《Energy Storage Materials》：Hybrid Experts-decoupled and physics-informed neural network for lithium-ion battery degradation modeling and prognosis
编辑推荐：
锂离子电池健康状态估计研究提出混合专家解耦与物理信息神经网络模型，通过解耦多物理场并嵌入物理约束损失函数，显著提升小样本场景下的模型精度和跨数据集泛化能力，实现低于1.6%的均方根误差，并增强可解释性。
Jialiu Zeng|Zhiming Yang|Haitao Zhu|Yifu Chen|Tianlun Huang|Penghui Tan|Xinyu Zhou|Mengyuan Zhou|Yun Zhang|Huamin Zhou
华中科技大学材料科学与工程学院材料加工与模具技术国家重点实验室，武汉，430074，中国
摘要
准确估计锂离子电池的健康状态（SOH）对于延长电池寿命和降低安全风险至关重要。然而，现有的数据驱动方法将内部退化机制视为一个“黑箱”，导致了一系列挑战，如复杂物理模型需要大量数据、模型可迁移性有限以及电化学解释性差。为了解决这些问题，我们提出了一种混合专家解耦和物理信息驱动的神经网络（HyED-PINN），该网络将退化行为与不同的物理场分离。HyED-PINN利用不同物理场的专家模型来提取电化学量，并采用物理信息驱动的损失函数来训练和重新结合相关量，以实现准确的SOH估计。值得注意的是，通过结合多种数据集（电极类型、充放电协议和操作条件），验证了HyED-PINN的充分可迁移性。所提出的模型具有高预测准确性，在CALCE数据集上的最低RMSE达到0.54%，并且在所有评估的数据集中均保持在1.6%以下。与传统神经网络相比，HyED-PINN在小样本场景中表现出更好的性能、增强的迁移学习能力，以及显著提高的电化学解释性。总体而言，这项研究展示了物理信息驱动的机器学习在准确SOH估计方面的潜力，并将其应用扩展到电池运行过程中的实时风险检测。
引言
锂离子电池（LIBs）由于其高能量密度、长循环寿命和不断下降的成本，在电动汽车和储能系统中得到了广泛应用[[1], [2], [3], [4], [5], [6], [7], [8], [9], [10]]。预计到2040年，全球对LIBs的需求将增加8-10倍，达到约5,500 GWh [15]。尽管LIBs的普及极大地提高了现代生活的便利性，但它们的老化行为和状态评估已成为关键的研究和运营重点[16,17]。在各种条件下长时间运行时，LIBs会经历渐进的性能退化，并伴随安全风险的增加——最显著的是热失控[18]。这些问题凸显了强大的电池监控和维护策略的必要性，其中健康状态（SOH）估计是一个基本指标[19]。SOH定义为当前容量与初始可用容量之比，提供了退化程度的直接指示。然而，由于电化学和机械退化机制的复杂相互作用以及高度可变的操作条件，准确的SOH估计仍然具有挑战性[20]。退化和故障不仅增加了维护成本，还可能导致安全隐患。因此，精确的SOH估计对于确保LIBs的安全性、可靠性和寿命至关重要[21]。
已经开发了多种LIBs的SOH估计方法，大致可以分为基于物理的模型和数据驱动的方法[[22], [23], [24], [25], [26], [27], [28], [29], [30], [31]]。基于物理的模型利用物理或数学公式来模拟电池的内部工作机制，通过参数识别和状态估计来实现SOH预测。例如，Chen等人提出了一个耦合的电化学-热-老化模型来准确模拟LIBs的SOH [32]。Allam将SEI生长模型纳入到依赖于老化的电压损失方程中，并根据更新的电压和电阻变化来估计容量衰减 [33]。通过结合多物理场耦合效应，基于物理的模型能够在受控条件下实现精确预测[[34], [35], [36], [37]]。然而，基于物理的模型需要复杂的建模和精确的参数化，在不同条件下难以获得，导致计算成本高且预测结果与实际性能偏差大。
