近日，西安交通大學(xué)助理教授趙志斌團(tuán)隊(duì)將物理模型和深度神經(jīng)網(wǎng)絡(luò)加以結(jié)合，提出一種名為“物理信息神經(jīng)網(wǎng)絡(luò)”（PINN，Physics-informed neural network）的 AI 算法，并將其用于電池建模、以及電池健康狀況預(yù)測(cè)。
課題組還開(kāi)源了相關(guān)數(shù)據(jù)集和完整代碼（https://zenodo.org/records/10963339）。
此外，通過(guò)結(jié)合其他三個(gè)來(lái)自不同電池制造商的數(shù)據(jù)集，他們針對(duì) 387 個(gè)電池的數(shù)據(jù)，在 310705 個(gè)樣本上進(jìn)行驗(yàn)證，由此得出的平均絕對(duì)百分比誤差為 0.87%。
為了驗(yàn)證本次方法，該團(tuán)隊(duì)通過(guò)開(kāi)展電池退化實(shí)驗(yàn)，生成了一個(gè)由 55 個(gè)鎳鈷錳酸鋰電池組成的綜合數(shù)據(jù)集，并針對(duì) 6 種工況加以模擬。
實(shí)驗(yàn)結(jié)果顯示：在不同化學(xué)成分的電池?cái)?shù)據(jù)集上，本次提出的物理信息神經(jīng)網(wǎng)絡(luò)均具備適用性。
能夠適應(yīng)不同類(lèi)型的電池和不同的使用場(chǎng)景，有望促進(jìn)電池健康管理系統(tǒng)的開(kāi)發(fā)。
具體應(yīng)用可能包括：
其一，用于電動(dòng)汽車(chē)。
提高電池壽命預(yù)測(cè)和電池壽命管理系統(tǒng)的準(zhǔn)確性，優(yōu)化電動(dòng)汽車(chē)的電池使用策略和電池維護(hù)策略。
其二，用于航空航天。
提高衛(wèi)星和無(wú)人機(jī)的電池管理系統(tǒng)，確保任務(wù)的可靠性和安全性，減少由于電池故障導(dǎo)致的任務(wù)失敗。
其三，用于便攜式電子設(shè)備。
優(yōu)化手機(jī)、筆記本電腦等設(shè)備的電池管理，提高用戶體驗(yàn)和使用壽命。
其四，用于儲(chǔ)能系統(tǒng)。
在大規(guī)模的儲(chǔ)能系統(tǒng)中，優(yōu)化電池健康狀態(tài)的監(jiān)測(cè)和管理，確保能源系統(tǒng)穩(wěn)定、高效地運(yùn)行。
“AI+ 電池”研究，如何“有上加優(yōu)”？
近年來(lái)，鋰離子電池的使用量以驚人的速度增長(zhǎng)，幾乎滲透到社會(huì)生活的各個(gè)角落。
鋰離子電池憑借其能量密度高、自放電率低、使用壽命長(zhǎng)等優(yōu)點(diǎn)，已成為各種便攜式電子設(shè)備、電動(dòng)汽車(chē)、航空航天等眾多領(lǐng)域的主要儲(chǔ)能器件。
然而，鋰電池的大規(guī)模應(yīng)用也帶來(lái)了一系列新的挑戰(zhàn)和問(wèn)題，特別是在安全性、可靠性和環(huán)保方面。因此，對(duì)鋰電池進(jìn)行退化建模和健康管理變得尤為重要。
在航空航天領(lǐng)域，作為衛(wèi)星、無(wú)人機(jī)等高科技設(shè)備的重要能源供給，鋰離子電池扮演著至關(guān)重要的角色。
這些設(shè)備對(duì)于電池的可靠性和穩(wěn)定性有著極高要求，一旦電池出現(xiàn)問(wèn)題，可能會(huì)導(dǎo)致任務(wù)失敗，甚至造成巨大的經(jīng)濟(jì)損失和嚴(yán)重的安全隱患。
