazowej pojemności początkowej.
4. Szacowanie RUL poprzez zidentyfikowanie progu operacyjnego, przy którym kończy się stabilna pojemność baterii.
5. Zdefiniowanie końca żywotności (end of life) jako numeru cyklu, w którym pojemność baterii nieodwracalnie spada poniżej 80% nominalnej pojemności znamionowej.
6. Obliczenie RUL jako liczby pozostałych cykli od aktualnego punktu obserwacji do zdefiniowanego progu końca żywotności.
7. Prognozowanie energii rozładowalnej na podstawie zarejestrowanych warunków rozładowania.
8. Obliczenie rzeczywistej energii rozładowalnej (ground-truth) poprzez numeryczne całkowanie iloczynu napięcia rozładowania i prądu rozładowania w całym przedziale rozładowania z wykorzystaniem metody trapezowej.
Ocena wydajności predykcyjnej
1. Obliczenie średniego błędu absolutnego (MAE), pierwiastka średniokwadratowego błędu (RMSE), średniego bezwzględnego błędu procentowego (MAPE) oraz współczynnika determinacji (R²) dla każdego celu predykcji.
2. Obliczenie wszystkich metryk ewaluacyjnych przy użyciu modułu metrics biblioteki Scikit-learn ze standardowymi formułami statystycznymi.
3. Zastosowanie identycznych obliczeń metryk we wszystkich modelach, zbiorach danych i konfiguracjach wejściowych w celu zachowania spójności ewaluacji.
4. Agregacja wszystkich metryk wydajności dla zgromadzonych próbek baterii w niezależnym zbiorze testowym w celu oceny ogólnej generalizacji modelu.
Raportowanie wydajności warstwowej
1. Obliczenie średniej i odchylenia standardowego dla każdej metryki ewaluacyjnej dla powtórzonych serii eksperymentalnych.
2. Wyznaczenie raportowanych miar statystycznych na podstawie pięciu niezależnych inicjalizacji modelu.
3. Raportowanie 95% przedziałów ufności wraz ze średnimi metrykami wydajności w celu określenia niepewności predykcyjnej.
4. Porównanie wydajności modelu dla różnych długości okien obserwacyjnych i konfiguracji kanałów wejściowych.
5. Przeprowadzenie warstwowej analizy porównawczej przy użyciu okien obserwacyjnych odpowiadających 50 cyklom, 100 cyklom i 200 cyklom.
6. Ocena wydajności predykcyjnej dla wielu konfiguracji wejściowych, od wejść opartych wyłącznie na pojemności po pełną integrację tensorów wielokanałowych. Workflow ewaluacji, badania odporności oraz wyboru wdrożenia przedstawiono na Rysunku 1C.

5. Analiza powtarzalności, odporności i czułości

Weryfikacja powtarzalności i odporności
1. Zachowaj identyczne partycje danych, przepływy pracy wstępnego przetwarzania i procedury eksperymentalne we wszystkich ocenach powtarzalności przedstawionych na Rysunku 2A.
2. Oblicz współczynnik zmienności dla głównych metryk oceny w powtórzonych próbach, aby ocenić spójność powtarzalności.
3. Powtórz wszystkie procedury oceny, stosując ten sam zstandaryzowany przepływ pracy trenowania i testowania.
4. Inicjuj każdą powtórzoną ocenę z randomizowanymi wagami sieci, zachowując te same deterministyczne procedury ładowania i przetasowywania danych.
Przeprowadzenie powtórnych eksperymentów trenowania
1. Trenuj modele predykcyjne wielokrotnie w identycznych warunkach eksperymentalnych, stosując predefiniowane, stałe wartości ziarna losowości w celu zapewnienia powtarzalnej inicjalizacji wag.
2. Przeprowadź pięć niezależnych cykli trenowania z użyciem identycznych partycji zbioru danych, aby zredukować zmienność wynikającą z danych.
3. Oblicz końcowe metryki wydajności, wyciągając średnią z metryk oceny uzyskanych z pięciu powtórzonych cykli trenowania.
4. Agreguj końcowe metryki odporności, korzystając ze średnich wyników oceny, zamiast łączyć surowe tensory predykcji.
Ocena czułości hiperparametrów
1. Modyfikuj pojedynczo tempo uczenia, rozmiar partii (batch size), wymiar warstwy ukrytej oraz współczynnik dropout podczas analizy czułości.
2. Oceń tempa uczenia w zakresie od 1 × 10⁻⁴ do 1 × 10⁻², rozmiary partii od 32 do 128, wymiary ukryte od 32 do 256 oraz współczynniki dropout od 0,1 do 0,5.
3. Rejestruj odpowiadające temu zmiany w dokładności predykcyjnej po każdej korekcie hiperparametrów.
4. Ilościowo określ zmienność wydajności predykcyjnej za pomocą RMSE i R².
Przeprowadzenie analizy ablacji cech
1. Usuń wybrane kanały wejściowe, w tym temperaturę, rezystancję wewnętrzną i wektory cech inżynieryjnych, z wielokanałowego strumienia wejściowego.
2. Przeprowadź ablację cech, stosując strategię leave-one-out poprzez usuwanie jednej grupy cech na raz, zachowując pozostałą wielokanałową strukturę wejściową.
3. Porównaj wynikową wydajność predykcyjną po każdym eksperymencie usuwania cech, aby ocenić wkład poszczególnych grup cech w stabilność i dokładność modelu.
4. Ilościowo określ względny wkład każdej grupy cech, obliczając procentowy wzrost średniego błędu absolutnego w stosunku do w pełni zintegrowanego wielokanałowego modelu bazowego. Odwołaj się do Rysunku 2B w celu zapoznania się z przepływem pracy oceny odporności i analizy czułości.

