Методическая статья

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

DOI:

10.3791/71903

⸱

14 августа 2026 г.

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

В этой статье

Краткое содержание

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

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

Аннотация

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

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

Введение

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

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

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

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

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

Протокол

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

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

1. Сбор и организация данных

  1.  Сбор многоканальных наборов данных циклирования
    1. Загрузите наборы данных циклирования литий-ионных аккумуляторов из общедоступных репозиториев батарей, содержащих записи циклов заряда-разряда. Получите наборы данных CALCE, SANYO, PANASONIC, KOKAM и GOTION непосредственно из соответствующих институциональных репозиториев открытого доступа или по ссылкам на идентификаторы цифровых объектов (DOI) для обеспечения согласованности версий наборов данных.
    2. Выберите образцы аккумуляторов, содержащие полные данные о количестве циклов, измерениях емкости и как минимум одну непрерывную кривую заряда-разряда. Проверьте непрерывность, убедившись, что в пределах одного цикла нет перерывов более двух часов и что полностью зафиксированы фазы как постоянного тока, так и постоянного напряжения.
  2. Фильтрация необработанных записей циклирования
    1. Отфильтруйте необработанные записи циклирования, чтобы оставить образцы, содержащие измерения температуры, внутреннего сопротивления, кулоновской эффективности и энергоэффективности. Исключите из рабочего процесса анализа аккумуляторные ячейки, в которых отсутствуют эти обязательные каналы состояния, поскольку последующее многоканальное слияние признаков требует полного набора физических входных переменных.
    2. Удалите циклы, содержащие неполные записи, несогласованные метки времени, неопределенные процедуры тестирования или неясные условия прекращения заряда-разряда. Определите аномальными те циклы, в которых наблюдаются внезапные падения емкости более 5% между соседними циклами, измерения напряжения за пределами рабочего диапазона для данной химической системы или немонотонные интервалы меток времени.
  3. Создание временной базы данных аккумуляторов
    1. Организуйте сохраненные записи циклирования в хронологическом порядке для создания базы данных временных рядов на уровне аккумулятора.
    2. Сохраните обработанные наборы данных, используя формат HDF5 (Hierarchical Data Format version 5). Поддерживайте стандартизированную структуру каталогов, организованную по источнику набора данных, химической системе и индивидуальному идентификатору ячейки аккумулятора.
    3. Присвойте уникальные идентификаторы отдельным ячейкам аккумуляторов перед разделением набора данных. Реализуйте группировку на основе идентификатора ячейки аккумулятора при разделении на обучающую и тестовую выборки, чтобы все последовательные циклы одной физической батареи оставались исключительно в одном подмножестве данных.
      ​ПРИМЕЧАНИЕ: Сохраняйте оригинальные необработанные наборы данных отдельно до проведения предварительной обработки, нормализации, ресэмплинга или проектирования признаков.
  4. Определение окон наблюдения
    1. Сформируйте многоканальные окна наблюдения, используя первые 50 циклов, первые 100 циклов и первые 20% от общего жизненного цикла аккумулятора. Рассчитайте порог в 20% жизненного цикла, умножив общее количество циклов до деградации емкости (окончания срока службы) на 0,2.
    2. Сопоставьте измерения напряжения, тока, емкости, температуры, внутреннего сопротивления и эффективности внутри каждого окна наблюдения перед построением тензора.
    3. Оформите окончательную входную структуру в виде трехмерного тензора, состоящего из длины окна наблюдения, 128 стандартизированных точек внутрицикловой выборки и упорядоченного многоканального набора признаков.