而通過(guò)對(duì)鋰電池進(jìn)行精細(xì)的退化建模和健康管理，就能提前發(fā)現(xiàn)潛在的故障，確保設(shè)備在復(fù)雜環(huán)境下的正常運(yùn)行。
與此同時(shí)，該課題組發(fā)現(xiàn)關(guān)于物理信息神經(jīng)網(wǎng)絡(luò)在電池建模和電池評(píng)估的研究，已經(jīng)初步嶄露頭角。
但是，盡管近年來(lái)一些期刊發(fā)表了大量有關(guān)電池健康管理的論文。然而，這些論文中所設(shè)計(jì)的健康管理方法，主要針對(duì)特定的數(shù)據(jù)集。
一旦更換一個(gè)數(shù)據(jù)集，論文所提出的方法可能就會(huì)失效。也就是說(shuō)大多數(shù)已發(fā)表的論文，停留在利用物理知識(shí)來(lái)預(yù)處理數(shù)據(jù)的階段，沒(méi)有實(shí)現(xiàn)物理模型和神經(jīng)網(wǎng)絡(luò)的深度融合。
另一方面，他們發(fā)現(xiàn)基于傳統(tǒng)深度學(xué)習(xí)的“健康狀況”（SOH，state-of-health）估計(jì)法，存在較大的預(yù)測(cè)誤差波動(dòng)性，導(dǎo)致模型精度在很大程度上取決于數(shù)據(jù)質(zhì)量。
“一師一生”，從零開(kāi)始
最近幾年，趙志斌團(tuán)隊(duì)主要研究重大裝備的智能運(yùn)維和健康管理，主要研究對(duì)象是各種大型機(jī)械設(shè)備。
事實(shí)上，也是在一次偶然的機(jī)會(huì)里，讓趙志斌接觸到電池健康管理這一領(lǐng)域。
“展開(kāi)來(lái)講，這次研究的萌芽是這樣的：之前我所在的大團(tuán)隊(duì)，針對(duì)某型號(hào)的衛(wèi)星電池健康狀態(tài)開(kāi)展了一個(gè)項(xiàng)目。后來(lái)，我們產(chǎn)生了研究鋰電池健康狀態(tài)的想法，并把這一任務(wù)分配給博士生王福金。”趙志斌表示。
當(dāng)時(shí)，王福金還是一名剛?cè)雽W(xué)不久的碩士生，在趙志斌團(tuán)隊(duì)沒(méi)有任何相關(guān)研究基礎(chǔ)的條件下，對(duì)于本次課題王福金也曾感到無(wú)從下手。
而且，當(dāng)時(shí)組里只有趙志斌和王福金這樣“一師一生”的人員模式，一切都得從零開(kāi)始。
后來(lái)，通過(guò)大量閱讀文獻(xiàn)、到其他高校調(diào)研學(xué)習(xí)、與企業(yè)交流等方法，以及隨著“衛(wèi)星電池健康狀態(tài)項(xiàng)目”的逐漸開(kāi)展，課題組逐漸具備了研究鋰電池健康管理的條件。
隨后，他們先是收集了大量的電池退化數(shù)據(jù)。
高質(zhì)量的數(shù)據(jù)，是模型訓(xùn)練和模型驗(yàn)證的基礎(chǔ)。為此，他們通過(guò)多種途徑來(lái)獲取數(shù)據(jù)，包括實(shí)驗(yàn)室測(cè)試、調(diào)用公開(kāi)數(shù)據(jù)集、與企業(yè)合作獲取實(shí)際使用數(shù)據(jù)等。
在對(duì)數(shù)據(jù)進(jìn)行分析之后，提取出來(lái)具有普適性的統(tǒng)計(jì)特征，并探索不同特征對(duì)于電池健康狀態(tài)預(yù)測(cè)的影響。
為了設(shè)計(jì)一個(gè)更加普適的特征集，該團(tuán)隊(duì)分析了大量的電池退化數(shù)據(jù)，最終總結(jié)出一套通用的統(tǒng)計(jì)特征。