figure-protocol-2
Rysunek 2. Standaryzowany schemat przetwarzania wstępnego, oceny odporności oraz analizy wrażliwości. (A) Standaryzowany schemat wielokanałowego przetwarzania wstępnego ilustrujący przetwarzanie surowych sygnałów cyklicznych, kalibrację znaczników czasu, usuwanie wartości odstających, ponowne próbkowanie, normalizację, dopasowanie kanałów i konstrukcję tensora. Strategie reprezentacji danych wejściowych porównują wejścia jednokanałowe, surowe wejścia wielokanałowe oraz wejścia wielokanałowe połączone z cechami inżynieryjnymi. (B) Potok analizy odporności i wrażliwości przedstawiający systematyczną perturbację hiperparametrów, ocenę powtórnych uruchomień, analizę ablacji cech, walidację krzyżową oraz walidację zewnętrzną schematu CNN–LSTM. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Wyniki

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

Wielokanałowe sygnały cykliczne i dystrybucja danych

W celu charakterystyki zachowania baterii litowo-jonowych podczas cykli przeprowadzono analizę reprezentatywnych wielokanałowych sygnałów cyklicznych oraz rozkładów wydajności. W badaniu wykorzystano pięć zbiorów danych baterii litowo-jonowych reprezentujących wiele układów chemicznych, w tym tlenek litu i kobaltu (LCO), tlenek niklu, kobaltu i aluminium (NCA), tlenek niklu, manganu i kobaltu (NMC) oraz LFP (Tabela 1). Podstawowe zmienne cykliczne, takie jak napięcie, prąd, pojemność, temperatura, rezystancja wewnętrzna oraz sprawność kulombowska lub energetyczna, zostały zintegrowane z cechami inżynieryjnymi, takimi jak charakterystyki pojemności przyrostowej i napięcia różnicowego, aby stworzyć wielokanałowy system charakterystyki. Profile pojemność-napięcie i rozkłady SOH dla zbioru danych CALCE (Rysunek 3A), średnie profile napięcia i rozkłady SOH dla zbioru danych SANYO (Rysunek 3B), trajektorie starzenia dla zbioru danych PANASONIC (Rysunek 3C), mapy ciepła ewolucji napięcia dla zbioru danych KOKAM (Rysunek 3D) oraz profile rozkładu napięcia dla zbioru danych GOTION (Rysunek 3E) wykazały odmienne zachowania degradacyjne w zależności od ocenianych składów chemicznych baterii. Na przykład zbiór danych GOTION IFP20100140A wykazał schodkowe charakterystyki napięcia typowe dla systemów LFP, podczas gdy zbiór danych PANASONIC NCR18650BD wykazał progresywną degradację pojemności połączoną ze przesunięciami profilu napięcia podczas długotrwałego cyklowania.

ID zbioru danych	Typ / Model baterii	Chemia	Format	Liczba ogniw	Suma analizowanych cykli	Wykorzystane okna wczesnych cykli	Punkty próbkowania na cykl	Główne kanały cykliczne	Dodatkowe kanały stanu	Cechy pochodne	Cele predykcji
Zbiór danych #1	Bateria CALCE LCO	LCO	Sakiewkowa (Pouch)	38	4 216	Pierwsze 50, pierwsze 100, pierwsze 20% życia	128	Napięcie, prąd, czas, pojemność	Temperatura, rezystancja wewnętrzna	dQ/dV, dV/dQ, czas ładowania, energia rozładowania	SOH, RUL, energia rozładowalna
Zbiór danych #2	SANYO UR18650E	NCA	Walcowa 18650	24	2 487	Pierwsze 50, pierwsze 100, pierwsze 20% życia	128	Napięcie, prąd, czas, pojemność	Temperatura, wydajność kulombowska	dQ/dV, nachylenie plateau napięcia, wydajność energetyczna	SOH, RUL, energia rozładowalna
Zbiór danych #3	PANASONIC NCR18650BD	NCA	Walcowa 18650	42	5 134	Pierwsze 50, pierwsze 100, pierwsze 20% życia	128	Napięcie, prąd, czas, pojemność	Temperatura, rezystancja wewnętrzna, wydajność kulombowska	dQ/dV, dV/dQ, czas ładowania, przepływ energii	SOH, RUL, energia rozładowalna
Zbiór danych #4	KOKAM SLPB533459H4	NMC	Sakiewkowa (Pouch)	19	1 968	Pierwsze 50, pierwsze 100, pierwsze 20% życia	128	Napięcie, prąd, czas, pojemność	Temperatura, rezystancja wewnętrzna	dQ/dV, czas rozładowania, nachylenie napięcia	SOH, RUL, energia rozładowalna
Zbiór danych #5	GOTION IFP20100140A	LFP	Pryzmatyczna	57	6 482	Pierwsze 50, pierwsze 100, pierwsze 20% życia	128	Napięcie, prąd, czas, pojemność	Temperatura, rezystancja wewnętrzna, wydajność energetyczna	dQ/dV, czas trwania plateau, energia ładowania/rozładowania	SOH, RUL, energia rozładowalna