2. Предобработка данных и конструирование признаков

  1. Предварительная обработка необработанных данных циклического тестирования
    1. Выполните единообразную предварительную обработку необработанных наборов данных циклического тестирования для стандартизации качества данных из всех источников аккумуляторов. Все процедуры предварительной обработки, синхронизации и стандартизации выполняйте с использованием Python 3.10 с библиотекой Pandas для манипулирования временными рядами и SciPy для численной интерполяции.
    2. Удалите выбросы, определите пропущенные значения, откалибруйте временные метки, идентифицируйте фазы заряда-разряда и нормализуйте частоту дискретизации перед последующим анализом. Для обнаружения аномалий примените модифицированный метод пороговой обработки Z-оценки с критерием отклонения более 3.0.
    3. Автоматически определите пропущенные значения с помощью идентификации флага NaN во всех числовых массивах. Дифференцируйте фазы заряда и разряда в соответствии с полярностью тока, присваивая положительные значения тока циклам заряда, а отрицательные — циклам разряда.
    4. Восстановите пропущенные сегменты сигнала с помощью кусочно-кубических интерполяционных многочленов Эрмита для сохранения электрохимической временной динамики при выравнивании переходов между фазами.
  2. Передискретизация кривых циклического тестирования
    1. Выполните передискретизацию кривых циклического тестирования при обнаружении вариаций плотности дискретизации или дрейфа сигнала в наборах данных. Запускайте автоматическую передискретизацию всякий раз, когда интервал между последовательными измерениями отклоняется более чем на 10% относительно медианной частоты дискретизации соответствующей фазы цикла.
    2. Стандартизируйте количество точек дискретизации в каждом цикле, чтобы уменьшить вариативность записи, специфичную для конкретной платформы. Сопоставьте все временные последовательности с фиксированной пространственной сеткой с помощью одномерной линейной интерполяции.
    3. Сжав или растянув каждый профиль заряда-разряда ровно до 128 равноудаленных точек дискретизации перед построением тензора.
  3. Нормализация непрерывных переменных
    1. Нормализуйте все непрерывные переменные перед обучением модели для стабилизации сходимости сети и уменьшения смещения, связанного с масштабом. Примените Min-Max масштабирование, чтобы преобразовать все непрерывные переменные в числовой диапазон от 0 до 1.
    2. Вычисляйте все параметры нормализации исключительно на основе обучающего набора данных. Примените фиксированные параметры масштабирования к валидационному и тестовому наборам данных, чтобы снизить риск предсказательной утечки временных данных при прогнозировании ранних циклов.
  4. Построение многоканальных входных тензоров
    1. Разделите непрерывные записи циклического тестирования для каждого аккумулятора на временные сегменты фиксированной длины. Сформируйте временные сегменты в соответствии с заранее определенными окнами наблюдения, соответствующими первым 50 циклам, первым 100 циклам или первым 20% жизненного цикла аккумулятора.
    2. Выровняйте измерения напряжения, тока, емкости, температуры, внутреннего сопротивления и эффективности внутри каждого временного сегмента перед построением тензора.
    3. Объедините выровненные матрицы признаков в трехмерный тензор в формате (N × 128 × C), где N представляет длину окна наблюдения, 128 обозначает стандартизированные точки дискретизации внутри цикла, а C представляет общее количество каналов физических и расчетных признаков.
  5. Извлечение расчетных признаков
    1. Извлеките расчетные электрохимические признаки из необработанных сигналов циклического тестирования для улучшения идентификации паттернов деградации. Рассчитайте признаки инкрементной емкости и дифференциального напряжения, вычисляя dQ/dV и dV/dQ по стандартизированной сетке дискретизации.
    2. Примените фильтрацию Савицкого-Голея для получения сглаженных кривых инкрементной емкости и дифференциального напряжения.
    3. Извлеките индикаторы деградации, включая сдвиги пикового напряжения, разности напряжений фазовых переходов и вариации энергоемкости от цикла к циклу, из отфильтрованных электрохимических признаков.

