⚡ electrical engineering

Aging States Estimation and Monitoring Strategies of Li-Ion Batteries Using Incremental Capacity Analysis and Gaussian Process Regression

यह शोध पत्र इंक्रीमेंटल कैपेसिटी एनालिसिस फीचर्स और एक मल्टी-मॉडल गॉसियन प्रोसेस रिग्रेशन एन्सेम्बल का उपयोग करके अनदेखी लिथियम-आयन बैटरियों के स्वास्थ्य की स्थिति (स्टेट ऑफ हेल्थ) और शेष उपयोगी जीवन (रेमेनिंग यूज़फुल लाइफ) का अनुमान लगाने के लिए एक डेटा-कुशल ढांचे का प्रस्ताव करता है, जो बैटरी के जीवनचक्र के दौरान केवल विरल नैदानिक मापों के साथ उच्च सटीकता प्राप्त करता है।

मूल लेखक: Moritz Landwehr, Patrick Hoher, Johannes Reuter

प्रकाशित 2026-03-30

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Moritz Landwehr, Patrick Hoher, Johannes Reuter

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

बड़ी तस्वीर: "बैटरी डॉक्टर" की समस्या

कल्पना कीजिए कि आपने एक पुरानी इलेक्ट्रिक कार खरीदी है। आपको नहीं पता कि पिछले मालिक ने इसे कितनी बेरहमी से चलाया, इसे कितनी बार चार्ज किया, या क्या इसे तपती धूप में छोड़ दिया था। आप बस इतना जानते हैं कि यह एक बैटरी है, और आपको दो चीजें जाननी हैं:

कितनी "सेहत" बची है? (क्या यह अभी भी 80% अच्छी है, या यह खत्म होने वाली है?)
मरने से पहले यह कितने मील (या साइकिल) चल सकती है?

आमतौर पर, इसका उत्तर देने के लिए मैकेनिक चाहते हैं कि आप कार को हजारों मील तक चलाएं, और हर मोड़ और उछाल को रिकॉर्ड करें। लेकिन वास्तविक दुनिया में, हम ऐसा नहीं कर सकते। हमें केवल एक त्वरित डायग्नोस्टिक टेस्ट मिलता है (जैसे गैस स्टेशन पर एक त्वरित जांच)।

यह पेपर बैटरी के लिए एक नया "डॉक्टर" पेश करता है जो बैटरी के जीवन के केवल एक त्वरित स्नैपशॉट को देखकर उसके भविष्य की सटीक भविष्यवाणी कर सकता है, भले ही वह ऐसी बैटरी हो जिसे डॉक्टर ने पहले कभी न देखा हो।

गुप्त उपकरण: "फिंगरप्रिंट" (इन्क्रीमेंटल कैपेसिटी एनालिसिस)

बैटरी पेचीदा होती हैं। यदि आप केवल वोल्टेज बनाम समय का ग्राफ देखते हैं, तो यह एक उबाऊ, चिकनी पहाड़ी जैसा दिखता है। यह बताना मुश्किल है कि पहाड़ी इसलिए सपाट हो रही है क्योंकि बैटरी पुरानी हो गई है या सिर्फ इसलिए क्योंकि मौसम ठंडा है।

लेखक इन्क्रीमेंटल कैपेसिटी एनालिसिस (ICA) नामक तकनीक का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि एक चिकनी पहाड़ी (सामान्य बैटरी कर्व) है। अब, कल्पना कीजिए कि आप उस पहाड़ी पर चढ़ रहे हैं और आप हर कदम पर ढलान या ढाल (steepness) की एक फोटो लेते हैं।
परिणाम: एक चिकनी पहाड़ी के बजाय, आपको नुकीली चोटियों और घाटियों (peaks and valleys) वाला एक नक्शा मिलता है।
महत्व: जैसे-जैसे बैटरी पुरानी होती है, इन चोटियों का आकार बदल जाता है। एक चोटी छोटी हो सकती है, दूसरी बाईं ओर खिसक सकती है। ये चोटियाँ बैटरी के आंतरिक स्वास्थ्य का एक फिंगरप्रिंट हैं। भले ही आप पहाड़ी का केवल एक छोटा हिस्सा देखें (एक आंशिक चार्ज), चोटियों का आकार पूरी बैटरी की कहानी बताता है।