随着机器学习算法的发展，数据驱动方法通过从历史数据中学习电池的老化模式而受到广泛关注。常用的数据驱动方法包括线性回归 [38]、支持向量机 [39]、高斯过程回归 [40]、深度神经网络 [41] 等。Chen等人 [42] 通过整合差分热伏安法（DTV）和极限学习机（ELM）技术实现了高精度的LIBs SOH估计。Yang等人 [43] 使用双支持向量机（TWSVM）进行SOH估计，显著提高了电池退化分析的准确性。尽管这些方法有效，但它们本质上作为“黑箱”运行，仅学习可测量变量与不可测量状态之间的映射。它们的性能强烈依赖于训练数据的质量和分布以及用户定义的模型架构，并且通常需要输入特征和输出之间的强相关性。尽管数据驱动方法相对容易实现，但在不同操作条件和不同数据集之间实现强大的泛化仍然是一个主要挑战。
为了克服这些限制，物理信息驱动的神经网络（PINNs）作为一种有前景的范式出现，它结合了基于物理的模型的可解释性和数据驱动方法的计算效率。PINNs通过将控制方程或约束嵌入损失函数中，将物理定律纳入学习过程，从而增强了物理一致性和可解释性。Wang等人 [44] 开发了一个基于PINN的框架，通过将经验退化模型整合到状态空间方程中，使神经网络能够捕捉复杂的退化动态。Ye等人 [45] 提出了一种物理信息驱动的神经网络（PIFNN），通过将控制物理约束嵌入学习过程来提高锂离子电池的健康状态估计，从而在不同退化场景下提高可解释性和预测准确性。然而，电池退化本质上受到涉及电化学、热和机械过程的多物理场耦合效应的支配。大多数现有的PINN实现仅引入了简化的或部分的物理约束，未能明确分离不同物理场的贡献。因此，它们在不同数据集上的适应性和泛化能力仍然有限。因此，迫切需要一个改进的PINN框架，以明确结合多物理场知识，提高预测准确性、跨数据集的泛化能力和SOH估计的物理可解释性。
在这项工作中，我们提出了一种新颖的混合专家解耦和物理信息驱动的神经网络（HyED-PINN）用于LIBs的SOH估计。HyED-PINN利用不同物理场的专家模型来提取电化学量，并采用物理信息驱动的损失函数来训练和重新结合相关量。结合充电数据和定制的特征提取（统计特征、物理信息特征和时间相关特征），使HyED-PINN能够全面捕捉不同LIBs的退化行为。此外，通过经验退化和状态空间公式对电池退化进行建模，我们将控制方程与神经网络相结合，从而实现高精度的快速SOH估计、高效的小样本训练和出色的跨场景迁移能力。最重要的是，通过从训练有素的神经网络中提取中间参数，我们的框架能够有效表征LIBs中由多物理场耦合相互作用引起的退化趋势。
框架概述和流程图
我们的HyED-PINN分离了物理场，使得LIBs的SOH能够实现高精度、低成本的迁移估计，如图1所示。具体来说，我们首先对选定的数据集进行特征提取，然后详细讨论模型的架构和实现方法，最后通过实验验证来展示模型的优势。
在数据特征提取阶段，设计了一系列逐渐减半的训练集来进行测试
结论
所提出的HyED-PINN模型通过将物理约束嵌入学习过程，实现了比传统数据驱动和基于模型的方法更显著的改进，从而确保了高准确性、强大的可迁移性和即使在数据有限的情况下也具有强解释性。根据测试结果，该模型在逐渐减少的训练集下仍能保持较高的准确性。这种改进能力归因于物理信息驱动的损失函数
LIBs退化因素的模型
锂离子电池的退化是一个复杂的多因素、多层次的过程，由电化学、材料、机械和环境之间的耦合相互作用驱动 [63]。在正极侧，层状氧化物材料如NCM和LCO会发生相变、晶格坍塌和过渡金属溶解，导致活性材料损失和性能退化 [30]，而表面反应（例如电解质氧化）会形成不稳定的界面层
数据可用性
代码可用性
资助
这项工作得到了中国国家重点研发计划（项目编号2024ZD0607100）、国家自然科学基金（项目编号U22B2069）、武汉自然科学基金（2024040701010043）、中国博士后科学基金（2024M761006）、湖北省科技创新人才计划项目（2024DJA029）和中央高校基本科研业务费（2023JYCXJJ012）的支持。此外，还得到了广东省基础与应用基础研究的支持
CRediT作者贡献声明
Jialiu Zeng：写作 – 审稿与编辑、撰写原始草稿、可视化、验证、监督、软件、资源、项目管理、方法论、调查、资金获取、形式分析、数据管理、概念化。Zhiming Yang：验证、监督。Haitao Zhu：资源、方法论、调查。Yifu Chen：数据管理、概念化。Tianlun Huang：调查、资金获取。Penghui Tan：方法论、调查。Xinyu Zhou：