3. Построение и обучение модели глубокого обучения

  1. Построение моделей-кандидатов для прогнозирования
    1. Создайте стандартизированную структуру обучения и оценки для всех моделей прогнозирования, показанных на рисунке 1A. Реализуйте рабочий процесс глубокого обучения (DL) с использованием PyTorch версии 2.0 или выше.
    2. Выполните рабочий процесс обучения с использованием модульных скриптов Python для загрузки данных, инициализации модели, оптимизации и оценки.
    3. Подготовьте традиционные базовые модели машинного обучения (ML), включая линейную регрессию, случайный лес и модели деревьев решений с градиентным бустингом. Настройте модель случайного леса, используя 100 деревьев и максимальную глубину 10.
    4. Настройте структуру деревьев решений с градиентным бустингом с помощью библиотеки Scikit-learn, установив скорость обучения 0,1 и максимальную глубину дерева 5.
    5. Подготовьте архитектуры-кандидаты DL, включая многослойный перцептрон, одномерную CNN, сеть LSTM, CNN–LSTM и модели на базе трансформеров.
    6. Стандартизируйте основные гиперпараметры для всех архитектур DL, применив оптимизатор AdamW, функции активации GELU (Gaussian error linear unit), скрытую размерность 128 и коэффициент дропаута 0,2.
  2. Конфигурация архитектуры CNN–LSTM
    1. Настройте архитектуру CNN–LSTM для объединения многоканальной информации о циклах из входных тензоров (рисунок 1B). Создайте гибридную архитектуру, каскадируя сверточный экстрактор признаков в два стековых рекуррентных слоя, содержащих по 128 скрытых блоков каждый.
    2. Завершите архитектуру тремя параллельными полносвязными регрессионными головками для одновременного прогнозирования SOH, RUL и разряжаемой энергии.
    3. Обработайте многоканальные входные тензоры через три последовательных одномерных сверточных слоя с размерами ядер 3, 5 и 7 для извлечения многомасштабных локализованных признаков.
    4. Применяйте пакетную нормализацию (batch normalization) после каждого сверточного слоя для повышения стабильности градиента во время оптимизации.
    5. Преобразуйте сверточные карты признаков в непрерывные временные последовательности перед моделированием последовательностей.
    6. Подавайте закодированные временные последовательности в стековые рекуррентные слои для захвата долгосрочных зависимостей деградации в пределах заданных окон наблюдения.
  3. Разделение наборов данных для обучения моделей
    1. Разделите обработанные наборы данных по аккумуляторным ячейкам на обучающую, валидационную и тестовую выборки в соотношении 70:15:15. Выполните разделение набора данных, используя фиксированное значение случайного зерна (seed) 42.
    2. Примените стратифицированную выборку на основе химии аккумулятора для поддержания сбалансированного распределения деградации во всех подмножествах данных.
    3. Выполняйте разделение наборов данных строго на уровне аккумуляторных ячеек, а не путем рандомизации отдельных циклов, чтобы сохранить последовательные траектории деградации.
    4. Рассматривайте каждую аккумуляторную ячейку как неделимую единицу при разделении, чтобы предотвратить утечку информации между наборами данных.
    5. Проверьте изоляцию наборов данных программным способом, вычислив пересечение идентификаторов аккумуляторных ячеек в обучающей, валидационной и тестовой выборках и подтвердив отсутствие перекрытий.
    6. Скомпилируйте внешний тестовый набор данных, используя полный набор данных литий-железо-фосфатных (LFP) аккумуляторов GOTION, для оценки внераспределительной способности и анализа обобщающей способности между наборами данных.
    7. Разместите исходный код, файлы конфигурации среды и разделенные обработанные наборы данных в открытом доступе через специальный репозиторий GitHub для обеспечения методологической прозрачности и воспроизводимости.
  4. Инициализация обучения модели
    1. Перед началом обучения установите функцию потерь регрессии в виде среднеквадратичной ошибки. Вычислите общую целевую функцию обучения путем агрегирования значений потерь для каждого целевого прогноза с использованием равных весов.
    2. Установите начальную скорость обучения 1 × 10−3 и выберите размер пакета (batch size) 32 или 64 в зависимости от размера набора данных.
    3. Используйте размер пакета 64 для наборов данных, содержащих более 5 000 циклов, для повышения эффективности использования оборудования. Используйте размер пакета 32 для меньших наборов данных для повышения стабильности оптимизации.
      ПРИМЕЧАНИЕ: Выберите эти гиперпараметры с помощью предварительной оценки методом перебора по сетке (grid-search), чтобы сбалансировать скорость сходимости и стабильность градиента для различных окон наблюдения.
  5. Применение средств контроля обучения
    1. Примените динамический планировщик скорости обучения на основе изменений потерь на валидации. Снизьте скорость обучения в 0,5 раза, если потери на валидации не улучшаются в течение 5 последовательных эпох.
    2. Поддерживайте минимальный порог скорости обучения 1 × 10−5 в процессе оптимизации.
    3. Остановите обучение модели после максимум 100 эпох для уменьшения переобучения.
    4. Примените раннюю остановку, если потери на валидации не снижаются в течение 15 последовательных эпох. Восстановите веса модели, соответствующие лучшей итерации валидации.
  6. Ведение записей для воспроизводимости
    1. Установите фиксированное значение случайного зерна 42 перед инициализацией и обучением модели.
    2. Последовательно применяйте фиксированное случайное зерно в модуле random Python, NumPy и бэкенде PyTorch, отключив недетерминированные операции CUDA.
    3. Регистрируйте программную среду, версии зависимостей, настройки параметров, разделы данных и результаты обучения для каждого экспериментального прогона.
    4. Выполняйте все рабочие процессы DL в Ubuntu 22.04 с ускорением CUDA 11.8 на рабочей станции, оснащенной графическим процессором NVIDIA RTX 3090 или эквивалентным оборудованием.