在充分理解數(shù)據(jù)特征之后，結(jié)合物理模型的嚴(yán)謹(jǐn)性和神經(jīng)網(wǎng)絡(luò)的靈活性，他們提出了物理信息神經(jīng)網(wǎng)絡(luò)這一 AI 算法。
對(duì)于模型的設(shè)計(jì)和開(kāi)發(fā)來(lái)說(shuō)，需要考慮到多個(gè)因素：包括物理模型的選擇、神經(jīng)網(wǎng)絡(luò)架構(gòu)的設(shè)計(jì)、損失函數(shù)的優(yōu)化、以及訓(xùn)練時(shí)的超參數(shù)調(diào)優(yōu)。
通過(guò)開(kāi)展大量的實(shí)驗(yàn)，模型結(jié)構(gòu)逐漸變得完善，預(yù)測(cè)精度和穩(wěn)定性也有所提高。
為了驗(yàn)證物理信息神經(jīng)網(wǎng)絡(luò)模型的有效性，在多個(gè)包含不同化學(xué)成分和不同使用條件的電池?cái)?shù)據(jù)集上，課題組又開(kāi)展了新的實(shí)驗(yàn)。
實(shí)驗(yàn)結(jié)果表明：在電池的健康狀態(tài)預(yù)測(cè)上，物理信息神經(jīng)網(wǎng)絡(luò)模型不僅表現(xiàn)出色，而且明顯優(yōu)于傳統(tǒng)的深度學(xué)習(xí)方法、以及單純的物理模型。
特別是，在遷移學(xué)習(xí)的幫助之下，即便在不同的數(shù)據(jù)集上，模型均表現(xiàn)出較強(qiáng)的普適性和魯棒性。
考慮到電化學(xué)方程的復(fù)雜性，該團(tuán)隊(duì)從電池退化經(jīng)驗(yàn)方程和狀態(tài)空間視角出發(fā)，提出了電池退化經(jīng)驗(yàn)?zāi)Ｐ?，并利用物理信息神?jīng)網(wǎng)絡(luò)來(lái)捕捉電池的降解動(dòng)態(tài)。
而為了應(yīng)對(duì)不同的電池類(lèi)型、使用場(chǎng)景和充放電協(xié)議，課題組設(shè)計(jì)出一種通用特征提取方法，以便從電池完全充電前的短時(shí)間數(shù)據(jù)中提取特征。
針對(duì)特征數(shù)據(jù)進(jìn)行分析之后，他們發(fā)現(xiàn)所提取的特征與電池健康狀態(tài)之間的相關(guān)系數(shù)，主要與電池的化學(xué)成分有關(guān)，受到充放電方案的影響反而較小。
未來(lái)新方向：研究 AI 賦能的重大裝備智能運(yùn)維和健康管理
隨后，他們開(kāi)始撰寫(xiě)論文并投稿。日前，相關(guān)論文以《基于物理信息的神經(jīng)網(wǎng)絡(luò)用于鋰離子電池退化穩(wěn)定建模和預(yù)測(cè)》（Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis）為題發(fā)在 Nature Communications[1]。
西安交通大學(xué)博士生王福金和副研究員翟智是共同一作，西安交通大學(xué)趙志斌助理教授和陳雪峰教授擔(dān)任共同通訊作者。
目前，趙志斌將自己小組的研究方向定為：AI 賦能的重大裝備智能運(yùn)維和健康管理。
時(shí)至今日，該團(tuán)隊(duì)已有兩名博士生和三名碩士生在研究這一方向，亦有積累了一定科研經(jīng)驗(yàn)的本科生成員在研究這一方向。
“目前，他們已經(jīng)產(chǎn)出了多篇高水平論文。”趙志斌表示。
未來(lái)，該課題組會(huì)繼續(xù)沿著“物理+數(shù)據(jù)”的雙驅(qū)方向，開(kāi)展電池健康管理的研究，并將主要探索航天器和垂直起降飛行器上的鋰電池健康管理。
課題組還開(kāi)源了相關(guān)數(shù)據(jù)集和完整代碼（https://zenodo.org/records/10963339）。
此外，通過(guò)結(jié)合其他三個(gè)來(lái)自不同電池制造商的數(shù)據(jù)集，他們針對(duì) 387 個(gè)電池的數(shù)據(jù)，在 310705 個(gè)樣本上進(jìn)行驗(yàn)證，由此得出的平均絕對(duì)百分比誤差為 0.87%。
為了驗(yàn)證本次方法，該團(tuán)隊(duì)通過(guò)開(kāi)展電池退化實(shí)驗(yàn)，生成了一個(gè)由 55 個(gè)鎳鈷錳酸鋰電池組成的綜合數(shù)據(jù)集，并針對(duì) 6 種工況加以模擬。
實(shí)驗(yàn)結(jié)果顯示：在不同化學(xué)成分的電池?cái)?shù)據(jù)集上，本次提出的物理信息神經(jīng)網(wǎng)絡(luò)均具備適用性。
能夠適應(yīng)不同類(lèi)型的電池和不同的使用場(chǎng)景，有望促進(jìn)電池健康管理系統(tǒng)的開(kāi)發(fā)。
具體應(yīng)用可能包括：
其一，用于電動(dòng)汽車(chē)。
提高電池壽命預(yù)測(cè)和電池壽命管理系統(tǒng)的準(zhǔn)確性，優(yōu)化電動(dòng)汽車(chē)的電池使用策略和電池維護(hù)策略。
其二，用于航空航天。
提高衛(wèi)星和無(wú)人機(jī)的電池管理系統(tǒng)，確保任務(wù)的可靠性和安全性，減少由于電池故障導(dǎo)致的任務(wù)失敗。
其三，用于便攜式電子設(shè)備。
優(yōu)化手機(jī)、筆記本電腦等設(shè)備的電池管理，提高用戶體驗(yàn)和使用壽命。
其四，用于儲(chǔ)能系統(tǒng)。
在大規(guī)模的儲(chǔ)能系統(tǒng)中，優(yōu)化電池健康狀態(tài)的監(jiān)測(cè)和管理，確保能源系統(tǒng)穩(wěn)定、高效地運(yùn)行。
“AI+ 電池”研究，如何“有上加優(yōu)”？
近年來(lái)，鋰離子電池的使用量以驚人的速度增長(zhǎng)，幾乎滲透到社會(huì)生活的各個(gè)角落。
鋰離子電池憑借其能量密度高、自放電率低、使用壽命長(zhǎng)等優(yōu)點(diǎn)，已成為各種便攜式電子設(shè)備、電動(dòng)汽車(chē)、航空航天等眾多領(lǐng)域的主要儲(chǔ)能器件。
然而，鋰電池的大規(guī)模應(yīng)用也帶來(lái)了一系列新的挑戰(zhàn)和問(wèn)題，特別是在安全性、可靠性和環(huán)保方面。因此，對(duì)鋰電池進(jìn)行退化建模和健康管理變得尤為重要。
在航空航天領(lǐng)域，作為衛(wèi)星、無(wú)人機(jī)等高科技設(shè)備的重要能源供給，鋰離子電池扮演著至關(guān)重要的角色。
這些設(shè)備對(duì)于電池的可靠性和穩(wěn)定性有著極高要求，一旦電池出現(xiàn)問(wèn)題，可能會(huì)導(dǎo)致任務(wù)失敗，甚至造成巨大的經(jīng)濟(jì)損失和嚴(yán)重的安全隱患。
而通過(guò)對(duì)鋰電池進(jìn)行精細(xì)的退化建模和健康管理，就能提前發(fā)現(xiàn)潛在的故障，確保設(shè)備在復(fù)雜環(huán)境下的正常運(yùn)行。
與此同時(shí)，該課題組發(fā)現(xiàn)關(guān)于物理信息神經(jīng)網(wǎng)絡(luò)在電池建模和電池評(píng)估的研究，已經(jīng)初步嶄露頭角。
但是，盡管近年來(lái)一些期刊發(fā)表了大量有關(guān)電池健康管理的論文。然而，這些論文中所設(shè)計(jì)的健康管理方法，主要針對(duì)特定的數(shù)據(jù)集。
一旦更換一個(gè)數(shù)據(jù)集，論文所提出的方法可能就會(huì)失效。也就是說(shuō)大多數(shù)已發(fā)表的論文，停留在利用物理知識(shí)來(lái)預(yù)處理數(shù)據(jù)的階段，沒(méi)有實(shí)現(xiàn)物理模型和神經(jīng)網(wǎng)絡(luò)的深度融合。
另一方面，他們發(fā)現(xiàn)基于傳統(tǒng)深度學(xué)習(xí)的“健康狀況”（SOH，state-of-health）估計(jì)法，存在較大的預(yù)測(cè)誤差波動(dòng)性，導(dǎo)致模型精度在很大程度上取決于數(shù)據(jù)質(zhì)量。
“一師一生”，從零開(kāi)始
最近幾年，趙志斌團(tuán)隊(duì)主要研究重大裝備的智能運(yùn)維和健康管理，主要研究對(duì)象是各種大型機(jī)械設(shè)備。
事實(shí)上，也是在一次偶然的機(jī)會(huì)里，讓趙志斌接觸到電池健康管理這一領(lǐng)域。
“展開(kāi)來(lái)講，這次研究的萌芽是這樣的：之前我所在的大團(tuán)隊(duì)，針對(duì)某型號(hào)的衛(wèi)星電池健康狀態(tài)開(kāi)展了一個(gè)項(xiàng)目。后來(lái)，我們產(chǎn)生了研究鋰電池健康狀態(tài)的想法，并把這一任務(wù)分配給博士生王福金。”趙志斌表示。
當(dāng)時(shí)，王福金還是一名剛?cè)雽W(xué)不久的碩士生，在趙志斌團(tuán)隊(duì)沒(méi)有任何相關(guān)研究基礎(chǔ)的條件下，對(duì)于本次課題王福金也曾感到無(wú)從下手。
而且，當(dāng)時(shí)組里只有趙志斌和王福金這樣“一師一生”的人員模式，一切都得從零開(kāi)始。
后來(lái)，通過(guò)大量閱讀文獻(xiàn)、到其他高校調(diào)研學(xué)習(xí)、與企業(yè)交流等方法，以及隨著“衛(wèi)星電池健康狀態(tài)項(xiàng)目”的逐漸開(kāi)展，課題組逐漸具備了研究鋰電池健康管理的條件。
隨后，他們先是收集了大量的電池退化數(shù)據(jù)。
高質(zhì)量的數(shù)據(jù)，是模型訓(xùn)練和模型驗(yàn)證的基礎(chǔ)。為此，他們通過(guò)多種途徑來(lái)獲取數(shù)據(jù)，包括實(shí)驗(yàn)室測(cè)試、調(diào)用公開(kāi)數(shù)據(jù)集、與企業(yè)合作獲取實(shí)際使用數(shù)據(jù)等。
在對(duì)數(shù)據(jù)進(jìn)行分析之后，提取出來(lái)具有普適性的統(tǒng)計(jì)特征，并探索不同特征對(duì)于電池健康狀態(tài)預(yù)測(cè)的影響。
為了設(shè)計(jì)一個(gè)更加普適的特征集，該團(tuán)隊(duì)分析了大量的電池退化數(shù)據(jù)，最終總結(jié)出一套通用的統(tǒng)計(jì)特征。
在充分理解數(shù)據(jù)特征之后，結(jié)合物理模型的嚴(yán)謹(jǐn)性和神經(jīng)網(wǎng)絡(luò)的靈活性，他們提出了物理信息神經(jīng)網(wǎng)絡(luò)這一 AI 算法。
對(duì)于模型的設(shè)計(jì)和開(kāi)發(fā)來(lái)說(shuō)，需要考慮到多個(gè)因素：包括物理模型的選擇、神經(jīng)網(wǎng)絡(luò)架構(gòu)的設(shè)計(jì)、損失函數(shù)的優(yōu)化、以及訓(xùn)練時(shí)的超參數(shù)調(diào)優(yōu)。
通過(guò)開(kāi)展大量的實(shí)驗(yàn)，模型結(jié)構(gòu)逐漸變得完善，預(yù)測(cè)精度和穩(wěn)定性也有所提高。
為了驗(yàn)證物理信息神經(jīng)網(wǎng)絡(luò)模型的有效性，在多個(gè)包含不同化學(xué)成分和不同使用條件的電池?cái)?shù)據(jù)集上，課題組又開(kāi)展了新的實(shí)驗(yàn)。
實(shí)驗(yàn)結(jié)果表明：在電池的健康狀態(tài)預(yù)測(cè)上，物理信息神經(jīng)網(wǎng)絡(luò)模型不僅表現(xiàn)出色，而且明顯優(yōu)于傳統(tǒng)的深度學(xué)習(xí)方法、以及單純的物理模型。
特別是，在遷移學(xué)習(xí)的幫助之下，即便在不同的數(shù)據(jù)集上，模型均表現(xiàn)出較強(qiáng)的普適性和魯棒性。
考慮到電化學(xué)方程的復(fù)雜性，該團(tuán)隊(duì)從電池退化經(jīng)驗(yàn)方程和狀態(tài)空間視角出發(fā)，提出了電池退化經(jīng)驗(yàn)?zāi)Ｐ?，并利用物理信息神?jīng)網(wǎng)絡(luò)來(lái)捕捉電池的降解動(dòng)態(tài)。
而為了應(yīng)對(duì)不同的電池類(lèi)型、使用場(chǎng)景和充放電協(xié)議，課題組設(shè)計(jì)出一種通用特征提取方法，以便從電池完全充電前的短時(shí)間數(shù)據(jù)中提取特征。
針對(duì)特征數(shù)據(jù)進(jìn)行分析之后，他們發(fā)現(xiàn)所提取的特征與電池健康狀態(tài)之間的相關(guān)系數(shù)，主要與電池的化學(xué)成分有關(guān)，受到充放電方案的影響反而較小。
未來(lái)新方向：研究 AI 賦能的重大裝備智能運(yùn)維和健康管理
隨后，他們開(kāi)始撰寫(xiě)論文并投稿。日前，相關(guān)論文以《基于物理信息的神經(jīng)網(wǎng)絡(luò)用于鋰離子電池退化穩(wěn)定建模和預(yù)測(cè)》（Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis）為題發(fā)在 Nature Communications[1]。
西安交通大學(xué)博士生王福金和副研究員翟智是共同一作，西安交通大學(xué)趙志斌助理教授和陳雪峰教授擔(dān)任共同通訊作者。
目前，趙志斌將自己小組的研究方向定為：AI 賦能的重大裝備智能運(yùn)維和健康管理。
時(shí)至今日，該團(tuán)隊(duì)已有兩名博士生和三名碩士生在研究這一方向，亦有積累了一定科研經(jīng)驗(yàn)的本科生成員在研究這一方向。
“目前，他們已經(jīng)產(chǎn)出了多篇高水平論文。”趙志斌表示。
未來(lái)，該課題組會(huì)繼續(xù)沿著“物理+數(shù)據(jù)”的雙驅(qū)方向，開(kāi)展電池健康管理的研究，并將主要探索航天器和垂直起降飛行器上的鋰電池健康管理。