Tabela 1: Charakterystyka zbiorów danych baterii litowo-jonowych, wielokanałowych zmiennych cyklicznych, cech inżynierii cech oraz celów predykcji wykorzystanych w reprodukowalnym przepływie pracy DL.Tabela podsumowuje zbiory danych baterii litowo-jonowych uwzględnione w niniejszym badaniu, w tym chemię baterii, format ogniwa, liczbę ogniw, całkowitą liczbę analizowanych cykli, okna obserwacji, gęstość próbkowania, wielokanałowe zmienne cykliczne, opracowane elektrochemiczne cechy oraz cele predykcji wykorzystane do opracowania i oceny modelu. Skróty: SOH = stan zdrowia (state of health); RUL = pozostały okres użytkowania (remaining useful life); LCO = tlenek litu i kobaltu; NCA = tlenek niklu, kobaltu i glinu; NMC = tlenek niklu, manganu i kobaltu; LFP = fosforan litu i żelaza.

figure-results-1
Rysunek 3. Reprezentatywne wielokanałowe profile cykliczne i rozkłady stanu zdrowia baterii w zbiorach danych dotyczących akumulatorów litowo-jonowych. (A) Profile pojemność-napięcie i rozkłady SOH dla zbioru danych CALCE dla tlenku litu i kobaltu. (B) Średnie profile napięcia i rozkłady SOH dla zbioru danych SANYO dla tlenku niklu, kobaltu i glinu. (C) Trajektorie starzenia i skumulowane rozkłady SOH dla zbioru danych PANASONIC dla tlenku niklu, kobaltu i glinu. (D) Mapy ciepła ewolucji napięcia i rozkłady próbek SOH dla zbioru danych KOKAM dla tlenku niklu, manganu i kobaltu. (E) Profile rozkładu napięcia i zależności SOH od rezystancji wewnętrznej dla zbioru danych GOTION dla fosforanu litu i żelaza. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Ogólna wydajność prognostyczna dla magazynowania energii

Zaproponowany schemat postępowania wykazał niskie błędy predykcji oraz spójną wydajność prognostyczną we wszystkich zadaniach ewaluacyjnych (Tabela 2). W przypadku szacowania SOH model osiągnął wartość MAE wynoszącą 0,021 dla zbioru walidacyjnego oraz 0,024 dla zbioru testowego, przy odpowiadających im wartościach R² wynoszących odpowiednio 0,962 i 0,955. Wyniki te wskazują na stabilną wydajność predykcyjną w ciągłym szacowaniu stanu zdrowia baterii w ocenianych warunkach. Schemat wykazał również niezawodną zdolność predykcyjną w szacowaniu RUL oraz energii rozładowywalnej, osiągając dla zbioru testowego wartości R² odpowiednio 0,927 i 0,941. Aby dodatkowo ocenić stabilność predykcji, wszystkie parametry wydajności obliczono dla pięciu niezależnych inicjalizacji modelu przy użyciu identycznych partycji zbiorów danych. Uzyskane odchylenia standardowe oraz wartości współczynnika zmienności pozostały niskie w powtórzonych ewaluacjach, co wskazuje na ograniczoną wrażliwość na stochastyczną inicjalizację i stabilne zachowanie predykcyjne w powtarzalnych warunkach treningu. Ponadto 95% przedziały ufności wykazały wąską zmienność w powtórzonych uruchomieniach, co potwierdza odporność i reprodukowalność zaproponowanego wielokanałowego schematu postępowania.

Zadanie predykcji	Podział zbioru danych	MAE	RMSE	MAPE (%)	R²
Szacowanie SOH	Walidacja	0.021	0.029	2.47	0.962
Szacowanie SOH	Test	0.024	0.033	2.83	0.955
Predykcja RUL	Walidacja	18.6	25.9	8.74	0.938
Predykcja RUL	Test	21.4	29.7	9.63	0.927
Predykcja energii rozładowalnej	Walidacja	0.087	0.121	3.18	0.948
Predykcja energii rozładowalnej	Test	0.094	0.129	3.56	0.941

Tabela 2: Wydajność predykcyjna powtarzalnego przepływu pracy DL dla szacowania parametrów baterii litowo-jonowych w zestawach walidacyjnych i testowych.Tabela podsumowuje wydajność predykcyjną proponowanego przepływu pracy dla szacowania SOH, predykcji RUL oraz predykcji energii rozładowywalnej z wykorzystaniem zestawów walidacyjnych i testowych. Metryki wydajności obejmują średni błąd absolutny (MAE), pierwiastek błędu średniokwadratowego (RMSE), średni procentowy błąd absolutny (MAPE) oraz współczynnik determinacji (R²). Skróty: SOH = stan techniczny (state of health); RUL = pozostały okres użytkowania (remaining useful life); MAE = średni błąd absolutny; RMSE = pierwiastek błędu średniokwadratowego; MAPE = średni procentowy błąd absolutny.