मस्तिष्क: "विशेषज्ञों का पैनल" (गौसियन प्रोसेस रिग्रेशन)

एक बार जब उनके पास ये "फिंगरप्रिंट" चोटियाँ आ जाती हैं, तो उन्हें स्वास्थ्य स्कोर में अनुवाद करने के लिए एक कंप्यूटर मस्तिष्क की आवश्यकता होती है।

पुराना तरीका (एकल विशेषज्ञ): अधिकांश तरीके सभी बैटरियों के डेटा पर एक विशाल AI मॉडल को प्रशिक्षित करने की कोशिश करते हैं। यह सभी को इलाज देने के लिए एक ही डॉक्टर को काम पर रखने जैसा है। समस्या क्या है? हर बैटरी थोड़ी अलग होती है। एक बैटरी तेजी से बूढ़ी हो सकती है; दूसरी धीरे। एक "डॉक्टर" किसी विशिष्ट, अद्वितीय बैटरी के भविष्य की सटीक भविष्यवाणी नहीं कर सकता।
नया तरीका (विशेषज्ञों का पैनल - GPRn): लेखकों ने एक विशेषज्ञों की टीम बनाई है।
- उन्होंने अपने ट्रेनिंग डेटा में मौजूद हर एक बैटरी के लिए एक अलग "मिनी-डॉक्टर" को प्रशिक्षित किया।
- जब एक नई, अज्ञात बैटरी आती है, तो वे सभी मिनी-डॉक्टरों की राय मांगते हैं।
- जादू: वे केवल औसत नहीं लेते। वे देखते हैं कि डॉक्टर आपस में कितना मतभेद रखते हैं।
  - यदि सभी डॉक्टर सहमत हैं, तो भविष्यवाणी बहुत भरोसेमंद है।
  - यदि डॉक्टर आपस में बहस कर रहे हैं (कोई कहता है "5 साल बचे हैं," दूसरा कहता है "10 साल"), तो सिस्टम अनिश्चितता (uncertainty) को समझ जाता है।

यह महत्वपूर्ण है क्योंकि यह उपयोगकर्ता को बताता है: "मुझे लगता है कि आपके पास 1,000 साइकिल शेष हैं, लेकिन मैं केवल 80% सुनिश्चित हूँ। जल्द ही फिर से जांच करें।"

रणनीति: "सुरक्षित ड्राइवर" दृष्टिकोण

यह पेपर केवल अनुमान लगाने पर नहीं रुकता; यह बैटरी को सुरक्षित रूप से उपयोग करने के लिए एक निगरानी रणनीति बनाता है।

लक्ष्य: बैटरी का उपयोग तब तक करें जब तक कि वह लगभग खत्म न हो जाए, लेकिन उसे मारें नहीं।
विधि:
1. बैटरी शुरू करें।
2. एक त्वरित डायग्नोस्टिक टेस्ट करें ( "फिंगरप्रिंट" स्कैन)।
3. "विशेषज्ञों का पैनल" शेष जीवन की भविष्यवाणी करता है।
4. सुरक्षा मार्जिन (Safety Margin): क्योंकि सिस्टम जानता है कि वह गलत हो सकता है (अनिश्चितता), यह एक सुरक्षा बफर घटा देता है। यदि विशेषज्ञ कहते हैं "500 साइकिल शेष हैं," तो सिस्टम कह सकता है, "ठीक है, आइए हम केवल 400 साइकिल चलाएं, फिर फिर से जांच करें।"
5. बैटरी के पूरे जीवनकाल में इस प्रक्रिया को 3 से 5 बार दोहराएं।

परिणाम:

उन्होंने सफलतापूर्वक बैटरी की 95% से 99% क्षमता का उपयोग किया।
उन्हें अपने पूरे जीवनकाल (जो 3,000 से 5,000 साइकिल हो सकता है) में केवल 3 से 5 त्वरित जांचों की आवश्यकता पड़ी।
उन्होंने लगभग कभी भी "ओवर-साइकिल" (बैटरी को समय से पहले खत्म करना) नहीं किया।

मुख्य निष्कर्ष (सरल भाषा में)

एक स्नैपशॉट ही काफी है: बैटरी के स्वास्थ्य को जानने के लिए आपको वर्षों के डेटा की आवश्यकता नहीं है। एक स्मार्ट चार्जिंग कर्व विश्लेषण बहुत काम आता है।
बैटरी व्यक्तिगत होती हैं: सभी बैटरियों के साथ एक जैसा व्यवहार करना विफल रहता है। आपको एक ऐसे सिस्टम की आवश्यकता है जो यह स्वीकार करे कि कुछ बैटरियां "तेजी से बूढ़ी होने वाली" हैं और कुछ "धीरे बूढ़ी होने वाली"। "विशेषज्ञों का पैनल" इसे पूरी तरह से संभालता है।
अनिश्चितता अच्छी है: यह तथ्य कि वे 100% सुनिश्चित नहीं हैं, इसे छिपाने के बजाय, सिस्टम अनिश्चितता को मापता है। यह सुरक्षित निर्णय लेने की अनुमति देता है।
दक्षता: आप महंगे, निरंतर निगरानी उपकरणों की आवश्यकता के बिना बैटरी के अधिकतम मूल्य का उपयोग कर सकते हैं।

निचोड़ (Bottom Line)

यह पेपर हमें बैटरियों को जेनेरिक पुर्जों के बजाय अद्वितीय व्यक्तियों की तरह मानने का तरीका देता है। बैटरी के एक सरल "फिंगरप्रिंट" का विश्लेषण करने के लिए "विशेषज्ञों की टीम" का उपयोग करके, हम सुरक्षित रूप से ऊर्जा की आखिरी बूंद तक निकाल सकते है, जिससे इलेक्ट्रिक वाहन और सेकंड-हैंड बैटरी अधिक विश्वसनीय और किफायती बन जाते हैं।

यह लैंडवेहर, होहर और रॉयटर के शोध पत्र "Aging States Estimation and Monitoring Strategies of Li-Ion Batteries Using Incremental Capacity Analysis and Gaussian Process Regression" का एक विस्तृत तकनीकी सारांश है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वास्तविक दुनिया के उन परिदृश्यों में लिथियम-आयन (Li-ion) बैटरी के स्वास्थ्य की स्थिति (State of Health - SoH) और शेष उपयोगी जीवन (Remaining Useful Life - RUL) के अनुमान की चुनौती को संबोधित करता है, जहाँ निरंतर निगरानी उपलब्ध नहीं होती है।

डेटा की कमी (Data Scarcity): अधिकांश मौजूदा विधियाँ व्यापक और निरंतर साइकलिंग इतिहास पर निर्भर करती हैं। हालाँकि, व्यावहारिक अनुप्रयोगों (जैसे, सेकंड-लाइफ बैटरी, फ्लीट प्रबंधन) में अक्सर केवल विरल जानकारी (sparse information) ही उपलब्ध होती है, जैसे कि एक एकल नैदानिक चार्ज चक्र (diagnostic charge cycle)।
सेल की परिवर्तनशीलता (Cell Variability): सेल-टू-सेल एजिंग प्रक्षेपवक्र (aging trajectories) में महत्वपूर्ण भिन्नता होती है। एक सेल पर प्रशिक्षित मॉडल अक्सर बिना व्यापक पुन: प्रशिक्षण के किसी "अज्ञात" सेल पर सामान्यीकरण करने में विफल रहता है।
अनिश्चितता का परिमाणन (Uncertainty Quantification): मानक रिग्रेशन विधियाँ अक्सर बिना अनिश्चितता या आत्मविश्वास को स्पष्ट किए केवल बिंदु अनुमान (point estimates) प्रदान करती हैं, जो सुरक्षा-महत्वपूर्ण निर्णयों के लिए अत्यंत महत्वपूर्ण है।

