一种基于相关性对齐的代理学习框架,用于电池剩余使用寿命的少样本预测

《RELIABILITY ENGINEERING & SYSTEM SAFETY》:A Correlation-Aligned Proxy-Learning Framework for Few-Shot Prediction of Battery Remaining Useful Life

【字体: 大 中 小 】 时间:2026年03月27日 来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 11

编辑推荐:

  电池剩余寿命预测面临标签稀缺问题,本文提出基于关联对齐的代理学习框架,通过双分支神经网络分离制造差异与退化动态,利用ΔIC等物理代理标签构建一致性匹配任务,显著提升极端少样本条件下的预测精度。

  
郭若涵|刘梦茹|梅伟杰|乔森|彭玉华|张奎|张松|宋科|何尚阳|田金鹏|沈伟祥|钟志勇
香港理工大学电气与电子工程系,香港九龙,999077,中国

摘要

剩余使用寿命(RUL)预测对于量化电池的运行安全性和寿命至关重要,然而机器学习技术的应用往往受到高质量标记退化数据严重缺乏的制约。为了解决这一挑战,我们提出了一种基于相关性对齐的代理学习框架,该框架在稀缺的RUL标签和机会主义的老化线索之间建立了原则性的桥梁。该框架采用双边分支神经网络,明确区分了初始制造变异性和使用中的退化动态,确保了在不同类型电池之间进行稳健的特征提取。通过将一类基于差分增量容量(ΔIC)的描述符重新定义为代理标签,该方法利用它们与RUL之间的强内在性和全程相关性,将欠确定的少样本回归问题转化为一致性匹配任务。这一策略有效地限制了模型的学习流形,使得能够利用常规充电事件中的非理想指标,同时降低了过拟合的风险。该框架在多种电池化学成分和循环温度下均得到了验证,在极端少样本情况下,其预测准确率提高了50%以上。

引言

全球向清洁能源和碳中和的转型正在推动一场深刻的能源革命,其中电动汽车(EV)和电池储能系统(BESS)处于这一变革的前沿[1]。2023年,全球对清洁能源技术的投资达到了1.7万亿美元,其中1290亿美元专门用于EV和BESS基础设施[2]。在各种储能技术中,锂离子电池由于其高能量密度、长循环寿命和成本效益而成为EV和可再生能源存储的首选[3,4]。尽管具有这些优势,但由于复杂的退化机制(包括活性材料损失、锂库存损失和内阻增加),锂离子电池不可避免地会随时间经历性能下降[5,6]。在EV中,当电池的健康状态(SOH)降至80%以下时,通常认为其已达到使用寿命终点(EOL)[6,7]。因此,准确预测剩余使用寿命(RUL)对于有效的电池预测和健康管理至关重要[8,9]。
近年来,随着人工智能技术的进步,RUL预测领域越来越多地采用数据驱动的方法[10,11]。这些方法提供了一种不依赖于特定机制的替代方案,无需明确描述复杂的电化学反应[12,13]。因此,大量研究集中在手工设计特征上,例如从增量容量(IC)/差分电压(DV)分析中提取统计信息,并将其输入到弹性网络[14]、基于树的模型[15,16]和稀疏贝叶斯学习器[17]等学习器中。然而,依赖专家设计的特征可能会遗漏高阶非线性退化特征,并保留冗余信息。因此,深度学习架构被用来直接从运行数据中捕获多尺度的时空表示[18,19,20]。尽管取得了最新进展,但由于标记退化数据的普遍缺乏,现实世界电池群中的准确RUL预测仍然具有挑战性。最近的研究探索了各种少样本策略,这些策略可以大致分为三种理论范式。
第一种范式是“自我监督表示学习”,它试图通过无监督的预训练目标来提取潜在的退化特征。例如,Che等人[21]提出了一个自我训练框架,从无标签数据中提取潜在表示,实现容量估计和寿命预测的双重任务学习。同样,Sui等人[22]使用自动编码器将电池分类为长寿命和短寿命组,然后训练特定类别的RUL预测模型。然而,这种范式的共同根本缺陷是存在严重的“任务不对齐”;因为这些潜在特征仅来自自我监督目标(如重建),它们可能与下游的RUL预测任务不完全对齐。此外,[22]中的分类建模进一步将本就稀缺的标记数据分割成更小的子集,增加了模型训练不足的风险并加剧了数据不平衡。第二种范式是“半监督协同训练”,该方法利用标签传播或联合优化来利用无标签样本。Zhang等人[23]引入了一种基于k最近邻(KNN)的标签传播方案,用于训练具有置信度的长短期记忆(LSTM)网络。Guo等人[24]进一步发展了这一方法,提出了一个半监督的偏置贝叶斯协同训练框架,概率性地融合标记和未标记数据以揭示潜在的老化动态。然而,在极端少样本情况下,从少量标记数据中推断出的伪标签的准确性无法保证,可能会在训练过程中引入系统不确定性。此外,当标记与未标记样本的比例严重不平衡时,实现监督损失和无监督损失之间的稳定权衡并不容易,这可能会削弱模型的鲁棒性。最近的研究尝试通过“元学习和因果语义”在不同条件下建立通用知识。Yang等人[25]提出了一个具有双重因果语义的贝叶斯元随机图网络,用于不确定性感知的RUL预测。在另一项工作中,Sun等人[26]开发了一个元学习框架,结合自适应特征降维和一次性回归器,用于在不同条件下的早期电池寿命预测。然而,在标记严重不足的情况下,任务图可能会变得过于稀疏,无法建立可靠的元知识和因果分层,从而导致不稳定的不确定性估计。此外,如果可用的“样本”在极端少样本任务中噪声较大或代表性不足,嵌入空间可能会发生扭曲,跨任务泛化能力会显著下降。
总体而言,上述范式有一个共同的基本局限性:它们主要关注利用未标记输入数据的分布,而很大程度上忽略了电池老化物理中的“结构一致性”。具体来说,缺乏利用具有信息性但非最优的机会主义老化线索的方法,这些线索的获取比获取真实的RUL数据要容易得多[27]。受到极端少样本电池预测理论瓶颈的启发,我们建立了一个基于关系代理标记的原理性算法框架,以有效修剪模型的假设空间。我们不是将老化特征视为单纯的辅助输入特征,而是将一类基于差分IC(ΔIC)的描述符重新定义为代理标签,这些描述符因其强烈的细胞内一致性和与RUL的全程相关性而被选中。理论上,这将欠确定的回归问题转化为一致性匹配任务,即使在真实RUL标签非常少的情况下,也能将学习过程固定在物理上合理的退化轨迹上。这一观点通过一个基于相关性对齐的代理学习框架实现,该框架引入了细胞级的相关性对齐项作为软结构规范。与传统的半监督和领域适应范式不同,我们的机制在约束模型沿预期线性关系进展之前,强制实现了细胞内的单调性。这种细胞内的表述将软约束固定在特定的物理耦合上,提供了一种结构化的机制,即使在不同电池之间的同质性有限的情况下,也能利用有信息的老化线索,同时隔离偶尔的代理标签不准确性,防止全局模型参数的损坏。
本文的其余部分结构如下。第2节详细介绍了所提出的基于相关性对齐的代理学习框架的方法论。第3节展示了结果和讨论。第4节得出结论。