Porównanie wydajności różnych architektur DL

Ocena różnych architektur sieci i konfiguracji wejściowych wykazała znaczne zróżnicowanie w wydajności predykcyjnej (Tabela 3). Rozkłady RMSE przed i po wyborze architektury w oparciu o powtarzalność przedstawiono na Rysunku 4A. Architektura głębokiej sieci neuronowej wykazała porównawczo wyższe wartości MAE i RMSE w stosunku do architektur opartych na sekwencjach oraz architektur hybrydowych. Porównania różnych wielokanałowych konfiguracji wejściowych podsumowano na Rysunku 4B. Modele łączące lokalną ekstrakcję cech z czasowym modelowaniem międzycyklicznym wykazały poprawioną dokładność predykcyjną w ocenianych warunkach. Modele wykazujące mniejszą zmienność predykcji grupowały się zazwyczaj przy wyższych średnich wynikach wydajności i mniejszych odchyleniach standardowych (Rysunek 4C). Zależności między średnią wydajnością a odchyleniem standardowym dla ocenianych konfiguracji wejściowych zilustrowano na Rysunku 4D. Spośród testowanych konfiguracji, architektura CNN–LSTM osiągnęła najniższą wartość MAE (0,024) oraz najwyższą wartość R² (0,955) w ramach ocenianych zbiorów danych i ustawień eksperymentalnych. Ponadto integracja cech wygenerowanych z pełnymi wejściami wielokanałowymi obniżyła MAE do 0,022 przy wartości R² wynoszącej 0,961, podczas gdy wejścia oparte wyłącznie na pojemności wykazały niższą wydajność predykcyjną.

Kategoria	Model / Konfiguracja wejściowa	MAE	RMSE	MAPE (%)	R²
Architektura głębokiego uczenia	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
Konfiguracja wejściowa	Tylko pojemność	0.034	0.046	3.92	0.916
	Napięcie + prąd	0.029	0.039	3.29	0.936
	Pełne wejście wielokanałowe	0.024	0.033	2.83	0.955
	Wielokanałowe + cechy inżynieryjne	0.022	0.031	2.61	0.961

Tabela 3: Porównanie wydajności predykcyjnej dla różnych architektur DL i konfiguracji wejściowych.Tabela porównuje wydajność predykcyjną różnych architektur DL oraz konfiguracji wejściowych zastosowanych w powtarzalnym przepływie pracy wielokanałowej. Metryki wydajności obejmują średni błąd absolutny (MAE), pierwiastkowy średni błąd kwadratowy (RMSE), średni bezwzględny błąd procentowy (MAPE) oraz współczynnik determinacji (R²). Skróty: DNN = głęboka sieć neuronowa; CNN = splotowa sieć neuronowa; LSTM = długa krótkotrwała pamięć; MAE = średni błąd absolutny; RMSE = pierwiastkowy średni błąd kwadratowy; MAPE = średni bezwzględny błąd procentowy.

figure-results-2
Rycina 4. Porównanie architektur modeli i konfiguracji danych wejściowych w oparciu o powtarzalność. (A) Rozkłady błędu średniokwadratowego przed i po wyborze architektury w oparciu o powtarzalność. (B) Rozkłady błędu średniokwadratowego dla różnych konfiguracji danych wejściowych przed i po wyborze stabilnego modelu. (C) Porównanie średniej wydajności i odchylenia standardowego dla kandydujących architektur modeli, gdzie kolor oznacza błąd średniokwadratowy, a puste okręgi oznaczają wybrane stabilne modele. (D) Porównanie średniej wydajności i odchylenia standardowego dla konfiguracji danych wejściowych, gdzie kolor oznacza błąd średniokwadratowy, a puste okręgi oznaczają wybrane optymalne konfiguracje. Aby wyświetlić powiększoną wersję tej ryciny, kliknij tutaj.

Rozkład błędów i ocena spójności

Rozkłady błędów bezwzględnych przeanalizowano w celu oceny stabilności predykcji w odniesieniu do konwencjonalnych modeli bazowych ML oraz architektur DL. Tradycyjne modele bazowe ML wykazywały szersze rozkłady błędów i wydłużone ogony błędów wysokich, co wskazuje na zmniejszoną stabilność w zadaniach predykcji złożonych wzorców degradacji. Spośród ocenianych modeli DL, architektura CNN–LSTM wykazała porównawczo węższe rozkłady błędów i krótsze ogony błędów wysokich, co sugeruje lepszą integrację ekstrakcji cech lokalnych z modelowaniem sekwencji czasowych (Rysunek 5). Włączenie zmiennych związanych z temperaturą, rezystancją wewnętrzną i sprawnością wiązało się z sukcesywnym zmniejszaniem dyspersji błędu predykcji w analizowanych zbiorach danych.

figure-results-3
Rysunek 5. Rozkłady błędu bezwzględnego dla konwencjonalnych baz uczenia maszynowego (ML) i wielokanałowych modeli głębokiego uczenia (DL). Wykresy skrzypcowe porównujące rozkład bezwzględnych błędów predykcji dla konwencjonalnych baz ML, architektur DL oraz wielokanałowych konfiguracji wejściowych. Czarne linie oznaczają średni błąd bezwzględny, a kolorowe linie oznaczają średnią ± odchylenie standardowe. Aby wyświetlić powiększoną wersję tego rysunku, kliknij tutaj.