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

4. Оценка модели и прогнозирование мишеней

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

5. Анализ воспроизводимости, робастности и чувствительности

  1. Проверка воспроизводимости и робастности
    1. Сохраняйте идентичные разделения данных, рабочие процессы предобработки и экспериментальные процедуры для всех оценок воспроизводимости, представленных на Рисунке 2A.
    2. Вычислите коэффициент вариации для основных метрик оценки по результатам повторных испытаний, чтобы оценить согласованность воспроизводимости.
    3. Повторите все процедуры оценки, используя один и тот же стандартизированный рабочий процесс обучения и тестирования.
    4. Инициализируйте каждую повторную оценку с использованием рандомизированных весов сети, сохраняя при этом те же детерминированные процедуры загрузки и перемешивания данных.
  2. Проведение повторных экспериментов по обучению
    1. Обучайте модели прогнозирования повторно при идентичных экспериментальных условиях, используя предопределенные фиксированные значения random-seed для обеспечения воспроизводимой инициализации весов.
    2. Выполните пять независимых циклов обучения, используя идентичные разделения наборов данных, чтобы снизить вариативность, обусловленную данными.
    3. Рассчитайте итоговые показатели эффективности, усреднив метрики оценки, полученные в результате пяти повторных циклов обучения.
    4. Агрегируйте итоговые метрики робастности, используя усредненные оценки, а не объединяя необработанные тензоры прогнозов.
  3. Оценка чувствительности гиперпараметров
    1. В ходе анализа чувствительности по отдельности изменяйте скорость обучения, размер пакета (batch size), размерность скрытого слоя и коэффициент дропаута.
    2. Оцените скорость обучения в диапазоне от 1 × 10−4 до 1 × 10−2, размер пакета от 32 до 128, размерность скрытых слоев от 32 до 256 и коэффициент дропаута от 0,1 до 0,5.
    3. Фиксируйте соответствующие изменения точности прогнозирования после каждой корректировки гиперпараметров.
    4. Количественно определите вариацию прогностической способности с помощью RMSE и R2.
  4. Проведение анализа абляции признаков
    1. Исключите выбранные входные каналы, включая температуру, внутреннее сопротивление и векторы сконструированных признаков, из многоканального входного потока.
    2. Проведите абляцию признаков, используя стратегию исключения одного признака (leave-one-out), удаляя по одной группе признаков за раз при сохранении оставшейся структуры многоканального входа.
    3. Сравните полученную прогностическую способность после каждого эксперимента по удалению признаков, чтобы оценить вклад отдельных групп признаков в стабильность и точность модели.
    4. Количественно определите относительный вклад каждой группы признаков, рассчитав процентное увеличение средней абсолютной ошибки относительно базовой модели с полностью интегрированным многоканальным входом. См. Рисунок 2B для ознакомления с рабочим процессом оценки робастности и анализа чувствительности.