部分摘录

所提出框架的概述

图1展示了所提出的用于电池RUL预测的相关性对齐代理学习框架的三个核心阶段。为了系统地解决RUL标签稀缺的问题,该框架严格区分了三种用于综合利用的标签类别:(i)真实的RUL标签,仅适用于非常小的训练子集;(ii)物理代理标签,代表一类退化描述符

数据集描述 和子集划分

在这项工作中,我们使用Zhu等人[30]发布的三个锂离子电池退化数据集来评估所提出的基于相关性对齐的代理学习框架,即数据集A、B和C。这些数据集包含具有不同正极化学成分、循环温度和电压范围的电池单元,但标称容量均为3.5 Ah。数据集A和B包含LiNi?.??Co?.??Al?.??O?(NCA)正极的电池单元,而数据集C则包含

讨论与展望

尽管所提出的框架在各种化学成分和温度下的性能表现稳健,但仍有一些局限性需要解决,以便更广泛的实际应用。这些局限性主要源于所选物理代理标签的可靠性和鲁棒性,因为当前框架依赖于它们与真实RUL的强细胞内相关性。虽然该方法在25°C和45°C下得到了验证,但在极端温度条件或苛刻情况下的性能仍有待提高

结论

在这项研究中,我们开发了一种新的基于相关性对齐的代理学习框架,以解决极端少样本情况下锂离子电池RUL预测的挑战。我们的方法开发了一个双边分支深度神经网络,用于表征静态因素(初始制造方差)和动态因素(退化过程),同时识别并利用具有强细胞内特性的退化描述符作为物理代理标签。

CRediT作者贡献声明

郭若涵:写作 – 审稿与编辑,撰写原始草稿,可视化,验证,方法论,概念化。刘梦茹:写作 – 审稿与编辑,验证,调查,数据管理。梅伟杰:写作 – 审稿与编辑,调查,数据管理。乔森:写作 – 审稿与编辑,资源管理。彭玉华:写作 – 审稿与编辑,资源管理。张奎:写作 – 审稿与编辑,可视化。张松:写作 – 审稿与编辑,
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号