Powtarzalność i odporność w różnych scenariuszach walidacji

Przepływ pracy (workflow) wykazał spójną wydajność predykcyjną w powtórzonych cyklach szkolenia oraz przy zastosowaniu wielu strategii walidacji (Tabela 4). Powtórne uruchomienia przeprowadzone z wykorzystaniem stałych partycji danych i stałej inicjalizacji ziarna losowego (random-seed) pozwoliły uzyskać stabilne wskaźniki wydajności, przy czym wartości R² konsekwentnie pozostawały powyżej 0,95, a odchylenia standardowe MAE były niskie. Dodatkowa ocena z wykorzystaniem pięciokrotnej walidacji krzyżowej oraz zewnętrznych zbiorów walidacyjnych wykazała ograniczoną zmienność wydajności w powtórzonych warunkach eksperymentalnych. Faza walidacji zewnętrznej opierała się wyłącznie na zbiorze danych GOTION, który został całkowicie wykluczony z procedur szkolenia modelu i optymalizacji hiperparametrów. Ponieważ zbiór ten reprezentuje odmienną chemię LFP oraz konfigurację ogniw pryzmatycznych, zewnętrzna ocena zapewniła rygorystyczną weryfikację zdolności do generalizacji między zbiorami danych w heterogenicznych warunkach elektrochemicznych i strukturalnych. Ponadto analizy współczynnika zmienności oraz oceny powtórnych uruchomień wykazały niską dyspersję predykcyjną w niezależnych eksperymentach, co potwierdza solidność i powtarzalność proponowanego wielokanałowego przepływu pracy.

Ustawienia walidacji	Metryka wydajności	Średnia	SD	Minimum	Maksimum	Współczynnik zmienności (%)
Powtórzone uruchomienia ze stałym podziałem danych (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
Powtórzone uruchomienia z różnymi ziarnami losowości (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
Pięciokrotna walidacja krzyżowa	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
Walidacja zewnętrzna	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

Tabela 4: Analiza powtarzalności i odporności proponowanego wielokanałowego przepływu pracy DL w ramach wielokrotnych uruchomień treningowych i strategii walidacji.Tabela podsumowuje wydajność w zakresie powtarzalności i odporności proponowanego przepływu pracy podczas wielokrotnych uruchomień z ustalonymi partycjami danych, wielokrotnych uruchomień z różnymi ziarnami losowymi, pięciokrotnej walidacji krzyżowej oraz walidacji zewnętrznej. Metryki wydajności obejmują średni błąd bezwzględny (MAE), pierwiastkowy błąd średniokwadratowy (RMSE), średni bezwzględny błąd procentowy (MAPE), współczynnik determinacji (R²), odchylenie standardowe (SD) oraz współczynnik zmienności. Skróty: MAE = średni błąd bezwzględny; RMSE = pierwiastkowy błąd średniokwadratowy; MAPE = średni bezwzględny błąd procentowy; SD = odchylenie standardowe.

Wrażliwość hiperparametrów i ablacja cech

Analiza wrażliwości hiperparametrów wykazała, że wydajność predykcji różniła się w zależności od rozmiaru okna obserwacyjnego, funkcji aktywacji, rozmiaru wymiarów ukrytych oraz głębokości modelu sekwencyjnego. Wpływ rozmiaru okna obserwacyjnego na rozkłady błędów predykcji przedstawiono na Rysunku 6A. W badanych warunkach okna obserwacyjne od 100 do 200 cykli wiązały się z niższymi błędami predykcji, podczas gdy dłuższe okna obserwacyjne wykazywały malejące przyrosty dokładności predykcyjnej. Zmienność predykcji zależna od funkcji aktywacji została podsumowana na Rysunku 6B. Funkcje aktywacji ReLU (Rectified Linear Unit) oraz GELU (Gaussian Error Linear Unit) wykazały niższe błędy predykcji w porównaniu z alternatywnymi funkcjami aktywacji w badanych warunkach. Wrażliwość wydajności predykcji na rozmiar wymiarów ukrytych oraz głębokość modelu sekwencyjnego przedstawiono na Rysunku 6C. Wymiary ukryte równe 128 oraz dwie do trzech warstw modelowania sekwencyjnego wiązały się z poprawioną wydajnością predykcyjną, podczas gdy płytkie architektury i zredukowane wymiary ukryte wiązały się ze zwiększonym błędem predykcji. Analiza ablacji cech dodatkowo wykazała, że usunięcie cech wygenerowanych lub zmiennych związanych z wydajnością zwiększyło wartość MAE w stosunku do pełnej konfiguracji wielokanałowej (Tabela 5), co sugeruje, że połączenie wejść wielokanałowych i wygenerowanych cech elektrochemicznych przyczyniło się do poprawy wydajności predykcyjnej.

figure-results-4
Rysunek 6. Wrażliwość wydajności predykcji na zmienność hiperparametrów. (A) Wpływ rozmiaru okna wejściowego na rozkład błędów predykcji. (B) Wpływ wyboru funkcji aktywacji na rozkład błędów predykcji. (C) Mapa ciepła przedstawiająca wrażliwość predykcji na rozmiar wymiaru ukrytego oraz liczbę warstw modelu sekwencyjnego. Czarne linie oznaczają średni błąd bezwzględny, a kolorowe linie oznaczają średnią ± odchylenie standardowe, gdzie dotyczy. Aby wyświetlić większą wersję tego rysunku, kliknij tutaj.

