Utafiti huu unalenga kuzalisha mkondo wa uharibifu wa hali ya afya ya betri ya lithiamu-ioni (state of health, SOH) chini ya hali lengwa ya uendeshaji ambayo haijawahi kufanyiwa jaribio la mizunguko, kwa kutumia tu mfululizo wa SOH wa hali chanzo zilizojaribiwa pamoja na vipengele vya hali chanzo–lengwa. Watafiti wameunganisha modeli zalishi ya masharti ya kubadilika ya mfuatano-kwa-mfuatano (conditional variational sequence-to-sequence, seq2seq) na kidhibiti cha mienendo ya uharibifu chenye miunganisho michache. Modeli ilijaribiwa katika kemia mbili tofauti za betri na aina mbili za uharibifu; ikilinganishwa na mbinu bora zaidi ya kulinganisha iliyopo, ilipunguza kosa la wastani kabisa kwa angalau %31,03 katika seti ya kwanza ya data na %35,90 katika seti ya pili. Hata hivyo, utafiti huu ni preprint ambayo haijapitia uhakiki wa rika; matokeo yanategemea mfululizo wa kuzeeka maabara uliopatikana chini ya hali za uendeshaji zilizowekwa na kufafanuliwa mapema.

Wazo kuu la mbinu iliyopendekezwa ni dhana kwamba mikondo ya SOH inayotokea chini ya halijoto, kiwango cha kuchaji, kiwango cha kutoa chaji, hali ya chaji na kina cha kutoa chaji tofauti inaweza kuwa na jiometri ya pamoja iliyofichika ya uharibifu licha ya kuonekana tofauti. Kisimbaji cha mfuatano huhamisha mkondo wa hali chanzo uliopimwa hadi katika nafasi hii ya pamoja iliyofichika. Kisimbaji cha hali hubadilisha tofauti kati ya hali za uendeshaji chanzo na lengwa kuwa mfuatano wa mageuzi unaobadilika kwa muda. Kisimbuzi cha mfuatano kisha huzalisha kutoka kwenye mfuatano uliofichika uliobadilishwa mkondo kamili wa uharibifu wa SOH wa hali lengwa pamoja na makadirio ya kutokuwa na uhakika.

Kazi msaidizi iliyoongezwa kwenye kazi kuu zalishi huhimiza mkondo wa SOH uliozalishwa kuendana na mienendo ya uharibifu iliyojifunzwa inayohusiana na idadi ya mizunguko, vipengele vya hali lengwa, kiwango cha sasa cha SOH na unyeti wa SOH kwa hali. Katika seti ya kwanza ya data, thamani ya wastani ya MAE ya modeli kamili ilikuwa 0,0040, na katika seti ya pili ilikuwa 0,0050. Katika jaribio la uondoaji wa vipengele kwenye seti ya kwanza ya data, tofauti kati ya modeli M1 ambayo kazi msaidizi iliondolewa na modeli kamili haikupatikana kuwa na umuhimu wa kitakwimu; kinyume chake, katika seti ya pili modeli kamili ilitoa matokeo bora kwa kiwango cha maana kuliko matoleo yote yaliyopunguzwa, ikiwemo M1. Tofauti hii inaonyesha kwamba mchango wa kidhibiti msaidizi cha mienendo unaweza kutegemea seti ya data.

Tathmini kwa mtazamo wa Uturuki: Mbinu hii inaweza kutathminiwa kama zana ya utafiti kwa ajili ya ukuzaji wa betri za magari ya umeme, shughuli za ndani za R&D za seli na pakiti, mifumo tuli ya kuhifadhi nishati, uchujaji wa awali wa mikakati ya kuchaji haraka na kupanga kipaumbele kwa majaribio ghali ya mizunguko. Hata hivyo, hakuna data inayoonyesha kwamba modeli imethibitishwa kwa kemia za seli, hali za hali ya hewa, mizunguko ya kuendesha na miundombinu ya kuchaji inayotumika Uturuki. Utafiti hauonyeshi kwamba majaribio ya kimwili ya mizunguko yanaweza kuondolewa kabisa au kwamba maamuzi ya uzalishaji yanaweza kufanywa kwa kutegemea matokeo ya modeli pekee.

Swali kuu la utafiti ni lipi?

Uwezo na upinzani wa ndani wa betri za lithiamu-ioni hubadilika katika mizunguko ya matumizi. SOH, inayojulikana kama hali ya afya, ni kiashiria kinachoeleza utendaji wa sasa wa betri ukilinganishwa na utendaji wake wa awali au wa kawaida. Kasi na umbo la uharibifu wa SOH hutegemea kwa nguvu hali kama halijoto, hali ya wastani ya chaji, kina cha kutoa chaji, kiwango cha kuchaji, kiwango cha kutoa chaji na mipaka ya volteji.

Mtengenezaji wa betri au maabara ya utafiti huenda asiweze kufanya jaribio kamili la maisha ya mizunguko katika hali zote zinazowezekana za uendeshaji. Majaribio yanayodumu mamia au maelfu ya mizunguko kwa kila hali yanahitaji muda, seli na njia za majaribio. Hata hivyo, wakati wa kuchagua muundo au itifaki ya kuchaji, inaweza kuhitajika kujua mikondo ya muda mrefu ya uharibifu ya hali ambazo bado hazijajaribiwa.

Swali kuu la utafiti ni hili: Je, inawezekana kuzalisha mkondo kamili wa uharibifu wa hali lengwa kutoka kwa mfululizo wa SOH uliopimwa katika hali nyingine bila kuwa na mizunguko ya mapema au data ya uendeshaji ya wakati halisi katika hali lengwa?

“Bila data ya uendeshaji” inamaanisha nini?

Kauli iliyotumiwa katika utafiti inapaswa kuwekewa mipaka kwa uangalifu. Ingizo za utabiri wa modeli ni:

• Mfululizo uliopimwa wa uharibifu wa SOH wa hali moja au zaidi za chanzo zilizojaribiwa,
• Vipengele vya hali chanzo kama halijoto, kiwango cha kuchaji, kiwango cha kutoa chaji, SOC au DOD,
• Vipengele vya aina hiyo hiyo vya hali lengwa inayotakiwa kutabiriwa.