2. कार्यप्रणाली (Methodology)

2.1. डेटा स्रोत (Data Source)

यह अध्ययन ऑक्सफोर्ड बैटरी डिग्रेडेशन डेटासेट का उपयोग करता है, जिसमें 8 छोटी Li-ion पाउच सेल्स (LiCoO2/Graphite) शामिल हैं, जिन्हें एंड ऑफ लाइफ (EOL) तक 40°C पर साइकल किया गया था, जिसे 80% SoH के रूप में परिभाषित किया गया है। इसमें डेटासेट में प्रत्येक 100 चक्रों के बाद रिकॉर्ड किए गए नैदानिक चक्र शामिल हैं।

2.2. फीचर निष्कर्षण: इंक्रीमेंटल कैपेसिटी एनालिसिस (ICA)

कच्चे वोल्टेज/करंट टाइम-सीरीज डेटा के बजाय, लेखक उच्च-सूचना वाले फीचर्स निकालने के लिए इंक्रीमेंटल कैपेसिटी एनालिसिस (ICA) का उपयोग करते हैं।

रूपांतरण (Transformation): ICA चार्जिंग कर्व में वोल्टेज प्लेटो (plateaus) को $dQ/dV$ कर्व में विशिष्ट चोटियों (peaks) और घाटियों (valleys) में बदल देता है।
फीचर चयन (Feature Selection): पाँच विशिष्ट फीचर्स ( $F_1$ $F_{1}$ से $F_5$ $F_{5}$ ) को विजुअल निरीक्षण और SoH/RUL के साथ स्पियरमैन रैंक सहसंबंध (Spearman rank correlation) के आधार पर मैन्युअल रूप से चुना गया था:
- $F_1$ : IC कर्व का अधिकतम शिखर ( $IC_{peak}$ )।
- $F_2$ : $IC_{peak}$ के संगत वोल्टेज।
- $F_3$ : एक विशिष्ट वोल्टेज अंतराल (3.5V–3.65V) में अधिकतम IC।
- $F_4$ : उस अंतराल में अधिकतम धनात्मक ढलान (positive slope)।
- $F_5$ : अधिकतम ढलान के संगत वोल्टेज।
सहसंबंध (Correlation): $F_1$ ( $IC_{peak}$ ) ने SoH (0.997) और RUL (0.970) के साथ उच्चतम सहसंबंध दिखाया।

2.3. रिग्रेशन मॉडल (Regression Models)

लेखक कई मशीन लर्निंग दृष्टिकोणों की तुलना करते हैं:

मानक मॉडल (Standard Models): पॉलीनोमियल रिग्रेशन, फीडफॉरवर्ड न्यूरल नेटवर्क (FFNN), सपोर्ट वेक्टर रिग्रेशन (SVR), और एक मानक गॉसियन प्रोसेस रिग्रेशन (GPR) जिसे पोल्ड डेटा (pooled data) पर प्रशिक्षित किया गया है।
प्रस्तावित मॉडल (GPRn): एक मल्टी-मॉडल गॉसियन प्रोसेस रिग्रेशन एन्सेम्बल (Multi-Model Gaussian Process Regression Ensemble)।
- सभी डेटा पर एक ही GPR प्रशिक्षित करने के बजाय, प्रत्येक $T$ प्रशिक्षण सेल्स के लिए एक अलग "विशेषज्ञ" (expert) GPR प्रशिक्षित किया जाता है।
- एक नए टेस्ट सेल के लिए, यह एन्सेम्बल इन विशेषज्ञों के भविष्यवाणियों को गॉसियनों के भारित मिश्रण (weighted mixture of Gaussians) का उपयोग करके जोड़ता है।
- अनिश्चितता का विघटन (Uncertainty Decomposition): एन्सेम्बल वेरिएंस को विभाजित किया गया है:
  - एपिस्टेमिक अनिश्चितता (Epistemic Uncertainty): सीमित डेटा के कारण होने वाली अनिश्चितता (विशेषज्ञों का औसत वेरिएंस)।
  - एलेयटोरिक अनिश्चितता (Aleatoric Uncertainty): सेल-टू-सेल परिवर्तनशीलता के कारण होने वाली अनिश्चितता (विशेषज्ञों के माध्य का वेरिएंस)।

