一、基本情况
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：数据驱动的健康状态（SOH）估计已成为锂离子电池状态估计的热点。 在本文中，我们提出了一种可转移的多阶段SOH估计模型，用于在同一阶段跨细胞的迁移学习。 首先，利用识别出的阶段信息将源电池的原始循环数据重构为高维相空间，并利用有限的传感器检测隐藏的动力学过程然后，通过重构数据周期差值的子空间，提出了一种跨周期各阶段的域不变表示方法。 然后，考虑不同阶段间放电周期的不平衡，提出一种由长短期记忆网络（LSTM）轻量级模型和强大的时域胶囊网络模型组成的切换估计策略，以提高估计精度。 最后，对循环一致性漂移进行补偿时目标单元的估计误差。 该论文使用NASA的公开数据来测试和验证其优势。二、要点锂电池在其整个生命周期内有许多不同的退化模式，这使得迁移学习具有挑战性
在电池SOH估计中，源域和目标域之间具有一致**能力的域不变性尚未得到足够的重视。
目前的SOH估计模型假设在整个生命周期中遵循单一的降解模式，这可能不能反映电化学物理。
上述这些局限性主要归因于锂电池数据结构复杂，即循环数据不一致。 准确地说，锂离子电池的退化样本由二维数据矩阵组成，其数据特征因性能下降而变化，而不是特定时间的向量。 2D 数据的分布随时间而变化，即使在训练数据集中也是如此。
同时，退行性行为可能会在循环中经历多种模式。 也就是说，退行性模式在同一阶段是一致的，但在不同阶段之间是不同的。 在这里，阶段是连续循环的集合，以呈现类似的降级模式。 因此，在各个阶段传递SOH的估计能力是一个有意义但尚未解决的问题。
图 1 NASA 数据集中电池 B5、B6 和 B7 多级特性的容量衰减过程可视化。
为了解决细胞间数据差异的问题，本文构建了一种创新的、可迁移的多阶段SOH估计模型。 该模型专为同一阶段细胞之间的迁移学习而设计。 具体而言，本文完成了以下重要工作：
首先，我们重建了原始循环数据的相空间，利用有限数量的传感器揭示了隐藏的动力学特征。 其次，引入一种域不变表示方法进行循环差分子空间描述，旨在放大循环中的微小差异，从而深入揭示数据分布变化的本质;
然后，我们创新性地提出了一种由LSTM和Temcap组成的切换SOH估计框架，显著提高了模型对不同阶段不平衡期量的适应性。
最后，我们为目标域中的细胞设计了一个可迁移的多级SOH估计模型，有效地补偿了新细胞周期一致性的偏差。
通过这一系列工作，我们成功构建了准确、高效的电池健康状态估计模型，为相关领域的发展提供了有力支撑。
图2 采用循环差分分析方法，说明同一阶段细胞间多阶段迁移学习的SOH估计。
我们使用循环之间的循环一致性来表示相似性，使用循环之间的循环差异来表示差异。 图 2 从容量、阶段和电池三个方面可视化了 TL 循环微分分析的基本思想。 （相关公式见原文）。
如图 3 所示，本节说明了所提出的方法，并将其分为四个连续步骤。 首先，数据重建从原始循环数据中探索深层动态。 其次，循环差分学习找到领域不变表示来辅助TL。 然后，针对不同周期的阶段，综合运用经典LSTM和提出的Temcap网络。 最后，根据**应用的目的，提出了目标域的TL策略。
3. 验证和分析
如图 4 所示，一致的特征在训练和测试周期中保持相似的行为，表现出良好的生成能力。 每个一致特征的含义可以结合原始放电电压、电流和温度信号来推断。 具体来说，第一个特征几乎是静止的，可能是放电信号的平均时间序列。 第二和第四个特性是压降，可能与电压密切相关。 第三组分的上升趋势可能与温度密切相关。
图4 在（a）阶段1、（b）阶段2和（3）阶段3中，可视化了与已知相分一致的分解循环的特征。
图 5 显示了阶段差异的特征，无论是训练周期还是测试周期，每个阶段都不同。 这些差异特性会导致性能下降，并且随着循环时间的增加，差异变得更加明显。
图5 在（a）第1阶段、（b）第2阶段和（3）第3阶段，B7细胞的循环差异特征在已知的阶段分裂中被可视化和分解。
利用一个电池的循环差分单元建立源模型，并在其他电池上验证源模型的迁移率。 为了与现有方法进行公平的比较，我们利用电池 B7 构建源模型，然后提供更多比较。 使用 LSTM 开发阶段的源模型：由于 B7 在阶段 1 和阶段 3 的训练周期小于 50 年，因此首选轻量级 LSTM 作为源模型开发的骨干。 每个阶段的前 70% 的周期用作训练数据，即第 1 阶段的前 20 个周期和第 3 阶段的前 40 个周期。 使用训练有素的模型来测试剩余的周期。 根据表2所示的网络配置，B7各阶段的具体估计结果如图4所示，包括训练阶段和测试阶段。
电池容量实际上是非固定的，并且随着循环次数的增加而减少。 该方法的优点能够较好地捕捉到测试阶段的劣化趋势，说明该方法具有较好的泛化能力。 此外，还可以很好地再生电池容量。
所提出的方法运行了10次，以评估平均性能和鲁棒性。 在窄区间（95%置信水平）下，得到的估计值接近其在地面上的真实值。
图4 分别使用电池B7、B6和B5作为源模型时，训练和测试阶段的估计性能。
图5 B7作为源数据，指数RMSE（%）用于比较各种方法。
四、结语
该文首次提出了可转移锂离子电池的健康状态估计模型，并分析了其多级退化行为。 多级降解行为的引入将整个放电分解为多个阶段，每个阶段都有其独特的降解行为。 在NASA公开的电池数据集上进行了一系列比较，结果表明，与其他方法相比，该方法具有更灵活的可移植性和更准确的估计。
随着容量的下降，循环数据之间会出现长度不均匀的可变数据结构。 对可变数据结构的不当处理会导致信息丢失或失真，从而影响估计的准确性。 找到一种合适的嵌入方法（例如动态时间扭曲）来调整离线训练和应用程序的可变数据结构是值得的。
在考虑退化行为和容量退化的同时生成相分结果仍然是一个悬而未决的问题，这将促进具有不同退化阶段数的锂电池之间更普遍的迁移学习。 （源码可留言，欢迎点赞**。