一、基本情況
y. qin, c. yuen, x. yin and b. huang, "a transferable multistage model with cycling discrepancy learning for lithium-ion battery state of health estimation," in ieee transactions on industrial informatics, vol. 19, no. 2, pp. 1933-1946, feb. 2023, doi: 10.1109/tii.2022.3205942.
摘要：資料驅動的健康狀態（SOH）估計已成為鋰離子電池狀態估計的熱點。 在本文中，我們提出了一種可轉移的多階段SOH估計模型，用於在同一階段跨細胞的遷移學習。 首先，利用識別出的階段資訊將源電池的原始迴圈資料重構為高維相空間，並利用有限的感測器檢測隱藏的動力學過程然後，通過重構資料週期差值的子空間，提出了一種跨週期各階段的域不變表示方法。 然後，考慮不同階段間放電週期的不平衡，提出一種由長短期記憶網路（LSTM）輕量級模型和強大的時域膠囊網路模型組成的切換估計策略，以提高估計精度。 最後，對迴圈一致性漂移進行補償時目標單元的估計誤差。 該論文使用NASA的公開資料來測試和驗證其優勢。二、要點鋰電池在其整個生命週期內有許多不同的退化模式，這使得遷移學習具有挑戰性
在電池SOH估計中，源域和目標域之間具有一致**能力的域不變性尚未得到足夠的重視。
目前的SOH估計模型假設在整個生命週期中遵循單一的降解模式，這可能不能反映電化學物理。
上述這些侷限性主要歸因於鋰電池資料結構複雜，即迴圈資料不一致。 準確地說，鋰離子電池的退化樣本由二維資料矩陣組成，其資料特徵因效能下降而變化，而不是特定時間的向量。 2D 資料的分布隨時間而變化，即使在訓練資料集中也是如此。
同時，退行性行為可能會在迴圈中經歷多種模式。 也就是說，退行性模式在同一階段是一致的，但在不同階段之間是不同的。 在這裡，階段是連續迴圈的集合，以呈現類似的降級模式。 因此，在各個階段傳遞SOH的估計能力是乙個有意義但尚未解決的問題。
圖 1 NASA 資料集中電池 B5、B6 和 B7 多級特性的容量衰減過程視覺化。
為了解決細胞間資料差異的問題，本文構建了一種創新的、可遷移的多階段SOH估計模型。 該模型專為同一階段細胞之間的遷移學習而設計。 具體而言，本文完成了以下重要工作：
首先，我們重建了原始迴圈資料的相空間，利用有限數量的感測器揭示了隱藏的動力學特徵。 其次，引入一種域不變表示方法進行迴圈差分子空間描述，旨在放大迴圈中的微小差異，從而深入揭示資料分布變化的本質;
然後，我們創新性地提出了一種由LSTM和Temcap組成的切換SOH估計框架，顯著提高了模型對不同階段不平衡期量的適應性。
最後，我們為目標域中的細胞設計了乙個可遷移的多級SOH估計模型，有效地補償了新細胞週期一致性的偏差。
通過這一系列工作，我們成功構建了準確、高效的電池健康狀態估計模型，為相關領域的發展提供了有力支撐。
圖2 採用迴圈差分分析方法，說明同一階段細胞間多階段遷移學習的SOH估計。
我們使用迴圈之間的迴圈一致性來表示相似性，使用迴圈之間的迴圈差異來表示差異。 圖 2 從容量、階段和電池三個方面視覺化了 TL 迴圈微分分析的基本思想。 （相關公式見原文）。
如圖 3 所示，本節說明了所提出的方法，並將其分為四個連續步驟。 首先，資料重建從原始迴圈資料中探索深層動態。 其次，迴圈差分學習找到領域不變表示來輔助TL。 然後，針對不同週期的階段，綜合運用經典LSTM和提出的Temcap網路。 最後，根據**應用的目的，提出了目標域的TL策略。
3. 驗證和分析
如圖 4 所示，一致的特徵在訓練和測試週期中保持相似的行為，表現出良好的生成能力。 每個一致特徵的含義可以結合原始放電電壓、電流和溫度訊號來推斷。 具體來說，第乙個特徵幾乎是靜止的，可能是放電訊號的平均時間序列。 第二和第四個特性是壓降，可能與電壓密切相關。 第三組分的上公升趨勢可能與溫度密切相關。
圖4 在（a）階段1、（b）階段2和（3）階段3中，視覺化了與已知相分一致的分解迴圈的特徵。
圖 5 顯示了階段差異的特徵，無論是訓練週期還是測試週期，每個階段都不同。 這些差異特性會導致效能下降，並且隨著迴圈時間的增加，差異變得更加明顯。
圖5 在（a）第1階段、（b）第2階段和（3）第3階段，B7細胞的迴圈差異特徵在已知的階段分裂中被視覺化和分解。
利用乙個電池的迴圈差分單元建立源模型，並在其他電池上驗證源模型的遷移率。 為了與現有方法進行公平的比較，我們利用電池 B7 構建源模型，然後提供更多比較。 使用 LSTM 開發階段的源模型：由於 B7 在階段 1 和階段 3 的訓練週期小於 50 年，因此首選輕量級 LSTM 作為源模型開發的骨幹。 每個階段的前 70% 的週期用作訓練資料，即第 1 階段的前 20 個週期和第 3 階段的前 40 個週期。 使用訓練有素的模型來測試剩餘的週期。 根據表2所示的網路配置，B7各階段的具體估計結果如圖4所示，包括訓練階段和測試階段。
電池容量實際上是非固定的，並且隨著迴圈次數的增加而減少。 該方法的優點能夠較好地捕捉到測試階段的劣化趨勢，說明該方法具有較好的泛化能力。 此外，還可以很好地再生電池容量。
所提出的方法執行了10次，以評估平均效能和魯棒性。 在窄區間（95%置信水平）下，得到的估計值接近其在地面上的真實值。
圖4 分別使用電池B7、B6和B5作為源模型時，訓練和測試階段的估計效能。
圖5 B7作為源資料，指數RMSE（%）用於比較各種方法。
四、結語
該文首次提出了可轉移鋰離子電池的健康狀態估計模型，並分析了其多級退化行為。 多級降解行為的引入將整個放電分解為多個階段，每個階段都有其獨特的降解行為。 在NASA公開的電池資料集上進行了一系列比較，結果表明，與其他方法相比，該方法具有更靈活的可移植性和更準確的估計。
隨著容量的下降，迴圈資料之間會出現長度不均勻的可變資料結構。 對可變資料結構的不當處理會導致資訊丟失或失真，從而影響估計的準確性。 找到一種合適的嵌入方法（例如動態時間扭曲）來調整離線訓練和應用程式的可變資料結構是值得的。
在考慮退化行為和容量退化的同時生成相分結果仍然是乙個懸而未決的問題，這將促進具有不同退化階段數的鋰電池之間更普遍的遷移學習。 （原始碼可留言，歡迎點讚**。