2.4. RUL निगरानी रणनीति (RUL Monitoring Strategy)

एक क्लोज्ड-लूप निगरानी रणनीति विकसित की गई है जो विरल मापों का उपयोग करके बैटरी को 'बिकिन ऑफ लाइफ' (BOL) से 'एंड ऑफ लाइफ' (EOL) तक संचालित करती है:

एक एकल नैदानिक चार्ज चक्र करें।
ICA फीचर्स निकालें।
SoH (SVR का उपयोग करके) और RUL (GPRn का उपयोग करके) का अनुमान लगाएं।
एक रूढ़िवादी RUL ( $RUL_{cons}$ ) की गणना करें, जो अनुमानित अनिश्चितता के आनुपातिक सुरक्षा मार्जिन ( $k \cdot \sigma$ ) को घटाकर प्राप्त की जाती है।
अगले माप से पहले $RUL_{cons}$ चक्रों तक बैटरी का संचालन करें।
जब तक $RUL_{cons}$ न्यूनतम थ्रेशोल्ड से नीचे न गिर जाए या SoH < 80% न हो जाए, तब तक दोहराएं।

3. मुख्य योगदान (Key Contributions)

GPRn एन्सेम्बल: एक सेल-विशिष्ट GPR एन्सेम्बल का विकास जो सेल-टू-सेल परिवर्तनशीलता को स्पष्ट रूप से मॉडल करता है, और पोल्ड GPR मॉडलों की तुलना में बेहतर प्रदर्शन करता है जो ओवरफिटिंग का शिकार हो सकते हैं या विषमता (heterogeneity) को पकड़ने में विफल रहते हैं।
विरल डेटा दक्षता (Sparse Data Efficiency): यह प्रदर्शन करना कि किसी भी अज्ञात सेल से केवल एक नैदानिक चक्र का उपयोग करके, समान संदर्भ सेल्स के डेटा का लाभ उठाते हुए, सटीक SoH और RUL अनुमान संभव है।
अनिश्चितता-जागरूक निगरानी (Uncertainty-Aware Monitoring): एक व्यावहारिक निगरानी रणनीति का निर्माण जो GPRn से प्राप्त अनिश्चितता मात्रा का उपयोग करके नैदानिक जांच के बीच के अंतराल को गतिशील रूप से समायोजित करती है, जिससे सुरक्षा और उपयोगिता के बीच संतुलन बनता है।
मात्रात्मक बेंचमार्किंग (Quantitative Benchmarking): SoH और RUL दोनों कार्यों के लिए ICA-आधारित फीचर्स की विभिन्न ML रिग्रेसर्स (SVR, FFNN, GPR) के विरुद्ध एक व्यापक तुलना।

4. परिणाम (Results)

4.1. अनुमान प्रदर्शन (Estimation Performance)

SoH अनुमान: ICA फीचर्स से SoH का मैपिंग सेल के बीच अत्यधिक सुसंगत है।
- सर्वश्रेष्ठ मॉडल: SVR ने सबसे कम त्रुटि प्राप्त की।
- सटीकता: नॉर्मलाइज्ड मीन एब्सोल्यूट एरर (NMAE) 1.3% रहा।
- नोट: SoH के लिए GPRn एन्सेम्बल, पोल्ड GPR की तुलना में थोड़ा खराब प्रदर्शन करता है क्योंकि SoH मैपिंग काफी हद तक सेल-इनवेरिएंट (cell-invariant) है; एक पोल्ड मॉडल अधिक डेटा बिंदुओं से लाभान्वित होता है।
RUL अनुमान: यह मैपिंग सेल की परिवर्तनशीलता के प्रति अत्यधिक संवेदनशील है।
- सर्वश्रेष्ठ मॉडल: GPRn ने अन्य सभी विधियों को काफी पीछे छोड़ दिया।
- सटीकता: NMAE 5.3% रहा।
- तुलना: मानक पोल्ड GPR गंभीर ओवरफिटिंग (कम ट्रेनिंग एरर, उच्च टेस्ट एरर) से ग्रस्त था, जबकि GPRn व्यक्तिगत सेल व्यवहारों को औसत करके सफलतापूर्वक सामान्यीकरण (generalization) कर सका।

