Autonomous End-to-End SOH Prediction Services for Battery Systems via Temporal-Contrastive Representation Learning

Resumen Técnico: TC-SOH para la Predicción Autónoma de SOH

Planteamiento del Problema
La estimación precisa del Estado de Salud (SOH, por sus siglas en inglés) es crítica para los sistemas de gestión de baterías de litio (BMS) para garantizar la seguridad y el valor del ciclo de vida. Sin embargo, los servicios de diagnóstico basados en datos actuales enfrentan dos barreras principales para su despliegue industrial escalable:

1. Dependencia de la Ingeniería de Características Manual: Los métodos existentes dependen de la extracción laboriosa y a medida de indicadores de salud indirectos (por ejemplo, SOC, variaciones térmicas). Estos métodos a menudo descartan dinámicas de degradación sutiles y no lineales o expanden arbitrariamente los conjuntos de características, aumentando la carga computacional.
2. Falta de Interpretabilidad: Los modelos de aprendizaje profundo suelen funcionar como "cajas negras", lo que crea un déficit de confianza en entornos críticos para la seguridad. La incapacidad de rastrear las predicciones hasta las causas raíz electroquímicas físicas o de verificar que las características aprendidas se alineen con las trayectorias de degradación limita su adopción.

Metodología: Marco de Trabajo TC-SOH
Los autores proponen TC-SOH, una arquitectura de servicio modular, "plug-and-play" para la predicción de SOH autónoma y de extremo a extremo. El marco opera sobre datos operativos brutos de la fase de carga de Corriente Constante-Voltaje Constante (CC-CV), evitando la necesidad de ingeniería de características manual.

La arquitectura consta de tres componentes integrados:

1. Módulo CNN ($f(\cdot)$): Un codificador 1D-CNN que transforma las señales eléctricas brutas (corriente, voltaje, SOC) de ciclos CC-CV individuales en representaciones latentes de alta dimensión ($z_c$).
2. Módulo Temporal-Contrastivo (TC) ($g(\cdot)$): Un transformador de secuencia que ejecuta una tarea de pretexto de predicción de ventana cruzada. Resume una secuencia de representaciones de ciclos consecutivos ($z_{\le t}$) en un vector de contexto ($c_t$) para predecir las representaciones subsiguientes ($z_{t+1}, \dots, z_{t+K}$).
   • Función de Pérdida: El modelo optimiza un objetivo conjunto que combina una pérdida de predicción y una pérdida contrastiva ($\mathcal{L}_{TC}$). La pérdida contrastiva maximiza la similitud entre las representaciones predichas y las reales mientras minimiza la similitud con muestras negativas (otros lotes), imponiendo el aprendizaje de las dinámicas de degradación secuencial.
   • Aumento (Augmentation): Para prevenir el sesgo de codificación, se aplica el aumento (jitter y escalado) a las representaciones aprendidas en lugar de a las señales brutas.
3. Módulo de Salida ($o(\cdot)$): Una capa lineal que mapea el contexto temporal refinado al valor final de SOH.

Cadena de Diagnóstico para la Transparencia
Para abordar el problema de la "caja negra", los autores introducen una cadena de diagnóstico para analizar las representificaciones aprendidas:

• Visualización: Uso de t-SNE para verificar trayectorias de degradación suaves.
• Análisis de Sensibilidad: Comprobación de la capacidad de respuesta en regímenes de salud y de decaimiento temprano donde los cambios de SOH son sutiles.
• Redundancia y Sondeo (Probing): Pruebas para determinar si las características aprendidas simplemente replican descriptores manuales o si contienen variaciones adicionales relevantes para el SOH.
• Sondeo de SOH Futuro y Mezcla Temporal (Temporal Shuffling): Evaluación de si el contexto temporal ordenado ($c_t$) predice mejor el SOH futuro que las estadísticas desordenadas o las lecturas de un solo ciclo.

Contribuciones Clave

1. Marco de Diagnóstico Plug-and-Play: Un servicio de extremo a extremo que extrae dinámicas de envejecimiento no lineales a partir de datos rutinarios de CC-CV, reduciendo significativamente la dependencia de la ingeniería de características manual.
2. Confianza y Transparencia del Servicio: Una cadena de interpretación diagnóstica que demuestra que las características aprendidas se solapan con los descriptores físicos mientras retienen una variación predictiva única, y que el contexto temporal ordenado es crucial para la predicción.
3. Eficacia y Robustez del Servicio: Validación a través de cuatro grandes conjuntos de datos públicos (XJTU, TJU, HUST, MIT) que cubren diversas químicas y condiciones operativas.

Resultados Experimentales
El modelo fue evaluado frente a redes neuronales informadas por la física (PINN) y líneas base de MLP manual bajo divisiones estrictas a nivel de batería (evitando la fuga de datos).

• Desempeño: TC-SOH superó a todas las líneas base. En promedio, redujo el MAPE en 1.91 veces y el RMSE en 2.13 veces en comparación con las líneas base consideradas. Por ejemplo, en el conjunto de datos HUST, la variante Auto-LSTM logró un MAPE de $0.102 \pm 0.020\%$ y un RMSE de $0.0011 \pm 0.0002$.
• Eficiencia de Datos: El modelo logra un rendimiento cercano al de los datos completos utilizando solo 1 a 4 baterías para el entrenamiento, lo que indica una reducción en la dependencia de los datos.
• Adaptación de Dominio Cruzado: En escenarios de aprendizaje por transferencia (solo fuente vs. ajuste fino), los modelos de solo fuente fallaron catastróficamente bajo grandes cambios de dominio. Sin embargo, adaptar el modelo con solo una o dos baterías objetivo redujo los errores en uno o dos órdenes de magnitud. El entrenamiento mixto (fuente-objetivo conjunta) logró los errores más bajos ($<0.012$ RMSE).
• Hallazgos de Diagnóstico:
  • Las características aprendidas mostraron trayectorias de degradación más suaves que las características manuales.
  • El modelo demostró una sensibilidad superior en los regímenes de decaimiento temprano (SOH > 0.95).
  • El análisis de redundancia mostró que los descriptores manuales eran en gran medida redundantes con las características aprendidas, no complementarios.
  • Mezcla Temporal (Temporal Shuffling): Destruir el orden de la historia de los ciclos degradó significativamente la predicción del SOH futuro, confirmando que el módulo TC utiliza eficazmente el contexto temporal ordenado en lugar de solo estadísticas desordenadas.

Significancia y Reivindicaciones
El artículo afirma que TC-SOH proporciona una alternativa práctica y de extremo a extremo al diseño de características manuales para el diagnóstico de la salud de las baterías. Su importancia radica no solo en la precisión predictiva superior, sino también en su capacidad para reconstruir la confianza del usuario final mediante la interpretabilidad. Al diagnosticar explícitamente la representación aprendida, los autores demuestran que el modelo:

• Captura trayectorias de degradación suaves y sensibilidad en etapas tempranas.
• Codifica información que se solapa con los descriptores físicos pero retiene una variación adicional y no redundante relevante para el S la SOH.
• Depende del contexto temporal ordenado para mejorar la predicción del SOH subsiguiente, una capacidad de la que carecen las características de un solo ciclo o desordenadas.

Los autores concluyen que este enfoque aborda la necesidad urgente de una gestión de activos escalable, robusta y transparente en los servicios de energía modernos, aunque señalan que el trabajo futuro debería conectar estos hallazgos con pruebas de estrés electroquímico controladas.