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

Результаты

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

Многоканальные циклические сигналы и распределение данных

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

ID набора данныхТип / модель аккумулятораХимияФорм-факторКол-во ячеекОбщее число проанализированных цикловИспользованные интервалы начальных цикловТочки дискретизации за циклОсновные каналы циклированияДополнительные каналы состоянияПроизводные признакиЦелевые показатели прогнозирования
Набор данных #1Аккумулятор CALCE LCOLCOPouch (пакетный)384 216Первые 50, первые 100, первые 20% срока службы128Напряжение, ток, время, емкостьТемпература, внутреннее сопротивлениеdQ/dV, dV/dQ, длительность заряда, энергия разрядаSOH, RUL, разряжаемая энергия
Набор данных #2SANYO UR18650ENCAЦилиндрический 18650242 487Первые 50, первые 100, первые 20% срока службы128Напряжение, ток, время, емкостьТемпература, кулоновская эффективностьdQ/dV, наклон плато напряжения, энергоэффективностьSOH, RUL, разряжаемая энергия
Набор данных #3PANASONIC NCR18650BDNCAЦилиндрический 18650425 134Первые 50, первые 100, первые 20% срока службы128Напряжение, ток, время, емкостьТемпература, внутреннее сопротивление, кулоновская эффективностьdQ/dV, dV/dQ, длительность заряда, энергопропускная способностьSOH, RUL, разряжаемая энергия
Набор данных #4KOKAM SLPB533459H4NMCPouch (пакетный)191 968Первые 50, первые 100, первые 20% срока службы128Напряжение, ток, время, емкостьТемпература, внутреннее сопротивлениеdQ/dV, длительность разряда, наклон напряженияSOH, RUL, разряжаемая энергия
Набор данных #5GOTION IFP20100140ALFPПризматический576 482Первые 50, первые 100, первые 20% срока службы128Напряжение, ток, время, емкостьТемпература, внутреннее сопротивление, энергоэффективностьdQ/dV, длительность плато, энергия заряда/разрядаSOH, RUL, разряжаемая энергия

Таблица 1: Характеристики наборов данных литий-ионных аккумуляторов, многоканальных переменных циклов, созданных признаков и целевых переменных прогнозирования, используемых в воспроизводимом рабочем процессе глубокого обучения (DL).В таблице представлены сводные данные по наборам данных литий-ионных аккумуляторов, включенных в данное исследование, в том числе химия аккумуляторов, формат ячеек, количество ячеек, общее число проанализированных циклов, окна наблюдения, плотность выборки, многоканальные переменные циклов, созданные электрохимические признаки и целевые переменные прогнозирования, используемые для разработки и оценки модели. Сокращения: SOH = состояние здоровья (state of health); RUL = остаточный ресурс (remaining useful life); LCO = оксид лития-кобальта; NCA = оксид никеля-кобальта-алюминия; NMC = оксид никеля-марганца-кобальта; LFP = литий-железо-фосфат.

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

Общие показатели прогностической эффективности для хранения энергии

Предложенный рабочий процесс продемонстрировал низкие ошибки прогнозирования и стабильную прогностическую эффективность во всех задачах оценки (Таблица 2). При оценке SOH модель достигла MAE 0.021 на валидационном наборе данных и 0.024 на тестовом наборе данных, при соответствующих значениях R2 0.962 и 0.955. Эти результаты указывают на стабильную прогностическую эффективность при непрерывной оценке состояния аккумулятора в исследуемых условиях. Рабочий процесс также продемонстрировал надежную прогностическую способность при оценке RUL и разряжаемой энергии, достигнув значений R2 на тестовом наборе данных 0.927 и 0.941 соответственно. Для дальнейшей оценки стабильности прогнозирования все показатели эффективности были рассчитаны для пяти независимых инициализаций модели с использованием идентичных разделений набора данных. Полученные значения стандартных отклонений и коэффициентов вариации оставались низкими при повторных оценках, что указывает на ограниченную чувствительность к стохастической инициализации и стабильное прогностическое поведение при повторяющихся условиях обучения. Кроме того, 95% доверительные интервалы продемонстрировали узкую вариабельность в повторных запусках, что подтверждает робастность и воспроизводимость предложенного многоканального рабочего процесса.

Задача прогнозированияРазделение данныхMAERMSEMAPE (%)R²
Оценка SOHВалидационная выборка0.0210.0292.470.962
Оценка SOHТестовая выборка0.0240.0332.830.955
Прогноз RULВалидационная выборка18.625.98.740.938
Прогноз RULТестовая выборка21.429.79.630.927
Прогноз разряжаемой энергииВалидационная выборка0.0870.1213.180.948
Прогноз разряжаемой энергииТестовая выборка0.0940.1293.560.941

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

Сравнение производительности различных архитектур глубокого обучения (DL)