4.2. निगरानी रणनीति प्रदर्शन (Monitoring Strategy Performance)

$k=2$ (सुरक्षा और उपयोगिता के बीच संतुलन बनाने वाला पैरामीटर) के साथ GPRn-आधारित रणनीति का उपयोग करते हुए:

उपयोगिता (Utilization): रणनीति ने अधिकांश सेल्स के लिए उपलब्ध चक्र बजट का >90% सफलतापूर्वक उपयोग किया।
मापन का बोझ (Measurement Burden): 3,300–5,000 चक्रों के जीवनकाल में औसतन केवल 3 से 5 नैदानिक मापों की आवश्यकता पड़ी।
सुरक्षा (Safety):
- ओवरसाइक्लिंग दर (Overcycling Rate): $k=2$ के लिए, 8 में से 7 सेल्स के लिए ओवरसाइक्लिंग दर 0 थी।
- SoH विचलन (SoH Deviation): EOL पर अवशिष्ट SoH त्रुटि को सभी सेल्स के लिए ±1% के भीतर रखा गया।
- सबसे तेज़ एजिंग वाला सेल: सबसे तेज़ एजिंग वाले सेल (सेल 4) के लिए भी, रणनीति के परिणामस्वरूप केवल -116 चक्रों की मामूली ओवरसाइक्लिंग हुई, जिससे विनाशकारी विफलता को रोका जा सका।

5. महत्व और निष्कर्ष (Significance and Conclusion)

व्यावहारिक प्रयोज्यता (Practical Applicability): यह अध्ययन सिद्ध करता है कि जटिल बैटरी स्वास्थ्य निगरानी के लिए निरंतर डेटा स्ट्रीम की आवश्यकता नहीं है। विरल, रुक-रुक कर होने वाले निदान (diagnostics) के साथ बैटरी फ्लोट्स का प्रबंधन करना संभव है, जो सेकंड-लाइफ अनुप्रयोगों और लीगेसी सिस्टम के लिए महत्वपूर्ण है।
सुरक्षा बनाम दक्षता (Safety vs. Efficiency): प्रस्तावित रणनीति अनिश्चितता मात्रा का उपयोग करके बैटरी के उपयोग को अधिकतम करने और सुरक्षा सुनिश्चित करने के बीच के ट्रेड-ऑफ को ट्यून करने के लिए एक गणितीय ढांचा प्रदान करती है।
भविष्य की दिशाएं (Future Directions): लेखक सुझाव देते हैं कि बड़े डेटासेट के साथ, एन्सेम्बल वेट ( $\pi_i$ ) को टेस्ट सेल के विशिष्ट डिग्रेडेशन ट्रेंड के आधार पर गतिशील रूप से अनुकूलित किया जा सकता है, जिससे एलेयटोरिक अनिश्चितता को और कम किया जा सकता है। इसके अतिरिक्त, इस पद्धति को विभिन्न ऑपरेटिंग स्थितियों (तापमान, C-रेट) के तहत मान्य करने की आवश्यकता है।

संक्षेप में, यह शोध पत्र बैटरी स्वास्थ्य प्रबंधन के लिए एक मजबूत, डेटा-कुशल ढांचे को प्रस्तुत करता है जो ICA फीचर्स की भौतिक व्याख्यात्मकता और GPR एन्सेमबल्स की संभाव्य (probabilistic) शक्ति का लाभ उठाता है, ताकि न्यूनतम डेटा के साथ बैटरी जीवन के अनुमान की महत्वपूर्ण समस्या को हल किया जा सके।