Kategoria	Ustawienie	MAE	RMSE	MAPE (%)	R²
Rozmiar okna wejściowego	20 cykli	0.031	0.043	3.74	0.927
	50 cykli	0.026	0.036	3.08	0.944
	100 cykli	0.023	0.032	2.71	0.957
	150 cykli	0.022	0.031	2.63	0.96
	200 cykli	0.022	0.031	2.59	0.961
	250 cykli	0.023	0.032	2.67	0.958
	300 cykli	0.024	0.033	2.79	0.955
Funkcja aktywacji	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
	Sigmoid	0.034	0.047	3.96	0.918
Wymiar ukryty / liczba kanałów na warstwę	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
Liczba warstw modelowania sekwencji	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
Ablacja cech	Pełny wielokanałowy zestaw + cechy generowane	0.022	0.031	2.61	0.961
	Bez cech generowanych	0.024	0.033	2.84	0.955
	Bez temperatury	0.025	0.034	2.93	0.951
	Bez rezystancji wewnętrznej	0.026	0.035	3.01	0.949
	Bez zmiennych związanych z wydajnością	0.025	0.034	2.95	0.95
	Tylko napięcie + prąd	0.029	0.039	3.29	0.936
	Tylko pojemność	0.034	0.046	3.92	0.916

Tabela 5: Analiza wrażliwości wydajności modelu przy różnych ustawieniach hiperparametrów i konfiguracjach ablacji cech. Tabela podsumowuje wpływ rozmiaru okna wejściowego, funkcji aktywacji, rozmiaru wymiaru ukrytego, głębokości modelu sekwencyjnego oraz strategii ablacji cech na wydajność predykcji w ramach proponowanego wielokanałowego przepływu pracy DL. Metryki wydajności obejmują średni błąd bezwzględny (MAE), pierwiastkowy błąd średniokwadratowy (RMSE), średni procentowy błąd bezwzględny (MAPE) oraz współczynnik determinacji (R²). Skróty: MAE = średni błąd bezwzględny; RMSE = pierwiastkowy błąd średniokwadratowy; MAPE = średni procentowy błąd bezwzględny; ReLU = jednostka liniowa z prostowaniem; GELU = jednostka liniowa z błędem Gaussa.

Dyskusja

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

Opisany w niniejszym protokole powtarzalny przepływ pracy DL wykazał dokładną możliwość przewidywania wydajności akumulatorów litowo-jonowych przy użyciu wielokanałowych danych z cykli ładowania i rozładowania. W oceniających warunkach eksperymentalnych przepływ pracy osiągnął wartość MAE w zbiorze testowym na poziomie 0,024 oraz wartość R² równą 0,955 dla szacowania SOH, co potwierdza jego potencjalną użyteczność w zarządzaniu cyklem życia baterii oraz w zastosowaniach monitorowania magazynowania energii¹¹^,¹²^,¹³.

Główną zaletą niniejszego protokołu jest zmniejszenie złożoności obliczeniowej w porównaniu z tradycyjnymi elektrochemiczno-fizycznymi modelami PDE⁵. Chociaż podejścia oparte na fizyce dostarczają mechanistycznego wglądu w degradację baterii, często napotykają one trudności z identyfikacją parametrów w warunkach wysokiego prądu rozładowania i w wielokanałowych środowiskach operacyjnych. W przeciwieństwie do nich, niniejszy przepływ pracy oparty na danych modeluje nieliniowe zachowanie degradacji bezpośrednio z danych z cykli, bez konieczności jawnej parametryzacji fizycznej chemii ogniwa¹⁴. W ramach ocenianych zbiorów danych i ustawień doświadczalnych architektura CNN–LSTM wykazała lepszą wydajność prognostyczną w porównaniu z ocenianymi samodzielnymi modelami CNN, LSTM oraz modelami opartymi na transformerach. Niedawne badania wykazały skuteczność architektur transformerów w przewidywaniu degradacji z szacowaniem niepewności¹⁵, a także zdolność sieci CNN do przewidywania awarii baterii z zachowaniem prywatności przy użyciu heterogenicznych danych ładowania¹⁶. Jednakże w niniejszym przepływie pracy priorytetowo potraktowano architekturę CNN–LSTM, ponieważ zapewniła ona zrównoważone połączenie dokładności prognostycznej, wydajności obliczeniowej i stabilności uczenia w ocenianych warunkach laboratoryjnych. Warstwy splotowe ekstrahowały lokalne cechy morfologiczne z krzywych cyklicznych, podczas gdy warstwy LSTM modelowały długoterminowe zależności czasowe w powtarzających się wzorcach cykli¹⁷^,¹⁸. Mimo że architektura hybrydowa zwiększa złożoność modelu w porównaniu ze strukturami jednosieciowymi, wymagania obliczeniowe pozostały zgodne z praktycznymi scenariuszami wdrożenia systemów zarządzania bateriami w ocenianych warunkach doświadczalnych. Ponieważ większość kosztów obliczeniowych występuje podczas offline'owego uczenia modelu, faza inferencji pozostaje stosunkowo lekka, co potwierdza możliwość realizacji prognozowania w czasie rzeczywistym na pokładzie oraz monitorowania stanu baterii na poziomie krawędziowym (edge-level) bez ciągłej zależności od obliczeń w chmurze.