Оценка различных архитектур сетей и конфигураций входных данных выявила существенные различия в прогностической эффективности (Таблица 3). Распределения RMSE до и после выбора архитектуры на основе воспроизводимости показаны на Рисунке 4A. Архитектура глубокой нейронной сети показала сравнительно более высокие значения MAE и RMSE по отношению к архитектурам на основе последовательностей и гибридным архитектурам. Сравнение различных многоканальных конфигураций входных данных обобщено на Рисунке 4B. Модели, объединяющие извлечение локальных признаков и временное моделирование между циклами, продемонстрировали повышенную точность прогнозирования в исследуемых условиях. Модели с меньшей вариативностью прогнозов, как правило, группировались при более высоких показателях средней эффективности с меньшими стандартными отклонениями (Рисунок 4C). Зависимость между средней эффективностью и стандартным отклонением для исследуемых конфигураций входных данных представлена на Рисунке 4D. Среди протестированных конфигураций архитектура CNN–LSTM достигла самого низкого значения MAE (0,024) и самого высокого значения R2 (0,955) в рамках оцениваемых наборов данных и экспериментальных условий. Кроме того, интеграция синтезированных признаков с полными многоканальными входными данными снизила MAE до 0,022 при значении R2 0,961, тогда как входные данные, содержащие только показатели емкости, продемонстрировали более низкую прогностическую эффективность.

КатегорияКонфигурация модели / входных данныхMAE (средняя абсолютная ошибка)СКО (среднеквадратическая ошибка)MAPE (%)R²
Архитектура глубокого обученияГлубокая нейронная сеть0.0310.0423.580.928
Сверточная нейронная сеть0.0270.0373.140.941
LSTM (долгая краткосрочная память)0.0260.0363.050.944
CNN–LSTM0.0240.0332.810.955
Трансформер0.0250.0342.890.951
Конфигурация вводаТолько емкость0.0340.0463.920.916
Напряжение и ток0.0290.0393.290.936
Полный многоканальный вход0.0240.0332.830.955
Многоканальные и сконструированные признаки0.0220.0312.610.961

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

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

Оценка распределения ошибок и согласованности

Для оценки стабильности прогнозирования в традиционных базовых моделях машинного обучения (ML) и архитектурах глубокого обучения (DL) был проведен анализ распределений абсолютных ошибок. Традиционные базовые модели ML продемонстрировали более широкие распределения ошибок и протяженные «хвосты» высоких ошибок, что указывает на снижение стабильности при решении сложных задач по прогнозированию паттернов деградации. Среди оцениваемых моделей DL архитектура CNN–LSTM показала сравнительно более узкие распределения ошибок и более короткие «хвосты» высоких ошибок, что свидетельствует об улучшенной интеграции извлечения локальных признаков и моделирования временных последовательностей (Рисунок 5). Включение переменных температуры, внутреннего сопротивления и показателей эффективности было связано с постепенным снижением дисперсии ошибки прогнозирования во всех оцениваемых наборах данных.

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

Воспроизводимость и устойчивость в различных сценариях валидации

Рабочий процесс обеспечивал стабильную прогностическую эффективность при повторных циклах обучения и использовании нескольких стратегий валидации (Таблица 4). Повторные запуски с использованием фиксированных разделений данных и фиксированной инициализации случайного числа (random-seed) привели к стабильным показателям эффективности: значения R2 неизменно оставались выше 0,95, а стандартные отклонения MAE были низкими. Дополнительная оценка с помощью пятикратной перекрестной проверки и внешних валидационных наборов данных продемонстрировала ограниченную вариативность эффективности при повторении экспериментальных условий. На этапе внешней валидации использовался исключительно набор данных GOTION, который был полностью исключен из процедур обучения модели и оптимизации гиперпараметров. Поскольку данный набор данных представляет собой отличную химию LFP и конфигурацию призматических ячеек, внешняя оценка позволила провести строгий анализ способности модели к обобщению между наборами данных в гетерогенных электрохимических и структурных условиях. Кроме того, анализ коэффициента вариации и оценка повторных запусков показали низкую дисперсию прогнозов в независимых экспериментах, что подтверждает надежность и воспроизводимость предложенного многоканального рабочего процесса.