Data ambayo modeli haihitaji ni mkondo wa umeme, volteji, halijoto, mkondo wa kuchaji au mfululizo wa SOH wa mizunguko ya mapema uliopimwa chini ya hali lengwa. Kwa hiyo, mbinu hii haifanyi “utabiri bila data”; hufanya uzalishaji kati ya hali kutoka kwa data za hali chanzo bila kuhitaji data ya uendeshaji ya hali lengwa.

Ni pengo gani katika fasihi linalolengwa?

Sehemu kubwa ya mbinu zilizopo za kutabiri maisha ya mapema au SOH hutumia mkondo wa umeme, volteji, uwezo au viashiria vya afya vya mizunguko ya kwanza ya seli lengwa. Mbinu za ujifunzaji wa uhamishaji pia mara nyingi huhitaji angalau kiasi kidogo cha data kutoka kikoa lengwa. Hali hii hupunguza matumizi ya mbinu katika hatua za usanifu ambapo majaribio bado hayajafanywa katika hali lengwa.

Mbinu za jadi ambazo hazihitaji data ya uendeshaji ya hali lengwa kwa kawaida hutegemea modeli kama Gaussian process regression na support vector regression zinazolinganishwa moja kwa moja vipengele vya hali na SOH au thamani ya maisha. Watafiti wanaeleza kwamba modeli hizi zinaweza kupata ugumu wa kunasa maumbo changamano yasiyo ya mstari katika masafa mapana ya hali na katika hatua za juu za uharibifu.

Badala ya kukokotoa thamani za SOH lengwa moja baada ya nyingine kwa regresha, mbinu zalishi iliyopendekezwa hubadilisha mkondo wa hali chanzo kuwa mkondo wa hali lengwa katika nafasi ya pamoja iliyofichika ya uharibifu. Kwa njia hii, mfuatano wa wakati uliofungamana hutengenezwa katika mzunguko mzima wa maisha.

Tatizo limefafanuliwaje kihisabati?

Hali moja ya uendeshaji huwakilishwa na vekta yenye vipengele M:

\[ \mathbf{c}=(c^1,c^2,\ldots,c^M) \]

Hali chanzo:

\[ \mathbf{c}_s=(c_s^1,c_s^2,\ldots,c_s^M) \]

Hali lengwa:

\[ \mathbf{c}_t=(c_t^1,c_t^2,\ldots,c_t^M) \]

Mfululizo wa SOH uliopimwa chini ya hali chanzo:

\[ \mathbf{SOH}_s=(SOH_{s,1},SOH_{s,2},\ldots,SOH_{s,N}) \]

umefafanuliwa hivyo. Mfululizo lengwa ambao modeli inapaswa kuzalisha ni:

\[ \mathbf{SOH}_t=f(\mathbf{SOH}_s,\mathbf{c}_s,\mathbf{c}_t) \]

na unaelezwa kwa uhusiano huu. Hapa N ni idadi ya nukta za kipimo katika mfululizo. Modeli hutumia kwa pamoja hali ambayo mkondo chanzo uliundwa na jinsi hali lengwa inavyotofautiana na hali chanzo.

Muundo wa jumla wa modeli

Kielelezo 1 kinaonyesha modeli kama kazi mbili zilizounganishwa:

1. Kazi kuu zalishi: Hubadilisha mfululizo wa SOH chanzo kuwa mfululizo wa SOH lengwa.
2. Kazi msaidizi ya mienendo: Huhimiza mfululizo uliozalishwa kuendana na mienendo ya uharibifu iliyojifunzwa kutoka kwa data.

Kazi kuu ina moduli tatu:

• Kisimbaji cha mfuatano S(·),
• Kisimbaji cha hali C(·),
• Kisimbuzi cha mfuatano D(·).

Kazi msaidizi hutekelezwa na kidhibiti cha mienendo chenye miunganisho michache R(·).

Kisimbaji cha mfuatano huchakataje mkondo wa uharibifu wa chanzo?

Kisimbaji cha mfuatano kimeundwa kwa vitengo vya kurudia vilivyo na milango katika tabaka nyingi (gated recurrent unit, GRU). GRU ni muundo wa mtandao wa neva wenye milango unaoamua ni taarifa gani ya zamani ihifadhiwe au isahaulike katika mfuatano wa wakati.

Lango la kuweka upya katika tabaka l:

\[ \mathbf{r}_{s,n}^{l}= \sigma\left(\mathbf{W}_{r}^{l} [\mathbf{h}_{s,n-1}^{l},\mathbf{x}_{s,n}^{l}]\right) \]

Lango la kusasisha:

\[ \mathbf{u}_{s,n}^{l}= \sigma\left(\mathbf{W}_{u}^{l} [\mathbf{h}_{s,n-1}^{l},\mathbf{x}_{s,n}^{l}]\right) \]

Hali fiche mgombea:

\[ \widetilde{\mathbf{h}}_{s,n}^{l}= \tanh\left(\mathbf{W}_{h}^{l} [\mathbf{r}_{s,n}^{l}\odot\mathbf{h}_{s,n-1}^{l}, \mathbf{x}_{s,n}^{l}]\right) \]

Hali fiche mpya:

\[ \mathbf{h}_{s,n}^{l}= (1-\mathbf{u}_{s,n}^{l})\odot\mathbf{h}_{s,n-1}^{l} +\mathbf{u}_{s,n}^{l}\odot\widetilde{\mathbf{h}}_{s,n}^{l} \]

σ huwakilisha kazi ya sigmoid, tanh tanjenti ya haiperboliki, mabano ya mraba huwakilisha uunganishaji wa vekta na ⊙ huwakilisha kuzidisha kipengele-kwa-kipengele. Ingizo la tabaka la kwanza la GRU ni thamani ya SOH; ingizo la tabaka za juu ni hali fiche ya tabaka lililotangulia.

Katika milinganyo iliyochapishwa ya utafiti, inaonekana alama ileile ya h imetumiwa kwa hali fiche mgombea na hali fiche iliyosasishwa. Alama ya tilde hapo juu imeonyeshwa ili kutofautisha dhana hizo mbili kwa mujibu wa maelezo ya maandishi; katika uwasilishaji asilia tofauti hii haiko wazi.

Uwakilishi fiche wa uwezekano huundwaje?

