近日，西安交通大學助理教授趙志斌團隊將物理模型和深度神經網絡加以結合，提出一種名為“物理信息神經網絡”（PINN，Physics-informed neural network）的 AI 算法，并將其用于電池建模、以及電池健康狀況預測。
課題組還開源了相關數據集和完整代碼（https://zenodo.org/records/10963339）。
此外，通過結合其他三個來自不同電池制造商的數據集，他們針對 387 個電池的數據，在 310705 個樣本上進行驗證，由此得出的平均絕對百分比誤差為 0.87%。
為了驗證本次方法，該團隊通過開展電池退化實驗，生成了一個由 55 個鎳鈷錳酸鋰電池組成的綜合數據集，并針對 6 種工況加以模擬。
實驗結果顯示：在不同化學成分的電池數據集上，本次提出的物理信息神經網絡均具備適用性。
能夠適應不同類型的電池和不同的使用場景，有望促進電池健康管理系統的開發。
具體應用可能包括：
其一，用于電動汽車。
提高電池壽命預測和電池壽命管理系統的準確性，優化電動汽車的電池使用策略和電池維護策略。
其二，用于航空航天。
提高衛星和無人機的電池管理系統，確保任務的可靠性和安全性，減少由于電池故障導致的任務失敗。
其三，用于便攜式電子設備。
優化手機、筆記本電腦等設備的電池管理，提高用戶體驗和使用壽命。
其四，用于儲能系統。
在大規模的儲能系統中，優化電池健康狀態的監測和管理，確保能源系統穩定、高效地運行。
“AI+ 電池”研究，如何“有上加優”？
近年來，鋰離子電池的使用量以驚人的速度增長，幾乎滲透到社會生活的各個角落。
鋰離子電池憑借其能量密度高、自放電率低、使用壽命長等優點，已成為各種便攜式電子設備、電動汽車、航空航天等眾多領域的主要儲能器件。
然而，鋰電池的大規模應用也帶來了一系列新的挑戰和問題，特別是在安全性、可靠性和環保方面。因此，對鋰電池進行退化建模和健康管理變得尤為重要。
在航空航天領域，作為衛星、無人機等高科技設備的重要能源供給，鋰離子電池扮演著至關重要的角色。
這些設備對于電池的可靠性和穩定性有著極高要求，一旦電池出現問題，可能會導致任務失敗，甚至造成巨大的經濟損失和嚴重的安全隱患。
而通過對鋰電池進行精細的退化建模和健康管理，就能提前發現潛在的故障，確保設備在復雜環境下的正常運行。
與此同時，該課題組發現關于物理信息神經網絡在電池建模和電池評估的研究，已經初步嶄露頭角。
但是，盡管近年來一些期刊發表了大量有關電池健康管理的論文。然而，這些論文中所設計的健康管理方法，主要針對特定的數據集。
一旦更換一個數據集，論文所提出的方法可能就會失效。也就是說大多數已發表的論文，停留在利用物理知識來預處理數據的階段，沒有實現物理模型和神經網絡的深度融合。
另一方面，他們發現基于傳統深度學習的“健康狀況”（SOH，state-of-health）估計法，存在較大的預測誤差波動性，導致模型精度在很大程度上取決于數據質量。
“一師一生”，從零開始
最近幾年，趙志斌團隊主要研究重大裝備的智能運維和健康管理，主要研究對象是各種大型機械設備。
事實上，也是在一次偶然的機會里，讓趙志斌接觸到電池健康管理這一領域。
“展開來講，這次研究的萌芽是這樣的：之前我所在的大團隊，針對某型號的衛星電池健康狀態開展了一個項目。后來，我們產生了研究鋰電池健康狀態的想法，并把這一任務分配給博士生王福金。”趙志斌表示。
當時，王福金還是一名剛入學不久的碩士生，在趙志斌團隊沒有任何相關研究基礎的條件下，對于本次課題王福金也曾感到無從下手。
而且，當時組里只有趙志斌和王福金這樣“一師一生”的人員模式，一切都得從零開始。
后來，通過大量閱讀文獻、到其他高校調研學習、與企業交流等方法，以及隨著“衛星電池健康狀態項目”的逐漸開展，課題組逐漸具備了研究鋰電池健康管理的條件。
隨后，他們先是收集了大量的電池退化數據。
高質量的數據，是模型訓練和模型驗證的基礎。為此，他們通過多種途徑來獲取數據，包括實驗室測試、調用公開數據集、與企業合作獲取實際使用數據等。
在對數據進行分析之后，提取出來具有普適性的統計特征，并探索不同特征對于電池健康狀態預測的影響。
為了設計一個更加普適的特征集，該團隊分析了大量的電池退化數據，最終總結出一套通用的統計特征。