Условия валидацииМетрика эффективностиСреднееSDМинимумМаксимумКоэффициент вариации (%)
Повторные запуски с фиксированным разделением данных (n = 5)MAE0.0230.00210.0210.0269.13
RMSE0.0320.00280.0290.0368.75
MAPE (%)2.760.242.483.118.7
R²0.9570.0060.9490.9640.63
Повторные запуски с разными случайными значениями seed (n = 5)MAE0.0240.00240.0210.02710
RMSE0.0330.00310.0290.0379.39
MAPE (%)2.840.272.523.199.51
R²0.9540.0070.9460.9620.73
Пятикратная перекрестная проверкаMAE0.0250.0030.0220.02912
RMSE0.0340.00340.030.03910
MAPE (%)2.950.312.573.4110.51
R²0.9510.0090.940.9610.95
Внешняя валидацияMAE0.0270.00320.0230.03111.85
RMSE0.0370.00380.0320.04210.27
MAPE (%)3.180.352.763.6711.01
R²0.9440.0110.9310.9561.17

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

Чувствительность к гиперпараметрам и абляция признаков

Анализ чувствительности гиперпараметров показал, что эффективность прогнозирования варьировалась в зависимости от размеров окна наблюдения, функций активации, размеров скрытого слоя и глубины модели последовательностей. Влияние размера окна наблюдения на распределение ошибок прогнозирования показано на рисунке 6A. В исследованных условиях окна наблюдения от 100 до 200 циклов были связаны с более низкими ошибками прогнозирования, тогда как при использовании более длинных окон наблюдения наблюдалось снижение темпов улучшения точности прогноза. Вариабельность прогнозирования в зависимости от функции активации обобщена на рисунке 6B. Функции активации ReLU (Rectified Linear Unit) и GELU (Gaussian Error Linear Unit) продемонстрировали более низкие ошибки прогнозирования по сравнению с альтернативными функциями активации в исследованных условиях. Чувствительность эффективности прогнозирования к размеру скрытого слоя и глубине модели последовательностей показана на рисунке 6C. Скрытые слои размером 128 и два-три слоя моделирования последовательностей были связаны с улучшением эффективности прогнозирования, в то время как неглубокие архитектуры и уменьшенные размеры скрытого слоя приводили к увеличению ошибки прогнозирования. Анализ абляции признаков дополнительно показал, что удаление синтезированных признаков или переменных, связанных с эффективностью, приводило к увеличению MAE по сравнению с полной многоканальной конфигурацией (таблица 5), что свидетельствует о том, что комбинированные многоканальные входные данные и синтезированные электрохимические признаки способствовали повышению эффективности прогнозирования.

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

КатегорияПараметрMAERMSEMAPE (%)R²
Размер окна входных данных20 циклов0.0310.0433.740.927
50 циклов0.0260.0363.080.944
100 циклов0.0230.0322.710.957
150 циклов0.0220.0312.630.96
200 циклов0.0220.0312.590.961
250 циклов0.0230.0322.670.958
300 циклов0.0240.0332.790.955
Функция активацииReLU0.0230.0322.740.957
GELU0.0220.0312.610.961
Tanh0.0260.0363.050.946
Sigmoid0.0340.0473.960.918
Размерность скрытого слоя / Кол-во каналов на слой320.0280.0393.220.939
640.0240.0332.810.954
1280.0220.0312.580.961
2560.0230.0322.690.958
Количество слоев моделирования последовательности10.0270.0383.140.942
20.0230.0322.730.956
30.0220.0312.60.961
40.0240.0342.860.952
Абляция признаковПолный многоканальный режим + сконструированные признаки0.0220.0312.610.961
Без сконструированных признаков0.0240.0332.840.955
Без температуры0.0250.0342.930.951
Без внутреннего сопротивления0.0260.0353.010.949
Без переменных, связанных с эффективностью0.0250.0342.950.95
Только напряжение и ток0.0290.0393.290.936
Только емкость0.0340.0463.920.916

Таблица 5: Анализ чувствительности эффективности модели при различных настройках гиперпараметров и конфигурациях абляции признаков.В таблице обобщены результаты влияния размера окна ввода, функции активации, размера скрытого слоя, глубины последовательной модели и стратегий абляции признаков на точность прогнозирования в рамках предложенного многоканального рабочего процесса глубокого обучения (DL). Метрики эффективности включают среднюю абсолютную ошибку (MAE), среднеквадратичную ошибку (RMSE), среднюю абсолютную процентную ошибку (MAPE) и коэффициент детерминации (R2). Сокращения: MAE = средняя абсолютная ошибка; RMSE = среднеквадратичная ошибка; MAPE = средняя абсолютная процентная ошибка; ReLU = линейный выпрямитель; GELU = гауссовский линейный блок ошибок.

Обсуждение

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

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

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

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

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

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

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

Раскрытие информации

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

Авторы заявляют об отсутствии конкурирующих финансовых интересов или конфликтов интересов.