Skuteczność niniejszego protokołu w dużym stopniu zależy od kilku krytycznych kroków wstępnego przetwarzania i konfiguracji danych wejściowych. Po pierwsze, rygorystyczne procedury wyrównania sekwencji i ponownego próbkowania (Krok 2.2) są niezbędne dla zachowania relacji czasowych pomiędzy wielokanałowymi sygnałami cyklicznymi. Niewłaściwie wyrównane sekwencje wielokanałowe wiązały się z obniżoną stabilnością predykcyjną i zwiększonym błędem modelu podczas wstępnych ocen. Po drugie, zintegrowanie opracowanych cech elektrochemicznych, takich jak charakterystyki różnicy napięć, z surowymi sygnałami cyklicznymi przyczyniło się do poprawy wydajności predykcyjnej. Analiza ablacji cech wykazała niższe wartości średniego błędu absolutnego w przypadku zachowania cech opracowanych wraz ze zmiennymi temperatury i rezystancji wewnętrznej¹⁹. Ponadto połączenie opracowanych deskryptorów elektrochemicznych z wielokanałowymi cechami czasowymi poprawiło zdolność modelu do uchwycenia złożonych wzorców degradacji w różnych warunkach pracy²⁰^,²¹^,²². Krytycznym zabezpieczeniem metodologicznym wdrożonym w tej badaniu była ścisła izolacja czynników skalowania normalizacyjnego i baz linii inżynierii cech. Wszystkie statystyczne parametry normalizacji oraz obliczenia cech opracowanych zostały wyprowadzone wyłącznie z zestawu treningowego przed zastosowaniem ich do zestawów walidacyjnych i testowych. Procedura ta zredukowała ryzyko wycieku informacji podczas prognozowania wczesnych cykli oraz ewaluacji międzyzbiorowej, co tym samym poprawiło niezawodność i powtarzalność przepływu pracy predykcyjnej.

Podczas wykonywania lub modyfikowania niniejszego protokołu, w trakcie optymalizacji sieci CNN–LSTM mogą wystąpić problemy z niestabilnością treningu lub kwestie związane z gradientem. Funkcje straty, które nie zbiegają się lub generują wartości NaN, mogą wskazywać na eksplozję gradientu w warstwach rekurentnego modelowania sekwencji. W takich sytuacjach zastosowanie przycinania gradientu (gradient clipping), zmniejszenie początkowej prędkości uczenia z 1 × 10⁻³ do 1 × 10⁻⁴ lub umiarkowane zwiększenie rozmiaru partii (batch size) może poprawić stabilność treningu poprzez wygładzenie aktualizacji gradientu. Ponadto funkcje aktywacji ReLU i GELU wiązały się z lepszą propagacją gradientu w porównaniu do funkcji aktywacji sigmoidalnej lub tangens hiperboliczny podczas głębokiego modelowania sekwencji czasowych. Przedstawione w niniejszym badaniu analizy wrażliwości hiperparametrów mogą zatem pomóc badaczom w optymalizacji stabilności przepływu pracy i wydajności predykcyjnej w różnych warunkach treningowych²³.

Pomimo osiągniętej wydajności predykcyjnej w ocenianych warunkach, protokół ten posiada kilka ograniczeń. Obecny schemat pracy został zwalidowany głównie z wykorzystaniem zestawów danych cyklicznych o stałym prądzie/napięciu w kontrolowanych warunkach laboratoryjnych. W praktycznych zastosowaniach w pojazdach elektrycznych baterie są narażone na stochastyczne zachowanie procesu ładowania i rozładowania, zmienne wzorce użytkowania oraz fluktuacje warunków środowiskowych, które mogą zmienić charakterystykę degradacji. W tak dynamicznych warunkach pracy modele baterii oparte na danych mogą napotkać scenariusze poza rozkładem (out-of-distribution), w których wcześniej nieobserwowane trajektorie degradacji lub warunki środowiskowe zmniejszają niezawodność predykcji. Aby zwiększyć odporność w praktycznych środowiskach wdrożeniowych, przyszłe implementacje tego schematu mogą zawierać strategie kwantyfikacji niepewności, takie jak ewidencyjne głębokie uczenie (DL) lub frameworki regresji kwantylowej, aby dostarczać skalibrowane granice ufności wraz z predykcjami stanu baterii. Ponadto podejścia do adaptacji dziedzinowej i uczenia transferowego mogą pomóc w zniwelowaniu różnic w rozkładzie między trajektoriami degradacji generowanymi w laboratorium a rzeczywistym zachowaniem podczas cyklowania²⁴. Strategie uczenia federacyjnego lub dynamicznie ważonego uczenia transferowego mogą dodatkowo wspierać wstępne trenowanie modelu przy użyciu dużych zestawów danych laboratoryjnych, a następnie dostrajanie go za pomocą ograniczonych rzeczywistych danych operacyjnych, przy jednoczesnym zachowaniu prywatności danych użytkownika²⁵. Chociaż obecny framework wykazał stabilną wydajność predykcyjną w kontrolowanych warunkach laboratoryjnych, praktyczne systemy BMS w pojazdach elektrycznych muszą pracować w warunkach wysoce dynamicznych profili obciążenia i fluktuujących temperatur otoczenia. Przyszłe adaptacje tego schematu mogą zatem odnieść korzyść z włączenia realistycznych danych z cykli jazdy oraz strategii aktualizacji modelu w czasie rzeczywistym (online), aby poprawić niezawodność predykcji podczas rzeczywistego wdrożenia.

Dzięki standaryzacji procedur partycjonowania danych, wstępnego przetwarzania, ekstrakcji cech oraz inicjalizacji ziarna losowego, niniejszy protokół zwiększa odtwarzalność w zastosowanych przepływach pracy ML dla akumulatorów²⁶. Przedstawiona tutaj wielokanałowa strategia integracji cech oraz zorientowana na odtwarzalność struktura treningowa mogą wspierać przyszły rozwój predykcyjnych systemów BMS dla magazynowania energii odnawialnej, monitorowania pojazdów elektrycznych i długoterminowej oceny cyklu życia akumulatorów.

