基于二次运行数据驱动的人工智能框架用于锂离子电池健康状态监测

《Vehicles》:A Data-Driven AI Framework for Monitoring Lithium-Ion Battery Health Using Secondary Operational Data

【字体: 大 中 小 】 时间:2026年07月03日 来源:Vehicles 3.2

编辑推荐:

  研究人员开发了一种基于人工智能(AI)的方法,用于基于二次运行数据估计锂离子电池的健康状态(State-of-Health, SOH),并与人工神经网络(ANN)、支持向量机(SVM)、随机森林(RF)和双向长短期记忆网络(BiLSTM)模型进行了基准比较。所

  
研究人员开发了一种基于人工智能(AI)的方法,用于基于二次运行数据估计锂离子电池的健康状态(State-of-Health, SOH),并与人工神经网络(ANN)、支持向量机(SVM)、随机森林(RF)和双向长短期记忆网络(BiLSTM)模型进行了基准比较。所提出的框架通过基于容差的准确度分析、Bland–Altman一致性分析、残差自相关诊断和笛卡尔泰勒图比较进行了评估。在测试的模型中,BiLSTM模型在SOH预测方面表现最佳,具有最小的预测误差、与参考SOH值的最佳一致性以及接近白噪声的残差行为。该框架进一步扩展到剩余使用寿命(Remaining Useful Life, RUL)预测,其中BiLSTM模型表现出最一致的整体性能。研究人员还提出了一种基于残差的异常检测,作为电池监测框架的潜在扩展。然而,由于CALCE数据集中缺乏标记的异常数据,异常检测的定量评估超出了本研究的范围。所提出的框架通过互补的统计诊断得到验证,为非侵入式电池健康监测提供了一个稳健且实用的框架。
随着电动汽车普及率的提高,监测电池性能和健康状态成为释放该技术全部潜力的关键研究课题。目前,迫切需要一种全面的数据驱动机器学习框架,能够持续监测电池健康状态(SOH)、估计剩余使用寿命(RUL)并检测故障或异常,且完全基于运行数据。然而,现有方法大多依赖内部传感器数据(如电池温度和电流),这些模型仅适用于配备相应测量设备的车辆,难以推广到具有不同监测能力的车队。此外,现有研究通常仅选择单一健康指标,未探索联合监测多个指标的可能性;仅针对SOH估计、RUL预测或异常检测中的单一任务;且应用的机器学习模型在没有信号适应的情况下难以泛化到不同用例。锂离子电池因其高能量密度和长循环寿命成为电动汽车、电网存储和便携式电子设备中的主导储能技术,但电池退化始终存在,导致容量衰减和内阻增长。因此,准确估计SOH对于预测性维护和安全保障至关重要。基于物理的电化学模型需要广泛的参数识别过程且计算成本高,而数据驱动方法则依赖运行信号数据推断退化行为,使用电压、电流和温度等非侵入式测量。尽管机器学习和深度学习在电池预测领域显示出巨大潜力,但比较性基准测试有限,统一的统计验证稀缺,且大多数研究基于实验室退化数据而非二次运行和实际数据。

本研究通过提出一个基于人工智能的SOH估计框架并进行了全面的统计验证,以解决上述问题。研究重点包括:开发基于滑动窗口的时间学习框架以利用二次运行信号;对ANN、SVM、RF和BiLSTM系统进行比较研究;开发新的统计验证工具,包括笛卡尔泰勒图、基于容差的ROC风格准确度曲线、残差自相关分析和Bland–Altman偏差评估。研究还深入讨论了计算复杂性。与先前最接近的研究相比,本研究更侧重于从二次运行数据中进行非侵入式SOH估计,并通过Bland–Altman分析、泰勒图评估和残差自相关测试进行统计验证。不同于早期主要强调预测准确性的报告,本研究强调在统一评估协议下的一致性、稳健性和残差行为。

研究人员为开展研究,主要采用了基于滑动窗口的时间序列建模方法,利用从马里兰大学高级生命周期工程中心(CALCE)公开的CALCE电池数据存储库中获取的CS2_36电池单体的完整运行至失效退化轨迹数据。特征提取包括从每个循环中计算均方根电流、平均温度、电压标准差、电压偏度、电流峰度、循环次数和内阻估计值,所有特征通过最小-最大缩放归一化到[0, 1]范围,并使用大小为10的滑动窗口创建输入-输出序列。模型方面,研究人员构建并比较了ANN、SVM、RF和BiLSTM模型,其中BiLSTM模型采用两层各64个隐藏单元的双向长短期记忆网络架构,配合丢弃层和全连接输出层,使用Adam优化器和均方误差损失函数进行训练。

研究结果部分,通过多个小节展示了详细结论。在SOH预测结果比较中,BiLSTM模型最接近实际SOH轨迹,能有效捕捉非线性电池退化行为,而ANN模型虽能建模整体退化趋势但存在局部振荡,SVM模型对局部退化变化敏感性较低,RF模型则低估了退化斜率。RMSE比较显示,BiLSTM模型的RMSE值最低,SVM模型最高,ANN和RF模型处于中等水平。定量性能评估进一步确认了模型的排序,BiLSTM在SOH预测误差和与参考值的一致性方面表现最佳。具体分析包括:基于容差的准确度分析表明,在±10%容差下,BiLSTM准确度达98.92%,优于其他模型;Bland–Altman一致性分析显示BiLSTM预测误差集中在狭窄的一致性界限内,无明显比例偏差趋势;残差自相关分析表明BiLSTM残差最接近白噪声行为,而其他模型残差存在不同程度的自相关;笛卡尔泰勒图评估证实BiLSTM在标准差、相关性和中心化RMSE方面最接近参考点。这些结果共同表明BiLSTM在误差幅度、一致性稳定性、残差独立性、容差稳健性和相关性强度方面均优于其他模型。其优越性能归因于双向时间特征提取、长期记忆保留、处理非线性退化曲线以及改善的残差结构。

在讨论部分,研究人员总结了研究结论。本研究提出了一个基于二次运行数据的数据驱动AI框架,用于锂离子电池SOH估计。通过多种验证方法评估,BiLSTM模型在所有评估模型中提供了最强大的性能,具有最低的RMSE和偏差,与参考SOH的相关性最佳,且残差最接近白噪声,表明其能最佳地指示时间上的电池退化。该框架提供了一种非侵入式且实用的方法,利用电池正常运行中已有的数据监测电池健康状态。当前研究范围限制了基于残差的异常检测能力的定量验证,因为CALCE CS2数据集中缺乏真实故障标注数据。未来研究将致力于使用包含已验证异常事件或电池故障事件的真实世界数据来验证该框架。此外,本研究的验证仅使用单一退化轨迹(CS2_36)是一个局限,未来工作将扩展到多个电池单元和重复实验运行,以实现置信区间估计和更全面的统计显著性分析。研究结论指出,该框架为仅使用二次运行数据的非侵入式电池健康监测提供了一个稳健且实用的解决方案,BiLSTM模型在捕捉时间退化模式方面表现最优,并强调了统计验证对于确保实际部署中模型可靠性的重要性。
相关新闻
生物通微信公众号
微信
新浪微博

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