在充分理解數據特征之后，結合物理模型的嚴謹性和神經網絡的靈活性，他們提出了物理信息神經網絡這一 AI 算法。
對于模型的設計和開發來說，需要考慮到多個因素：包括物理模型的選擇、神經網絡架構的設計、損失函數的優化、以及訓練時的超參數調優。
通過開展大量的實驗，模型結構逐漸變得完善，預測精度和穩定性也有所提高。
為了驗證物理信息神經網絡模型的有效性，在多個包含不同化學成分和不同使用條件的電池數據集上，課題組又開展了新的實驗。
實驗結果表明：在電池的健康狀態預測上，物理信息神經網絡模型不僅表現出色，而且明顯優于傳統的深度學習方法、以及單純的物理模型。
特別是，在遷移學習的幫助之下，即便在不同的數據集上，模型均表現出較強的普適性和魯棒性。
考慮到電化學方程的復雜性，該團隊從電池退化經驗方程和狀態空間視角出發，提出了電池退化經驗模型，并利用物理信息神經網絡來捕捉電池的降解動態。
而為了應對不同的電池類型、使用場景和充放電協議，課題組設計出一種通用特征提取方法，以便從電池完全充電前的短時間數據中提取特征。
針對特征數據進行分析之后，他們發現所提取的特征與電池健康狀態之間的相關系數，主要與電池的化學成分有關，受到充放電方案的影響反而較小。
未來新方向：研究 AI 賦能的重大裝備智能運維和健康管理
隨后，他們開始撰寫論文并投稿。日前，相關論文以《基于物理信息的神經網絡用于鋰離子電池退化穩定建模和預測》（Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis）為題發在 Nature Communications[1]。
西安交通大學博士生王福金和副研究員翟智是共同一作，西安交通大學趙志斌助理教授和陳雪峰教授擔任共同通訊作者。
目前，趙志斌將自己小組的研究方向定為：AI 賦能的重大裝備智能運維和健康管理。
時至今日，該團隊已有兩名博士生和三名碩士生在研究這一方向，亦有積累了一定科研經驗的本科生成員在研究這一方向。
“目前，他們已經產出了多篇高水平論文。”趙志斌表示。
未來，該課題組會繼續沿著“物理+數據”的雙驅方向，開展電池健康管理的研究，并將主要探索航天器和垂直起降飛行器上的鋰電池健康管理。
課題組還開源了相關數據集和完整代碼（https://zenodo.org/records/10963339）。
此外，通過結合其他三個來自不同電池制造商的數據集，他們針對 387 個電池的數據，在 310705 個樣本上進行驗證，由此得出的平均絕對百分比誤差為 0.87%。
為了驗證本次方法，該團隊通過開展電池退化實驗，生成了一個由 55 個鎳鈷錳酸鋰電池組成的綜合數據集，并針對 6 種工況加以模擬。
實驗結果顯示：在不同化學成分的電池數據集上，本次提出的物理信息神經網絡均具備適用性。
能夠適應不同類型的電池和不同的使用場景，有望促進電池健康管理系統的開發。
具體應用可能包括：
其一，用于電動汽車。
提高電池壽命預測和電池壽命管理系統的準確性，優化電動汽車的電池使用策略和電池維護策略。
其二，用于航空航天。
提高衛星和無人機的電池管理系統，確保任務的可靠性和安全性，減少由于電池故障導致的任務失敗。
其三，用于便攜式電子設備。
優化手機、筆記本電腦等設備的電池管理，提高用戶體驗和使用壽命。
其四，用于儲能系統。
在大規模的儲能系統中，優化電池健康狀態的監測和管理，確保能源系統穩定、高效地運行。
“AI+ 電池”研究，如何“有上加優”？
近年來，鋰離子電池的使用量以驚人的速度增長，幾乎滲透到社會生活的各個角落。
鋰離子電池憑借其能量密度高、自放電率低、使用壽命長等優點，已成為各種便攜式電子設備、電動汽車、航空航天等眾多領域的主要儲能器件。
然而，鋰電池的大規模應用也帶來了一系列新的挑戰和問題，特別是在安全性、可靠性和環保方面。因此，對鋰電池進行退化建模和健康管理變得尤為重要。
在航空航天領域，作為衛星、無人機等高科技設備的重要能源供給，鋰離子電池扮演著至關重要的角色。
這些設備對于電池的可靠性和穩定性有著極高要求，一旦電池出現問題，可能會導致任務失敗，甚至造成巨大的經濟損失和嚴重的安全隱患。