Hali fiche katika tabaka la mwisho la GRU hubadilishwa kupitia mitandao miwili iliyounganishwa kikamilifu kuwa wastani na varianzi ya usambazaji fiche wa Gaussian:

\[ \boldsymbol{\mu}_{s,n}=FC_{\mu}(\mathbf{h}_{s,n}^{L}) \]

\[ \boldsymbol{\sigma}_{s,n}^{2}=FC_{\sigma}(\mathbf{h}_{s,n}^{L}) \]

Vekta fiche hutolewa sampuli kwa mbinu ya uwekaji upya wa vigezo:

\[ \mathbf{z}_{s,n}= \boldsymbol{\mu}_{s,n} +\boldsymbol{\sigma}_{s,n}^{2}\odot\boldsymbol{\epsilon}, \qquad \boldsymbol{\epsilon}\sim\mathcal{N}(\mathbf{0},\mathbf{I}) \]

Utoaji huu wa sampuli unalenga kuruhusu modeli kuwakilisha kutokuwa na uhakika wa maarifa katika uwakilishi fiche wa mfululizo chanzo. Vekta za hatua zote za wakati zinapounganishwa:

\[ \mathbf{Z}_s= (\mathbf{z}_{s,1},\mathbf{z}_{s,2},\ldots,\mathbf{z}_{s,N}) \]

mfululizo hupatikana.

Tanbihi ya uandishi wa alama: Katika mlinganyo, σ² iliyofafanuliwa moja kwa moja kama varianzi inatumika kama mgawo wa utoaji sampuli. Katika modeli za variational, kwa kawaida hutumiwa mkengeuko sanifu au mkengeuko sanifu unaotokana na log-varianzi. Utafiti hauelezi ikiwa alama ya varianzi hapa inawakilisha mkengeuko sanifu au ikiwa operesheni ya mzizi wa mraba inafanywa katika hatua nyingine. Kwa hiyo, maelezo ya utekelezaji hayawezi kuthibitishwa kikamilifu kutoka kwenye maandishi.

Kisimbaji cha hali hulinganishaje hali chanzo na hali lengwa?

Badala ya kuingiza moja kwa moja halijoto ghafi na vipengele vya umeme kwenye mtandao, kisimbaji cha hali hutumia upanuzi wa vipengele uliochochewa na fizikia.

Upanuzi wa vipengele vya halijoto

Kwa halijoto, familia tatu kuu za vihisabati zimetumiwa:

• Thamani ghafi za halijoto za chanzo na lengwa,
• Vihisabati vinavyofanana na Arrhenius vya exp(−1/c),
• Vihisabati changamani vya umbo (1/c)exp(−1/c).

Kwa kila familia, vihisabati tofauti vya thamani za chanzo na lengwa pamoja na vihisabati vya mwingiliano kama kuzidisha na uwiano vilikokotolewa. Kwa njia hii, kipengele cha halijoto kilipanuliwa kuwa uwakilishi wenye vipimo 12.

Upanuzi wa vipengele vya umeme

Kwa vipengele vya umeme kama DOD, SOC, kiwango cha kuchaji au kiwango cha kutoa chaji:

• Thamani ghafi,
• Vihisabati vya mzizi wa mraba au nguvu ya 0,5,
• Vihisabati vya mraba au nguvu ya 2,
• Mwingiliano wa kuzidisha na uwiano wa chanzo–lengwa

vilitumika na kila kipengele kilipanuliwa hadi vipimo 12.

Idadi ya mizunguko n iliongezwa kwenye vipengele vilivyopanuliwa, na kila kipengele cha hali kilichakatwa katika tawi huru lililounganishwa kikamilifu. Matawi maalumu kwa kila kipengele baadaye yaliunganishwa katika mtandao wa pamoja:

\[ \mathbf{z}_{s\rightarrow t,n}= FC_{\mathrm{shared}}\left( [ FC_{\mathrm{branch}\,1}([\mathbf{c}_{st}^{1},n]), \ldots, FC_{\mathrm{branch}\,M}([\mathbf{c}_{st}^{M},n]) ] \right) \]

Muundo huu ulitengenezwa ili kwanza kujifunza athari ya kila kipengele kama halijoto au kiwango cha kuchaji kando, na kisha kuunda modeli ya athari zilizounganishwa kati ya vipengele katika tabaka la pamoja.

Mkondo fiche wa chanzo hubadilishwaje kuwa hali lengwa?

Vekta fiche ya chanzo na vekta ya mageuzi ya hali huzidishwa kipengele-kwa-kipengele katika kila hatua ya wakati:

\[ \mathbf{z}_{t,n}= \mathbf{z}_{s\rightarrow t,n} \odot \mathbf{z}_{s,n} \]

Operesheni hii inaweza kufikiriwa kama kukuza, kupunguza au kuelekeza kiolezo cha pamoja kilichofichika cha uharibifu katika vipimo tofauti kulingana na hali lengwa. Watafiti wanatafsiri taswira za nafasi fiche za mageuzi haya kama “upimaji wa anisotropiki”.

Kisimbuzi cha mfuatano hutoa matokeo gani?

Vekta fiche iliyobadilishwa hubadilishwa na kisimbuzi kilichounganishwa kikamilifu kuwa thamani lengwa ya SOH na varianzi yake ya Gaussian:

\[ [\widehat{SOH}_{t,n}, \sigma_{\widehat{SOH}_{t,n}}^{2}] = D(\mathbf{z}_{t,n}) \]

Makadirio ya wastani ya SOH hutoa mkondo wa afya unaotarajiwa katika hali lengwa. Varianzi ya kisimbuzi imetumiwa kuwakilisha kutokuwa na uhakika kunakotokana na data au aleatoric kwa mchakato wa uharibifu chini ya hali zilezile za ingizo zilizozingatiwa.

Kazi kuu imeandikwa kwa muhtasari kama:

\[ \widehat{\mathbf{SOH}}_t= D\left[ S(\mathbf{SOH}_s) \odot C(\mathbf{c}_s,\mathbf{c}_t) \right] \]

.

Kazi msaidizi ya mienendo hufanya nini?