Oświadczenia

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

Autorzy oświadczają, że nie stwierdzono żadnych konkurencyjnych interesów finansowych ani konfliktów interesów.

Podziękowania

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

Autorzy wyrażają wdzięczność za wsparcie instytucjonalne zapewnione przez Wydział Fizyki Southern University of Science and Technology oraz Homerton College na Uniwersytecie w Cambridge, które udostępniły środowisko akademickie i zasoby obliczeniowe niezbędne do przeprowadzenia tych badań. Autorzy dziękują również instytucjom badawczym i współpracownikom, którzy udostępnili publicznie otwarte zbiory danych dotyczące baterii litowo-jonowych, w tym CALCE, SANYO, PANASONIC, KOKAM oraz GOTION, co umożliwiło przeprowadzenie tej kompleksowej analizy wielokanałowej.

Materiały

Lista materiałów użytych w tym artykule
Nazwa	Firma	Numer katalogowy	Komentarze
zbiór danych baterii CALCE	Center for Advanced Life Cycle Engineering (CALCE), University of Maryland	https://calce.umd.edu/battery-data	Źródło wielokanałowych danych z cykli pracy baterii litowo-jonowych do trenowania i walidacji modelu
CUDA Toolkit	NVIDIA	Wersja 11.8	Akceleracja GPU dla trenowania modeli DL
zbiór danych GOTION IFP20100140A	Mendeley Data	https://doi.org/10.17632/vpw4t7ytbx.2	Zewnętrzna walidacja i wielokanałowa analiza degradacji baterii
zbiór danych KOKAM SLPB533459H4	Mendeley Data	https://doi.org/10.17632/7w4y4fzzbb.1	Wielokanałowe modelowanie i walidacja degradacji baterii
Matplotlib	Matplotlib Development Team	Wersja 3.7.1	Wizualizacja wydajności modelu, analiza wrażliwości i wyniki reprodukowalności
NumPy	NumPy Developers	Wersja 1.24.3	Obliczenia numeryczne i konstrukcja tensorów
zbiór danych PANASONIC NCR18650BD	Mendeley Data	https://doi.org/10.17632/wykht8y7tg.1	Źródło wielokanałowych danych z cykli pracy i ekstrakcja cech inżynieryjnych
Pandas	Pandas Developers	Wersja 2.0.3	Organizacja danych, przetwarzanie wstępne i zarządzanie danymi tabelarycznymi
PyTorch	PyTorch Foundation	Wersja 2.0.1	Konstrukcja i trenowanie architektur głębokiego uczenia, w tym modelu CNN–LSTM
Python	Python Software Foundation	Wersja 3.10.12	Przetwarzanie wstępne danych, inżynieria cech, trenowanie i ewaluacja modelu
zbiór danych SANYO UR18650E	NASA Prognostics Data Repository	https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/	Źródło wielokanałowych danych z cykli pracy do oceny reprodukowalności i walidacji modelu
Scikit-learn	Scikit-learn Developers	Wersja 1.2.2	Implementacja modelu bazowego, partycjonowanie zbioru danych i obliczanie metryk wydajności

Bibliografia

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

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.
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.
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.
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.
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.
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.
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.
Hu J, et al. Early prediction of lithium-ion battery degradation with a generative pre-trained transformer. Nat Commun. 2026;17:126.
Li Y, et al. Accurate and adaptive state of health estimation for lithium-ion battery based on patch learning framework. Measurement. 2025;250:117083.
Geng M, et al. Interpretable deep learning with uncertainty quantification for lithium-ion battery SOH estimation. Energy. 2025;335:138027.
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.
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.
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.
Severson KA, et al. Data-driven prediction of battery cycle life before capacity degradation. Nat Energy. 2019;4(5):383–91.
Wu R, et al. Confidence-aware quantile Transformer for reliable degradation prediction of battery energy storage systems. Reliab Eng Syst Saf. 2025;260:111019.
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.
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.
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.
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.
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.
Bao X, et al. Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries. Energy. 2023;278:127734.
He N, et al. Early prediction of battery lifetime based on graphical features and convolutional neural networks. Appl Energy. 2024;353:122048.
Rieger LH, et al. Uncertainty-aware and explainable machine learning for early prediction of battery degradation trajectory. Digit Discov. 2023;2(1):112–22.
Li H, et al. A cross-material lithium-ion battery state of health estimation method based on three-stage domain adaptation. Energy. 2025;139376.
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.
Rhyu J, et al. Systematic feature design for cycle life prediction of lithium-ion batteries during formation. Joule. 2025;9(5):101884.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Przewidywanie wydajno ci akumulator w modele sieci neuronowych in ynieria cech stan zdrowia pozosta y okres eksploatacji zarz dzanie cyklem ycia akumulator w modelowanie predykcyjne

odtwarzalny przepływ pracy głębokiego uczenia do przewidywania wydajności baterii litowo-jonowych przy użyciu wielokanałowych danych z cykli ładowania i rozładowania

W tym artykule

Podsumowanie

Streszczenie

Wprowadzenie

Protokół

Wyniki

Dyskusja

Oświadczenia

Podziękowania

Materiały

Bibliografia

Przedruki i uprawnienia

Tagi

Powiązane artykuły