而通過對鋰電池進行精細的退化建模和健康管理，就能提前發現潛在的故障，確保設備在復雜環境下的正常運行。
與此同時，該課題組發現關于物理信息神經網絡在電池建模和電池評估的研究，已經初步嶄露頭角。
但是，盡管近年來一些期刊發表了大量有關電池健康管理的論文。然而，這些論文中所設計的健康管理方法，主要針對特定的數據集。
一旦更換一個數據集，論文所提出的方法可能就會失效。也就是說大多數已發表的論文，停留在利用物理知識來預處理數據的階段，沒有實現物理模型和神經網絡的深度融合。
另一方面，他們發現基于傳統深度學習的“健康狀況”（SOH，state-of-health）估計法，存在較大的預測誤差波動性，導致模型精度在很大程度上取決于數據質量。
“一師一生”，從零開始
最近幾年，趙志斌團隊主要研究重大裝備的智能運維和健康管理，主要研究對象是各種大型機械設備。
事實上，也是在一次偶然的機會里，讓趙志斌接觸到電池健康管理這一領域。
“展開來講，這次研究的萌芽是這樣的：之前我所在的大團隊，針對某型號的衛星電池健康狀態開展了一個項目。后來，我們產生了研究鋰電池健康狀態的想法，并把這一任務分配給博士生王福金。”趙志斌表示。
當時，王福金還是一名剛入學不久的碩士生，在趙志斌團隊沒有任何相關研究基礎的條件下，對于本次課題王福金也曾感到無從下手。
而且，當時組里只有趙志斌和王福金這樣“一師一生”的人員模式，一切都得從零開始。
后來，通過大量閱讀文獻、到其他高校調研學習、與企業交流等方法，以及隨著“衛星電池健康狀態項目”的逐漸開展，課題組逐漸具備了研究鋰電池健康管理的條件。
隨后，他們先是收集了大量的電池退化數據。
高質量的數據，是模型訓練和模型驗證的基礎。為此，他們通過多種途徑來獲取數據，包括實驗室測試、調用公開數據集、與企業合作獲取實際使用數據等。
在對數據進行分析之后，提取出來具有普適性的統計特征，并探索不同特征對于電池健康狀態預測的影響。
為了設計一個更加普適的特征集，該團隊分析了大量的電池退化數據，最終總結出一套通用的統計特征。
在充分理解數據特征之后，結合物理模型的嚴謹性和神經網絡的靈活性，他們提出了物理信息神經網絡這一 AI 算法。
對于模型的設計和開發來說，需要考慮到多個因素：包括物理模型的選擇、神經網絡架構的設計、損失函數的優化、以及訓練時的超參數調優。
通過開展大量的實驗，模型結構逐漸變得完善，預測精度和穩定性也有所提高。
為了驗證物理信息神經網絡模型的有效性，在多個包含不同化學成分和不同使用條件的電池數據集上，課題組又開展了新的實驗。
實驗結果表明：在電池的健康狀態預測上，物理信息神經網絡模型不僅表現出色，而且明顯優于傳統的深度學習方法、以及單純的物理模型。
特別是，在遷移學習的幫助之下，即便在不同的數據集上，模型均表現出較強的普適性和魯棒性。
考慮到電化學方程的復雜性，該團隊從電池退化經驗方程和狀態空間視角出發，提出了電池退化經驗模型，并利用物理信息神經網絡來捕捉電池的降解動態。
而為了應對不同的電池類型、使用場景和充放電協議，課題組設計出一種通用特征提取方法，以便從電池完全充電前的短時間數據中提取特征。
針對特征數據進行分析之后，他們發現所提取的特征與電池健康狀態之間的相關系數，主要與電池的化學成分有關，受到充放電方案的影響反而較小。
未來新方向：研究 AI 賦能的重大裝備智能運維和健康管理
隨后，他們開始撰寫論文并投稿。日前，相關論文以《基于物理信息的神經網絡用于鋰離子電池退化穩定建模和預測》（Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis）為題發在 Nature Communications[1]。
西安交通大學博士生王福金和副研究員翟智是共同一作，西安交通大學趙志斌助理教授和陳雪峰教授擔任共同通訊作者。
目前，趙志斌將自己小組的研究方向定為：AI 賦能的重大裝備智能運維和健康管理。
時至今日，該團隊已有兩名博士生和三名碩士生在研究這一方向，亦有積累了一定科研經驗的本科生成員在研究這一方向。
“目前，他們已經產出了多篇高水平論文。”趙志斌表示。
未來，該課題組會繼續沿著“物理+數據”的雙驅方向，開展電池健康管理的研究，并將主要探索航天器和垂直起降飛行器上的鋰電池健康管理。