Hata kama modeli kuu inazalisha mkondo kwa usahihi mkubwa, mkondo huo lazima uendane na muundo wa muda wa uharibifu wa betri. Kwa lengo hili, watafiti walitumia mtandao wenye miunganisho michache unaotabiri kasi ya mabadiliko ya SOH kulingana na idadi ya mizunguko:

\[ \frac{\partial\mathbf{SOH}_t}{\partial n} = R(\boldsymbol{\Phi}_R;\boldsymbol{\Theta}_R) \]

Seti ya wagombea wa mienendo:

\[ \boldsymbol{\Phi}_R= \left\{ n, \mathbf{c}_t, \mathbf{SOH}_t, \frac{\partial\mathbf{SOH}_t}{\partial\mathbf{c}_t} \right\} \]

imefafanuliwa hivyo. Unyeti wa SOH wa daraja la kwanza kwa hali lengwa:

\[ \frac{\partial\mathbf{SOH}_t}{\partial\mathbf{c}_t} = \left( \frac{\partial\mathbf{SOH}_t}{\partial c_t^1}, \frac{\partial\mathbf{SOH}_t}{\partial c_t^2}, \ldots, \frac{\partial\mathbf{SOH}_t}{\partial c_t^M} \right) \]

una umbo hili.

Seti hii ya wagombea hubeba aina nne za taarifa:

• Athari ya idadi ya mizunguko,
• Athari ya hali lengwa ya uendeshaji,
• Uharibifu unaotegemea kiwango cha sasa cha SOH,
• Unyeti wa ndani wa SOH kwa vipengele vya hali.

Uhusiano kati ya kazi kuu na kazi msaidizi ni kuweka derivative ya mzunguko ya modeli zalishi ikilingana na matokeo ya kidhibiti cha mienendo:

\[ \frac{\partial D[S(\mathbf{SOH}_s)\odot C(\mathbf{c}_s,\mathbf{c}_t)]}{\partial n} = R\left( n, \mathbf{c}_t, D[S(\mathbf{SOH}_s)\odot C(\mathbf{c}_s,\mathbf{c}_t)], \frac{\partial D[S(\mathbf{SOH}_s)\odot C(\mathbf{c}_s,\mathbf{c}_t)]} {\partial\mathbf{c}_t} \right) \]

Tofauti isiyoelezwa katika vipimo vya kidhibiti cha mienendo

Ufafanuzi ulioandikwa wa seti ya wagombea huzalisha vipengele vya ingizo 2M+2. Kwa kuwa seti ya kwanza ya data ina vipengele vitano vya hali, idadi hii inapaswa kuwa 12, na kwa seti ya pili yenye vipengele vinne inapaswa kuwa 10. Katika majedwali ya hiperparameta, vipimo vya ingizo vya kidhibiti cha mienendo vimetolewa kama 13 na 11 mtawalia. Haijaelezwa ingizo moja la ziada ni nini.

Modeli ilifundishwa kwa hasara zipi?

1. Hasara hasi ya log-uwezekano ya Gaussian

Kosa la utabiri lilitathminiwa pamoja na varianzi iliyotabiriwa na modeli:

\[ \mathcal{L}_{NLL} = \frac{1}{N} \sum_{n=1}^{N} \left[ \frac{(SOH_{t,n}-\widehat{SOH}_{t,n})^2} {2\sigma_{\widehat{SOH}_{t,n}}^2} + \frac{1}{2} \log\sigma_{\widehat{SOH}_{t,n}}^2 \right] \]

Kihisabati cha kwanza huadhibu kosa. Kihisabati cha pili huzuia modeli kuongeza varianzi bila kikomo ili kuficha kosa.

2. Hasara ya umbo la mkondo

Ilitiwa moyo kwamba uhusiano wa Pearson kati ya mfululizo wa SOH uliozalishwa na halisi uwe mkubwa:

\[ \mathcal{L}_{shape} = 1-\rho( \mathbf{SOH}_t, \widehat{\mathbf{SOH}}_t ) \]

Hasara hii inalenga kuhifadhi si tu nukta binafsi bali pia umbo la jumla la mkondo.

3. Kizuizi cha monotonicity

Kwa kuwa kwa ujumla SOH inatarajiwa kupungua kadiri mizunguko inavyoongezeka, utabiri mfululizo unaoonyesha ongezeko uliadhibiwa:

\[ \mathcal{L}_{mono} = \frac{1}{N-1} \sum_{n=1}^{N-1} ReLU( \widehat{SOH}_{t,n+1} - \widehat{SOH}_{t,n} ) \]

Badala ya kupiga marufuku kabisa mabadiliko madogo ya vipimo, hasara hii inalenga kuzuia modeli kuzalisha mkondo wa afya usio wa kimwili unaoongezeka mfululizo kwa ujumla.

4. Udhibiti wa nafasi fiche

Hasara ya Kullback–Leibler ilitumika ili usambazaji fiche usiondoke kupita kiasi kutoka kwa usambazaji sanifu wa Gaussian:

\[ \mathcal{L}_{KL} = \frac{1}{2N} \sum_{n=1}^{N} \left( \boldsymbol{\mu}_{s,n}^{2} + \boldsymbol{\sigma}_{s,n}^{2} - \log\boldsymbol{\sigma}_{s,n}^{2} - \mathbf{1} \right) \]

Muundo huu unalenga kuunda nafasi fiche ambamo mageuzi kati ya hali yanaweza kufanywa kwa ulaini na mwendelezo zaidi.

5. Hasara ya utabiri wa mienendo

Tofauti kati ya derivative halisi ya mfululizo wa SOH uliozalishwa na mienendo iliyotabiriwa na mtandao msaidizi:

\[ \mathcal{L}_{dyn} = \left\| \frac{\partial\widehat{\mathbf{SOH}}_t}{\partial n} - R(\boldsymbol{\Phi}_R;\boldsymbol{\Theta}_R) \right\|_2^2 \]

ilipimwa kwa njia hii.

6. Hasara ya uchache wa miunganisho

Ili kupeleka miunganisho isiyohitajika katika mtandao wa mienendo karibu na sifuri:

\[ \mathcal{L}_{sparse} = \|\boldsymbol{\Theta}_R\|_1 \]

ilitumika. Udhibiti wa L1 unalenga kuhifadhi idadi ndogo zaidi ya mahusiano ya mienendo yenye nguvu.

Hasara ya jumla

Vipengele vyote vimeunganishwa katika kazi lengwa ifuatayo:

\[ \mathcal{L}_{total} = \mathcal{L}_{NLL} + \lambda_{shape}\mathcal{L}_{shape} + \lambda_{mono}\mathcal{L}_{mono} + \lambda_{KL}\mathcal{L}_{KL} + \lambda_{dyn}\mathcal{L}_{dyn} + \lambda_{sparse}\mathcal{L}_{sparse} \]

Sampuli za mafunzo ziliundwaje?

Ikiwa kuna hali chanzo K, jozi K² za mafunzo zimeundwa kwa kubadilisha kila hali chanzo kuwa kila hali nyingine. Ingizo la sampuli moja ya mafunzo ni:

\[ \mathbf{SOH}_{s_i}, \mathbf{c}_{s_i}, \mathbf{c}_{s_j} \]

na matokeo lengwa ni:

\[ \mathbf{SOH}_{s_j} \]

yamefafanuliwa hivyo. Kwa maneno mengine, wakati wa mafunzo modeli hujifunza mageuzi yote yenye mwelekeo kati ya hali zinazojulikana.

Wakati urefu wa mikondo miwili unatofautiana, urefu wa pamoja:

\[ N=\min(N_i,N_j) \]

ulichukuliwa. Ndani ya mini-batch, mifululizo mifupi ilijazwa sifuri na tenza ya maski ilizuia sifuri hizi bandia kuingizwa katika hesabu ya hasara.

Mtiririko wa mafunzo ya modeli na utabiri zalishi

Kielelezo 2 kinaonyesha utekelezaji katika hatua nne:

1. Maandalizi ya data: Kulainisha mikondo ya SOH na kuondoa sehemu zisizo za kawaida,
2. Kuunda jozi za mafunzo: Kuzalisha sampuli K² kutoka kwa jozi za hali chanzo na lengwa,
3. Mafunzo ya modeli: Kuchagua hiperparameta kwa Optuna na kupunguza hasara ya jumla kwa Adam,
4. Utabiri zalishi: Kuzalisha mikondo lengwa kutoka kwa hali nyingi za chanzo na utoaji sampuli nasibu.

Kwa kila hali chanzo, sampuli huchukuliwa mara S kutoka kwa usambazaji fiche, na jumla ya mikondo lengwa K×S huzalishwa. Utabiri wa mwisho ni wastani wake:

\[ \widehat{\mathbf{SOH}}_t = \frac{1}{KS} \sum_{i=1}^{K} \sum_{s=1}^{S} \widehat{\mathbf{SOH}}_t^{(i,s)} \]

Asilimia za 2,5 na 97,5 za mikondo iliyozalishwa huunda ukanda wa kutokuwa na uhakika unaoitwa katika utafiti muda wa kujiamini wa %95. Ukanda huu si muda wa kujiamini wa vigezo pekee kwa maana ya kawaida; ni muda zalishi wa kutokuwa na uhakika unaojumuisha pia usambazaji wa utabiri unaotokana na utoaji sampuli fiche na varianzi ya kisimbuzi.

Seti ya kwanza ya data ina betri gani?

Uchunguzi wa hali ya kwanza unategemea seli 60 za Sony Murata US18650VTC5A zilizochapishwa hapo awali. Seli hizo zina:

• Kemia ya kathodi ya oksidi ya nikeli-kobalti-alumini (NCA),
• Uwezo wa kawaida wa 2,5 Ah,
• Hali 60 tofauti za uendeshaji zilizo thabiti

. SOH ilipimwa kila mizunguko 50 kamili sawia.

Vipengele vya hali vilivyochunguzwa:

• Halijoto,
• Kina cha kutoa chaji (DOD),
• Hali ya wastani ya chaji (SOC_mean),
• Kiwango cha kuchaji,
• Kiwango cha kutoa chaji.

Urefu wa majaribio ulitofautiana kati ya mizunguko 96 na 3773 kamili sawia. Mifululizo 15 mifupi kuliko mizunguko 500 iliondolewa na seli 45 katika hali 45 tofauti zilibaki katika tathmini.

Mgawanyo wa mafunzo na majaribio katika seti ya kwanza ya data

Hali 45 ziligawanywa kuwa:

• 30 za mafunzo,
• 10 za uthibitishaji,
• 5 za majaribio

. Majaribio matano huru yalifanywa na hali za majaribio zilibadilishwa kati ya majaribio. Kwa njia hii, ilijaribiwa kupunguza utegemezi wa matokeo kwa mgawanyo mmoja tu wa hali uliokuwa na bahati.

Hiperparameta kuu zilizochaguliwa kwa seti ya kwanza ya data

Vipimo vya utendaji

Kosa la wastani kabisa:

\[ MAE= \frac{1}{N} \sum_{n=1}^{N} |SOH_{t,n}-\widehat{SOH}_{t,n}| \]

lilikokotolewa hivyo. Thamani hii hutoa mkengeuko wa wastani kabisa wa SOH katika nukta zote za mizunguko.

Kosa kubwa zaidi kabisa:

\[ maxAE= \max_{n=1,\ldots,N} |SOH_{t,n}-\widehat{SOH}_{t,n}| \]

huonyesha kosa baya zaidi la utabiri katika nukta yoyote ya mkondo.

Majaribio ya uondoaji yanaonyesha mchango wa vipengele gani?

Modeli tatu zilizopunguzwa ziliundwa:

• M1: Kazi kuu zalishi ilihifadhiwa, kazi msaidizi ya mienendo ikaondolewa.
• M2: Kazi kuu zalishi ilibadilishwa na BPNN, huku kazi msaidizi ikihifadhiwa.
• M3: Modeli msingi ya BPNN ilitumika na kazi msaidizi pia ikaondolewa.

Matokeo ya uondoaji katika seti ya kwanza ya data

Kazi kuu zalishi peke yake ilitoa faida kubwa. Kazi msaidizi ya mienendo ilipunguza zaidi kosa la wastani wakati wa kuhama kutoka M1 hadi modeli kamili. Hata hivyo, katika t-test iliyooanishwa, tofauti kati ya modeli kamili na M1 yenye p=0,3016 haikuwa na umuhimu katika kizingiti cha 0,05. Modeli kamili ilipatikana kuwa bora kwa kiwango cha maana kuliko M2 kwa p=0,0160 na kuliko M3 kwa p=0,0021.

Kwa hiyo, kwa seti ya kwanza ya data si sahihi kusema kwamba “kazi msaidizi ilitoa uboreshaji wenye umuhimu kwa hakika”. Kuna uboreshaji katika thamani za wastani; lakini tofauti dhidi ya M1 haikuthibitishwa kitakwimu baada ya kuzingatia utofauti kati ya hali za majaribio.

Ulinganisho na mbinu zilizopo zisizohitaji data ya uendeshaji

Mbinu tatu zilitumika kwa kulinganisha:

• GPR-M32: Gaussian process regression yenye kerneli ya anisotropiki ya Matérn 3/2,
• GPR-COM: Gaussian process regression yenye kerneli changamani,
• SVR: Support vector regression.

Ulinganisho wa mbinu katika seti ya kwanza ya data

Ikilinganishwa na mbinu bora zaidi ya kulinganisha GPR-M32, modeli kamili ilipunguza MAE ya wastani kwa %31,03 na maxAE kwa %35,25. Katika vipimo vilivyooanishwa, mbinu iliyopendekezwa ilipatikana kuwa bora kwa kiwango cha maana kuliko GPR-M32 kwa p=0,0150, GPR-COM kwa p=0,0182 na SVR kwa p=0,0001.

Kielelezo 7 kinaonyesha kwamba mbinu za GPR hujitenga na mkondo halisi hasa katika hatua za juu za uharibifu, huku SVR ikijitenga katika baadhi ya hali katika mizunguko ya mapema na ya kati. Katika mchoro wa kutawanyika wa halisi–utabiri katika Kielelezo 9, nukta za modeli iliyopendekezwa zimejikusanya kwa karibu zaidi karibu na mstari wa kosa sifuri.

Uchambuzi wa nafasi fiche unaonyesha nini?

Katika Kielelezo 10, vekta fiche zimepunguzwa hadi vipimo viwili kwa uchambuzi wa vipengele vikuu. Mikondo inayotoka katika hali chanzo imejikusanya karibu na njia moja ya pamoja iliyo finyu licha ya hali tofauti za uendeshaji. Rangi ya nukta ilibadilika kwa utaratibu kulingana na kiwango cha SOH na mwelekeo wa uharibifu ulihifadhiwa katika njia fiche.

Watafiti wanatafsiri muundo huu kuwa kisimbaji cha mfuatano kinabana mikondo ya SOH inayoonekana tofauti kuwa “kiolezo cha umbo la uharibifu” cha pamoja.

Baada ya mageuzi ya hali lengwa:

• Mikondo fiche lengwa ilisogea mbali na eneo chanzo,
• Hali lengwa tofauti zilitenganishwa,
• Mwelekeo na kipimo cha mikondo vilibadilika kulingana na hali,
• Hata hivyo, mikondo ilihifadhi mwendelezo na mielekeo inayofanana ya uharibifu.

Matokeo haya ya kuona yanaunga mkono tafsiri kwamba kisimbaji cha hali hakikujifunza uhamisho mmoja thabiti, bali modulesheni ya anisotropiki inayobadilisha vipimo tofauti vya nafasi fiche kwa viwango tofauti kulingana na hali. Taswira ya PCA hutoa ushahidi wa kueleza kuhusu mekanizimu; lakini peke yake haithibitishi kwamba modeli imejifunza mekanizimu ya kielektrokemia.

Kwa nini seti ya pili ya data ni muhimu?

Uchunguzi wa hali ya pili uliundwa kutoka kwa majaribio ya mizunguko ya watafiti wenyewe ili kutathmini uhamishikaji wa mbinu kwa kemia tofauti ya seli na umbo tofauti la uharibifu.

Seti ya data ina:

• Seli 20 zenye kathodi ya oksidi ya lithiamu-kobalti (LCO),
• Uwezo wa kawaida wa 5,5 Ah,
• Hali 20 tofauti za uendeshaji,
• Kipimo cha SOH kila mizunguko 50 kamili sawia

.

Vipengele vya hali:

• Halijoto ya 20–40 °C,
• Kiwango cha kuchaji cha 1 C–2 C,
• Volteji ya juu ya kukata ya 4,41–4,50 V,
• Volteji ya chini ya kukata ya 3,0–3,2 V.

Katika seli za NCA za seti ya kwanza ya data, kasi ya uharibifu ilikuwa na mwelekeo wa kupungua kadiri mizunguko ilivyoongezeka, ilhali katika seli za LCO kulionekana uharibifu takriban wa mstari au upotevu wa uwezo unaoongezeka kasi katika mizunguko ya baadaye. Udogo zaidi wa seti ya pili ya data uliiweka mbinu katika jaribio gumu zaidi la ujumlishaji.

Mpangilio wa jaribio katika seti ya pili ya data

Hali 20 ziligawanywa kuwa:

• 12 za mafunzo,
• 4 za uthibitishaji,
• 4 za majaribio

na majaribio matano yalifanywa ili hali zote ziweze kuonekana katika majaribio.

Matokeo ya uondoaji ya seti ya pili ya data

Katika seti ya pili ya data, modeli kamili ilipatikana kuwa bora kwa kiwango cha maana kuliko M1 kwa p=0,0288, M2 kwa p=0,0048 na M3 kwa p=0,0067. Hapa, mchango wa ziada wa kazi msaidizi ya mienendo, tofauti na seti ya kwanza ya data, uliungwa mkono kitakwimu.

Ulinganisho wa mbinu katika seti ya pili ya data

Ikilinganishwa na GPR-M32, MAE ya wastani ilipungua kwa %35,90 na maxAE kwa %30,43. Modeli iliyopendekezwa ilitoa matokeo bora kwa kiwango cha maana kuliko GPR-M32 kwa p=0,0322, GPR-COM kwa p=0,0262 na SVR kwa p=0,0140.

Ni nguvu zipi kuu za utafiti?

• Kufafanua kwa uwazi tatizo ambalo halihitaji data ya uendeshaji ya mizunguko ya mapema kutoka hali lengwa,
• Kuzalisha mfululizo kamili wa uharibifu badala ya regresha ya nukta moja ya SOH,
• Kushughulikia kutokuwa na uhakika wa maarifa na kutokuwa na uhakika kunakotokana na data ndani ya mchakato mmoja zalishi,
• Kutumia upanuzi wa vipengele uliochochewa na fizikia kwa mahusiano ya hali chanzo–lengwa,
• Kujaribu kando mchango wa kazi kuu zalishi na kidhibiti cha mienendo,
• Kutumia seti mbili za data zenye kemia tofauti za kathodi na mikondo tofauti ya uharibifu,
• Kufanya majaribio matano tofauti badala ya mgawanyo mmoja wa data,
• Kusaidia ulinganisho si kwa kosa la wastani pekee bali pia kwa maxAE, usambazaji wa makosa na t-test zilizoanishwa,
• Kutoa tafsiri kuhusu muundo wa ndani wa modeli kwa kuonyesha nafasi fiche na mageuzi kati ya hali.