Благодарности

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

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

Материалы

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

Ссылки

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Lu J, Xiong R, Tian J. Deep learning to estimate lithium-ion battery state of health without additional degradation experiments. Nat Commun. 2023;14:2760.
  2. Zhang H, Li Y, Zheng S. Battery lifetime prediction across diverse ageing conditions with inter-cell deep learning. Nat Mach Intell. 2025;7:270–7.
  3. Zhang Y, et al. State-of-health estimation for lithium-ion batteries via incremental energy analysis and hybrid deep learning model. Batteries. 2025;11(6):217.
  4. Liu C, et al. Deep learning for state of health estimation of lithium-ion batteries in electric vehicles: A systematic review. Energies. 2025;18(6):1463.
  5. Chen C, Wei J, Li Z. Remaining useful life prediction for lithium-ion batteries based on a hybrid deep learning model. Processes. 2023;11(8):2333.
  6. Chen B, et al. Lithium-ion battery state of health estimation based on feature reconstruction and Transformer-GRU parallel architecture. Energies. 2025;18(5):1236.
  7. Zhao W, Ding W, Zhang S, Zhang Z. Enhancing lithium-ion battery lifespan early prediction using a multi-branch vision transformer model. Energy. 2024;302:131816.
  8. Hu J, et al. Early prediction of lithium-ion battery degradation with a generative pre-trained transformer. Nat Commun. 2026;17:126.
  9. Li Y, et al. Accurate and adaptive state of health estimation for lithium-ion battery based on patch learning framework. Measurement. 2025;250:117083.
  10. Geng M, et al. Interpretable deep learning with uncertainty quantification for lithium-ion battery SOH estimation. Energy. 2025;335:138027.
  11. Li Y, et al. State-of-health prediction of lithium-ion batteries using feature fusion and a hybrid neural network model. Energy. 2025;319:135163.
  12. Zhou J, et al. Deep learning estimation of state of health for lithium-ion batteries using multi-level fusion features of discharge curves. J Power Sources. 2025;653:237781.
  13. Wang Y, et al. A comprehensive review of machine learning-based state of health estimation for lithium-ion batteries: Data, features, algorithms, and future challenges. Renew Sustain Energy Rev. 2025;224:116125.
  14. Severson KA, et al. Data-driven prediction of battery cycle life before capacity degradation. Nat Energy. 2019;4(5):383–91.
  15. Wu R, et al. Confidence-aware quantile Transformer for reliable degradation prediction of battery energy storage systems. Reliab Eng Syst Saf. 2025;260:111019.
  16. Yang H, et al. Privacy-preserving collaborative battery fault warning for massive electric vehicles by heterogeneous data from charging stations. Nat Commun. 2026;17:974.
  17. Liu Y, et al. A hybrid deep learning approach for remaining useful life prediction of lithium-ion batteries based on discharging fragments. Appl Energy. 2024;358:122555.
  18. Bockrath S, Lorentz V, Pruckner M. State of health estimation of lithium-ion batteries with a temporal convolutional neural network using partial load profiles. Appl Energy. 2023;329:120307.
  19. Zhang Z, et al. Multi-cycle charging information guided state of health estimation for lithium-ion batteries based on pre-trained large language model. Energy. 2024;313:133993.
  20. Li Z, Zhang X, Gao W. State of health estimation of lithium-ion battery during fast charging process based on BiLSTM-Transformer. Energy. 2024;311:133418.
  21. Bao X, et al. Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries. Energy. 2023;278:127734.
  22. He N, et al. Early prediction of battery lifetime based on graphical features and convolutional neural networks. Appl Energy. 2024;353:122048.
  23. Rieger LH, et al. Uncertainty-aware and explainable machine learning for early prediction of battery degradation trajectory. Digit Discov. 2023;2(1):112–22.
  24. Li H, et al. A cross-material lithium-ion battery state of health estimation method based on three-stage domain adaptation. Energy. 2025;139376.
  25. Han T, et al. Source-free dynamic weighted federated transfer learning for state-of-health estimation of lithium-ion batteries with data privacy. IEEE Trans Power Electron. 2024;39(11):15085–100.
  26. Rhyu J, et al. Systematic feature design for cycle life prediction of lithium-ion batteries during formation. Joule. 2025;9(5):101884.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи