近日，西安交通大學助理教授趙志斌團隊將物理模型和深度神經(jīng)網(wǎng)絡加以結(jié)合，提出一種名為“物理信息神經(jīng)網(wǎng)絡”（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測。
課題組還開源了相關(guān)數(shù)據(jù)集和完整代碼（https://zenodo.org/records/10963339）。
此外，通過結(jié)合其他三個來自不同電池制造商的數(shù)據(jù)集，他們針對 387 個電池的數(shù)據(jù)，在 310705 個樣本上進行驗證，由此得出的平均絕對百分比誤差為 0.87%。
為了驗證本次方法，該團隊通過開展電池退化實驗，生成了一個由 55 個鎳鈷錳酸鋰電池組成的綜合數(shù)據(jù)集，并針對 6 種工況加以模擬。
實驗結(jié)果顯示：在不同化學成分的電池數(shù)據(jù)集上，本次提出的物理信息神經(jīng)網(wǎng)絡均具備適用性。
能夠適應不同類型的電池和不同的使用場景，有望促進電池健康管理系統(tǒng)的開發(fā)。
具體應用可能包括：
其一，用于電動汽車。
提高電池壽命預測和電池壽命管理系統(tǒng)的準確性，優(yōu)化電動汽車的電池使用策略和電池維護策略。
其二，用于航空航天。
提高衛(wèi)星和無人機的電池管理系統(tǒng)，確保任務的可靠性和安全性，減少由于電池故障導致的任務失敗。
其三，用于便攜式電子設(shè)備。
優(yōu)化手機、筆記本電腦等設(shè)備的電池管理，提高用戶體驗和使用壽命。
其四，用于儲能系統(tǒng)。
在大規(guī)模的儲能系統(tǒng)中，優(yōu)化電池健康狀態(tài)的監(jiān)測和管理，確保能源系統(tǒng)穩(wěn)定、高效地運行。
“AI+ 電池”研究，如何“有上加優(yōu)”？
近年來，鋰離子電池的使用量以驚人的速度增長，幾乎滲透到社會生活的各個角落。
鋰離子電池憑借其能量密度高、自放電率低、使用壽命長等優(yōu)點，已成為各種便攜式電子設(shè)備、電動汽車、航空航天等眾多領(lǐng)域的主要儲能器件。
然而，鋰電池的大規(guī)模應用也帶來了一系列新的挑戰(zhàn)和問題，特別是在安全性、可靠性和環(huán)保方面。因此，對鋰電池進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、無人機等高科技設(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)問題，可能會導致任務失敗，甚至造成巨大的經(jīng)濟損失和嚴重的安全隱患。
而通過對鋰電池進行精細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)備在復雜環(huán)境下的正常運行。
與此同時，該課題組發(fā)現(xiàn)關(guān)于物理信息神經(jīng)網(wǎng)絡在電池建模和電池評估的研究，已經(jīng)初步嶄露頭角。
但是，盡管近年來一些期刊發(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)計的健康管理方法，主要針對特定的數(shù)據(jù)集。
一旦更換一個數(shù)據(jù)集，論文所提出的方法可能就會失效。也就是說大多數(shù)已發(fā)表的論文，停留在利用物理知識來預處理數(shù)據(jù)的階段，沒有實現(xiàn)物理模型和神經(jīng)網(wǎng)絡的深度融合。
另一方面，他們發(fā)現(xiàn)基于傳統(tǒng)深度學習的“健康狀況”（SOH，state-of-health）估計法，存在較大的預測誤差波動性，導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”，從零開始
最近幾年，趙志斌團隊主要研究重大裝備的智能運維和健康管理，主要研究對象是各種大型機械設(shè)備。
事實上，也是在一次偶然的機會里，讓趙志斌接觸到電池健康管理這一領(lǐng)域。
“展開來講，這次研究的萌芽是這樣的：之前我所在的大團隊，針對某型號的衛(wèi)星電池健康狀態(tài)開展了一個項目。后來，我們產(chǎn)生了研究鋰電池健康狀態(tài)的想法，并把這一任務分配給博士生王福金。”趙志斌表示。
當時，王福金還是一名剛?cè)雽W不久的碩士生，在趙志斌團隊沒有任何相關(guān)研究基礎(chǔ)的條件下，對于本次課題王福金也曾感到無從下手。
而且，當時組里只有趙志斌和王福金這樣“一師一生”的人員模式，一切都得從零開始。
后來，通過大量閱讀文獻、到其他高校調(diào)研學習、與企業(yè)交流等方法，以及隨著“衛(wèi)星電池健康狀態(tài)項目”的逐漸開展，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)，是模型訓練和模型驗證的基礎(chǔ)。為此，他們通過多種途徑來獲取數(shù)據(jù)，包括實驗室測試、調(diào)用公開數(shù)據(jù)集、與企業(yè)合作獲取實際使用數(shù)據(jù)等。
在對數(shù)據(jù)進行分析之后，提取出來具有普適性的統(tǒng)計特征，并探索不同特征對于電池健康狀態(tài)預測的影響。
為了設(shè)計一個更加普適的特征集，該團隊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)計特征。
在充分理解數(shù)據(jù)特征之后，結(jié)合物理模型的嚴謹性和神經(jīng)網(wǎng)絡的靈活性，他們提出了物理信息神經(jīng)網(wǎng)絡這一 AI 算法。
對于模型的設(shè)計和開發(fā)來說，需要考慮到多個因素：包括物理模型的選擇、神經(jīng)網(wǎng)絡架構(gòu)的設(shè)計、損失函數(shù)的優(yōu)化、以及訓練時的超參數(shù)調(diào)優(yōu)。
通過開展大量的實驗，模型結(jié)構(gòu)逐漸變得完善，預測精度和穩(wěn)定性也有所提高。
為了驗證物理信息神經(jīng)網(wǎng)絡模型的有效性，在多個包含不同化學成分和不同使用條件的電池數(shù)據(jù)集上，課題組又開展了新的實驗。
實驗結(jié)果表明：在電池的健康狀態(tài)預測上，物理信息神經(jīng)網(wǎng)絡模型不僅表現(xiàn)出色，而且明顯優(yōu)于傳統(tǒng)的深度學習方法、以及單純的物理模型。
特別是，在遷移學習的幫助之下，即便在不同的數(shù)據(jù)集上，模型均表現(xiàn)出較強的普適性和魯棒性。
考慮到電化學方程的復雜性，該團隊從電池退化經(jīng)驗方程和狀態(tài)空間視角出發(fā)，提出了電池退化經(jīng)驗模型，并利用物理信息神經(jīng)網(wǎng)絡來捕捉電池的降解動態(tài)。
而為了應對不同的電池類型、使用場景和充放電協(xié)議，課題組設(shè)計出一種通用特征提取方法，以便從電池完全充電前的短時間數(shù)據(jù)中提取特征。
針對特征數(shù)據(jù)進行分析之后，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)，主要與電池的化學成分有關(guān)，受到充放電方案的影響反而較小。
未來新方向：研究 AI 賦能的重大裝備智能運維和健康管理
隨后，他們開始撰寫論文并投稿。日前，相關(guān)論文以《基于物理信息的神經(jīng)網(wǎng)絡用于鋰離子電池退化穩(wěn)定建模和預測》（Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis）為題發(fā)在 Nature Communications[1]。
西安交通大學博士生王福金和副研究員翟智是共同一作，西安交通大學趙志斌助理教授和陳雪峰教授擔任共同通訊作者。
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維和健康管理。
時至今日，該團隊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，該課題組會繼續(xù)沿著“物理+數(shù)據(jù)”的雙驅(qū)方向，開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。
課題組還開源了相關(guān)數(shù)據(jù)集和完整代碼（https://zenodo.org/records/10963339）。
此外，通過結(jié)合其他三個來自不同電池制造商的數(shù)據(jù)集，他們針對 387 個電池的數(shù)據(jù)，在 310705 個樣本上進行驗證，由此得出的平均絕對百分比誤差為 0.87%。
為了驗證本次方法，該團隊通過開展電池退化實驗，生成了一個由 55 個鎳鈷錳酸鋰電池組成的綜合數(shù)據(jù)集，并針對 6 種工況加以模擬。
實驗結(jié)果顯示：在不同化學成分的電池數(shù)據(jù)集上，本次提出的物理信息神經(jīng)網(wǎng)絡均具備適用性。
能夠適應不同類型的電池和不同的使用場景，有望促進電池健康管理系統(tǒng)的開發(fā)。
具體應用可能包括：
其一，用于電動汽車。
提高電池壽命預測和電池壽命管理系統(tǒng)的準確性，優(yōu)化電動汽車的電池使用策略和電池維護策略。
其二，用于航空航天。
提高衛(wèi)星和無人機的電池管理系統(tǒng)，確保任務的可靠性和安全性，減少由于電池故障導致的任務失敗。
其三，用于便攜式電子設(shè)備。
優(yōu)化手機、筆記本電腦等設(shè)備的電池管理，提高用戶體驗和使用壽命。
其四，用于儲能系統(tǒng)。
在大規(guī)模的儲能系統(tǒng)中，優(yōu)化電池健康狀態(tài)的監(jiān)測和管理，確保能源系統(tǒng)穩(wěn)定、高效地運行。
“AI+ 電池”研究，如何“有上加優(yōu)”？
近年來，鋰離子電池的使用量以驚人的速度增長，幾乎滲透到社會生活的各個角落。
鋰離子電池憑借其能量密度高、自放電率低、使用壽命長等優(yōu)點，已成為各種便攜式電子設(shè)備、電動汽車、航空航天等眾多領(lǐng)域的主要儲能器件。
然而，鋰電池的大規(guī)模應用也帶來了一系列新的挑戰(zhàn)和問題，特別是在安全性、可靠性和環(huán)保方面。因此，對鋰電池進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、無人機等高科技設(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)問題，可能會導致任務失敗，甚至造成巨大的經(jīng)濟損失和嚴重的安全隱患。
而通過對鋰電池進行精細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)備在復雜環(huán)境下的正常運行。
與此同時，該課題組發(fā)現(xiàn)關(guān)于物理信息神經(jīng)網(wǎng)絡在電池建模和電池評估的研究，已經(jīng)初步嶄露頭角。
但是，盡管近年來一些期刊發(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)計的健康管理方法，主要針對特定的數(shù)據(jù)集。
一旦更換一個數(shù)據(jù)集，論文所提出的方法可能就會失效。也就是說大多數(shù)已發(fā)表的論文，停留在利用物理知識來預處理數(shù)據(jù)的階段，沒有實現(xiàn)物理模型和神經(jīng)網(wǎng)絡的深度融合。
另一方面，他們發(fā)現(xiàn)基于傳統(tǒng)深度學習的“健康狀況”（SOH，state-of-health）估計法，存在較大的預測誤差波動性，導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”，從零開始
最近幾年，趙志斌團隊主要研究重大裝備的智能運維和健康管理，主要研究對象是各種大型機械設(shè)備。
事實上，也是在一次偶然的機會里，讓趙志斌接觸到電池健康管理這一領(lǐng)域。
“展開來講，這次研究的萌芽是這樣的：之前我所在的大團隊，針對某型號的衛(wèi)星電池健康狀態(tài)開展了一個項目。后來，我們產(chǎn)生了研究鋰電池健康狀態(tài)的想法，并把這一任務分配給博士生王福金。”趙志斌表示。
當時，王福金還是一名剛?cè)雽W不久的碩士生，在趙志斌團隊沒有任何相關(guān)研究基礎(chǔ)的條件下，對于本次課題王福金也曾感到無從下手。
而且，當時組里只有趙志斌和王福金這樣“一師一生”的人員模式，一切都得從零開始。
后來，通過大量閱讀文獻、到其他高校調(diào)研學習、與企業(yè)交流等方法，以及隨著“衛(wèi)星電池健康狀態(tài)項目”的逐漸開展，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)，是模型訓練和模型驗證的基礎(chǔ)。為此，他們通過多種途徑來獲取數(shù)據(jù)，包括實驗室測試、調(diào)用公開數(shù)據(jù)集、與企業(yè)合作獲取實際使用數(shù)據(jù)等。
在對數(shù)據(jù)進行分析之后，提取出來具有普適性的統(tǒng)計特征，并探索不同特征對于電池健康狀態(tài)預測的影響。
為了設(shè)計一個更加普適的特征集，該團隊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)計特征。
在充分理解數(shù)據(jù)特征之后，結(jié)合物理模型的嚴謹性和神經(jīng)網(wǎng)絡的靈活性，他們提出了物理信息神經(jīng)網(wǎng)絡這一 AI 算法。
對于模型的設(shè)計和開發(fā)來說，需要考慮到多個因素：包括物理模型的選擇、神經(jīng)網(wǎng)絡架構(gòu)的設(shè)計、損失函數(shù)的優(yōu)化、以及訓練時的超參數(shù)調(diào)優(yōu)。
通過開展大量的實驗，模型結(jié)構(gòu)逐漸變得完善，預測精度和穩(wěn)定性也有所提高。
為了驗證物理信息神經(jīng)網(wǎng)絡模型的有效性，在多個包含不同化學成分和不同使用條件的電池數(shù)據(jù)集上，課題組又開展了新的實驗。
實驗結(jié)果表明：在電池的健康狀態(tài)預測上，物理信息神經(jīng)網(wǎng)絡模型不僅表現(xiàn)出色，而且明顯優(yōu)于傳統(tǒng)的深度學習方法、以及單純的物理模型。
特別是，在遷移學習的幫助之下，即便在不同的數(shù)據(jù)集上，模型均表現(xiàn)出較強的普適性和魯棒性。
考慮到電化學方程的復雜性，該團隊從電池退化經(jīng)驗方程和狀態(tài)空間視角出發(fā)，提出了電池退化經(jīng)驗模型，并利用物理信息神經(jīng)網(wǎng)絡來捕捉電池的降解動態(tài)。
而為了應對不同的電池類型、使用場景和充放電協(xié)議，課題組設(shè)計出一種通用特征提取方法，以便從電池完全充電前的短時間數(shù)據(jù)中提取特征。
針對特征數(shù)據(jù)進行分析之后，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)，主要與電池的化學成分有關(guān)，受到充放電方案的影響反而較小。
未來新方向：研究 AI 賦能的重大裝備智能運維和健康管理
隨后，他們開始撰寫論文并投稿。日前，相關(guān)論文以《基于物理信息的神經(jīng)網(wǎng)絡用于鋰離子電池退化穩(wěn)定建模和預測》（Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis）為題發(fā)在 Nature Communications[1]。
西安交通大學博士生王福金和副研究員翟智是共同一作，西安交通大學趙志斌助理教授和陳雪峰教授擔任共同通訊作者。
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維和健康管理。
時至今日，該團隊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，該課題組會繼續(xù)沿著“物理+數(shù)據(jù)”的雙驅(qū)方向，開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。