Mapungufu ya utafiti ni yapi?

• Utafiti ni preprint ambayo haijapitia uhakiki wa rika.
• Kila betri ilizungushwa chini ya hali moja tu ya uendeshaji iliyo thabiti; wasifu halisi wa kuendesha na kuchaji unaobadilika kwa muda haukuundwa katika modeli.
• Katika seti ya kwanza ya data, majaribio mafupi yaliondolewa; athari ya uamuzi huu wa uchakataji wa awali katika usambazaji tofauti wa data haikuonyeshwa.
• Kwa kawaida kuna seli moja tu katika kila hali ya uendeshaji; utofauti wa utengenezaji kati ya seli katika hali hiyo hiyo umewakilishwa kwa kiwango kidogo.
• Seti mbili za data zinajumuisha kemia za NCA na LCO pekee; hakuna matokeo kwa LFP, NMC, anodi yenye nyongeza ya silikoni au kemia za kizazi kipya.
• Haijachambuliwa kwa undani modeli inaweza kufanya extrapolation kwa uaminifu kwa kiwango gani mbali sana nje ya masafa ya mafunzo ya vipengele vya hali lengwa.
• Mifululizo ya SOH ililainishwa na sehemu zisizo za kawaida zikaondolewa kabla ya mafunzo; ustahimilivu dhidi ya kelele ghafi za sensa na data ya uwanjani haukujaribiwa.
• Modeli hutumia vipengele vilivyochochewa na fizikia lakini haijawekewa moja kwa moja vizuizi vya milinganyo ya uhifadhi ya kielektrokemia au modeli ya kimekanistiki ya kuzeeka.
• Katika seti ya kwanza ya data, tofauti kati ya modeli kamili na M1 inayotumia kazi kuu pekee si muhimu kitakwimu.
• Uandishi wa alama wa varianzi–mkengeuko sanifu katika mlinganyo wa uwekaji upya wa vigezo na vipimo vya ingizo vya kidhibiti cha mienendo havijaelezwa kikamilifu.
• Muda wa kukokotoa, gharama ya mafunzo, utekelezaji katika mfumo uliopachikwa wa usimamizi wa betri au akiba halisi ya muda katika kupanga majaribio ya mizunguko haikupimwa kwa kiasi.

Utafiti unaunga mkono nini?

• Katika seti za data zilizojaribiwa, mikondo kamili ya SOH iliweza kuzalishwa kwa hali lengwa ambazo hazikuonekana kwa kutumia mikondo ya SOH ya chanzo na vipengele vya hali.
• Muundo wa masharti wa variational seq2seq ulitoa kosa dogo kuliko regresha ya jadi ya hali–SOH.
• Kidhibiti cha mienendo kilipunguza kosa la wastani katika seti zote mbili za data; mchango wake ni muhimu kitakwimu katika seti ya pili.
• Modeli ilitoa kosa dogo kuliko mbinu bora zaidi ya kulinganisha katika kemia mbili tofauti za betri na morfolojia tofauti za uharibifu.
• Uchambuzi wa nafasi fiche ulionyesha kwamba mikondo tofauti ya chanzo inaweza kukusanywa katika uwakilishi wa pamoja na hali lengwa zinaweza kuunda mageuzi yanayotofautishwa.

Utafiti hauthibitishi nini?

• Haithibitishi kwamba maisha ya betri yanaweza kutabiriwa bila taarifa yoyote kuhusu hali lengwa.
• Hauonyeshi kwamba majaribio ya mizunguko ya hali chanzo hayahitajiki tena.
• Hauonyeshi kwamba modeli itatoa usahihi uleule kwa kemia zote za betri, watengenezaji na miundo ya seli.
• Hautoi uthibitishaji chini ya uendeshaji halisi wa gari, mabadiliko ya haraka ya halijoto, nguvu ya kuchaji inayobadilika au kuzeeka uwanjani.
• Haithibitishi kwamba muda wa kutokuwa na uhakika uliozalishwa una kiwango sahihi cha kufunika kitakwimu katika hali zote zisizojulikana.
• Hauonyeshi kwamba modeli imegundua moja kwa moja au kueleza kisababishi mekanizimu za uharibifu wa kielektrokemia.
• Haithibitishi kwamba usalama wa betri, maisha ya mizunguko au muda wa kiuchumi wa maendeleo umeboreshwa kwa hakika katika matumizi.

Mbinu na Matokeo ya Utafiti

Muhtasari wa mbinu

Ulinganisho wa seti za data

Matokeo makuu ya nambari

Katika seti zote mbili za data, mbinu iliyopendekezwa ilitoa thamani ya chini zaidi ya MAE ya wastani. Hata hivyo, haitoshi kuangalia faida za wastani pekee. Katika seti ya kwanza ya data, faida ya ziada ya kazi msaidizi ya mienendo haikuthibitishwa kitakwimu, wakati katika seti ya pili ilithibitishwa. Matokeo yenye nguvu zaidi yanayoungwa mkono kwa pamoja katika seti zote mbili ni kwamba kazi kuu ya masharti zalishi hutoa upungufu mkubwa wa kosa ikilinganishwa na regresha rahisi inayotegemea BPNN.

Ujumbe mkuu wa vielelezo na grafu

• Kielelezo 1: Kinaonyesha mfululizo wa SOH wa chanzo ukipitia kisimbaji cha GRU hadi nafasi ya pamoja fiche, kupitia kisimbaji cha hali hadi ishara ya mageuzi ya lengwa, na kutoka kisimbuzi hadi mkondo wa SOH lengwa. Mtandao msaidizi wa mienendo hudhibiti derivative ya mfululizo uliozalishwa.
• Kielelezo 2: Kinaonyesha kwa pamoja mchakato wa kuandaa data, kuunda jozi K² za hali, kutumia maski, kuchagua hiperparameta, kufundisha modeli na kufanya utabiri kwa sampuli nyingi.
• Kielelezo 4: Kinaonyesha kwamba modeli kamili hufuata mkondo halisi wa uharibifu kwa karibu zaidi kuliko modeli zilizopunguzwa katika hali tatu za majaribio.
• Kielelezo 5 na Kielelezo 12: Vinaonyesha kwamba usambazaji wa makosa wa modeli kamili na M1 ni mwembamba zaidi karibu na sifuri, wakati wa M2 na M3 ni mpana zaidi na wenye mikia mirefu.
• Kielelezo 6 na Kielelezo 9: Vinaonyesha kwamba modeli kamili huweka thamani halisi na zilizotabiriwa za SOH karibu na mstari wa kosa sifuri, huku mbinu za kulinganisha zikitawanyika zaidi hasa katika maeneo ya SOH ya chini au ya kati.
• Kielelezo 7: Kinaonyesha kwamba mbinu za GPR hupata upotovu wa kimfumo katika uharibifu wa baadaye, na SVR katika baadhi ya hali katika mizunguko ya mapema na ya kati.
• Kielelezo 10: Kinaonyesha kwamba hali tofauti za chanzo hujikusanya kwenye manifold fiche ya pamoja, huku mageuzi ya hali lengwa yakitengeneza njia zilizotengana lakini endelevu.
• Kielelezo 13: Kinaonyesha kwamba katika seti ya pili ya data mbinu iliyopendekezwa hutoa kosa la wastani lililo chini na usambazaji wa makosa ulio mwembamba zaidi.

Tafsiri kwa upande wa matumizi

Modeli inaweza kutumika katika mchakato wa ukuzaji wa betri kutabiri ni mchanganyiko upi wa halijoto, kiwango cha C au mipaka ya volteji unaweza kuonyesha uharibifu wa haraka kabla ya kuweka hali zote katika majaribio marefu ya mizunguko. Katika matumizi kama haya, modeli haipaswi kutathminiwa kama zana ya mwisho ya kufanya maamuzi inayochukua nafasi ya majaribio ya kimwili, bali kama zana ya uchujaji na kutengeneza nadharia inayosaidia kupanga kipaumbele kwa majaribio ghali.

Katika ukuzaji wa itifaki ya kuchaji, modeli inaweza kutoa utabiri wa mapema kuhusu uharibifu wa muda mrefu kwa kubadilisha mikondo ya SOH ya itifaki zilizojaribiwa hapo awali kwenda kwenye vipengele vya hali vya itifaki mpya. Kwa hili, hali mpya lengwa lazima iwe na uhusiano wa kutosha na hali zilizomo katika data ya mafunzo na matokeo lazima yathibitishwe kwa majaribio ya kimwili ya seli.

Tanbihi ya Chanzo na Mbinu

Jina kamili asilia la utafiti: Cross-condition generative prediction of lithium-ion battery health degradation without operational data

Waandishi: Cong Wang; Jiawei Zheng; Yunxia Chen.

Mpangilio wa waandishi: Orodha iliyo hapo juu inadumisha mpangilio wa kazi asilia.

Mwandishi mwenza wa kwanza: Utafiti hauna taarifa ya uandishi wa kwanza wa pamoja au mchango sawa.

Mwandishi wa mawasiliano: Yunxia Chen.

Kurumlar: School of Reliability and Systems Engineering, Beihang University; State Key Laboratory of Advanced Forming Technology & Equipment; Department of Systems Engineering, City University of Hong Kong.

DOI: 10.2139/ssrn.6934912

Jarida: Chapisho la jarida lililopitiwa na rika halijathibitishwa kupitia toleo hili.

Jukwaa la uchapishaji: SSRN.

Taarifa ya mchapishaji: Utafiti hauwasilishwi kama toleo lililochapishwa na mchapishaji wa jarida lililopitiwa na rika. SSRN ni huduma ya preprint inayoendeshwa ndani ya Elsevier.

Mwaka wa uchapishaji: 2026.

Tarehe ya kupakiwa kwenye jukwaa: Rekodi ya SSRN inaonyesha 13 Juni 2026.

Aina ya chanzo: Makala ya utafiti ya preprint inayotengeneza mbinu zalishi ya ujifunzaji wa mashine na kuithibitisha kwenye seti mbili za data za majaribio ya kuzeeka kwa betri.

Hali ya uhakiki: Utafiti huu haujapitia uhakiki wa rika. Matokeo hayapaswi kutathminiwa kama toleo la mwisho la uchapishaji lililopitia uhakiki huru wa kisayansi.

Kiungo rasmi cha utafiti:Ukurasa wa utafiti wa SSRN 6934912

Kiungo cha DOI:10.2139/ssrn.6934912

Maudhui haya ya Verianla yameandaliwa kwa kuchunguza ufafanuzi wa tatizo, usanifu wa modeli, usemi wa kihisabati namba 28, mchakato wa maandalizi ya data, vipengele vya hali, majedwali ya hiperparameta, majaribio ya uondoaji, ulinganisho wa mbinu, vipimo vya takwimu na taswira za nafasi fiche katika utafiti uliopakiwa. Hakuna matokeo mapya ya kisayansi kutoka vyanzo vya nje yaliyoongezwa. Uthibitishaji wa nje ulitumika tu kwa nyanja za bibliografia kama DOI, jukwaa, tarehe na hali ya uhakiki.

Kauli ya utafiti “bila data ya uendeshaji” inamaanisha kwamba data ya mizunguko ya mapema iliyopimwa au data ya kuchaji-kutoa chaji ya wakati halisi katika hali lengwa haihitajiki. Mbinu inahitaji mifululizo kamili ya uharibifu wa SOH ya hali chanzo, vipengele vya hali chanzo na vipengele vya hali lengwa.

Mipaka kuu ya matokeo ni hali za maabara za uendeshaji zilizo thabiti, kemia mbili za betri, marudio machache ya seli katika hali ileile, mifululizo ya SOH iliyolainishwa, kutokuchunguzwa kwa wasifu halisi wa matumizi unaobadilika na kutokuwepo kwa uthibitishaji wa mtandaoni kwenye mfumo halisi wa usimamizi wa betri. Utafiti hauthibitishi moja kwa moja kuondolewa kwa majaribio ya kimwili ya betri, usalama wa matumizi halisi au akiba ya muda katika maendeleo ya kibiashara.

Katika mlinganyo wa uwekaji upya wa vigezo kwenye maandishi, uandishi wa alama kati ya varianzi na mkengeuko sanifu pamoja na vipimo vya ingizo vya mtandao msaidizi wa mienendo havijaelezwa kikamilifu. Katika seti ya kwanza ya data, tofauti ya kosa la wastani kati ya M1 ambayo kazi msaidizi imeondolewa na modeli kamili si muhimu kitakwimu; matokeo haya yanapaswa kuzingatiwa wakati wa kutathmini dai la jumla la makala kuhusu kazi msaidizi.