⚡ electrical engineering

Interpretable Battery Aging without Extra Tests via Neural-Assisted Physics-based Modelling

यह शोध पत्र IBAM का प्रस्ताव करता है, जो एक न्यूरल-असिस्टेड फिजिक्स-बेस्ड फ्रेमवर्क है जो अतिरिक्त डायग्नोस्टिक परीक्षणों के बिना व्याख्या योग्य 2-D एजिंग फिंगरप्रिंट्स उत्पन्न करने के लिए नियमित बैटरी मैनेजमेंट सिस्टम लॉग का उपयोग करता है, जिससे क्षरण तंत्र (डिग्रेडेशन मैकेनिज्म) में विस्तृत अंतर्दृष्टि मिलती है और बैटरी स्वास्थ्य मूल्यांकन में सुधार होता है।

मूल लेखक: Yuan Qiu, Wei Li, Wei Zhang, Yi Zhou, Fang Liu, Jianbiao Wang, Zhi Wei Seh

प्रकाशित 2026-04-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuan Qiu, Wei Li, Wei Zhang, Yi Zhou, Fang Liu, Jianbiao Wang, Zhi Wei Seh

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

एक बड़ी समस्या: "एक-नंबर" वाला झूठ

कल्पना कीजिए कि आपके पास एक कार है। डैशबोर्ड आपको बताता है, "आपकी कार 80% स्वस्थ है।" यह बढ़िया है, है ना? लेकिन क्या होगा अगर वह "80%" कोई रहस्य छिपा रहा हो?

कार A का इंजन शानदार हो सकता है लेकिन उसका सस्पेंशन घिसा हुआ हो सकता है। यह सुचारू रूप से चलती है लेकिन हर जगह उछलती रहती है।
कार B का सस्पेंशन बिल्कुल नया हो सकता है लेकिन उसका इंजन लड़खड़ा रहा है। यह स्मूथ चलती है लेकिन सिग्नल पर रुकते ही बंद हो जाती है।

दोनों कारें "80% स्वास्थ्य" दिखाती हैं, लेकिन उन्हें पूरी तरह से अलग मरम्मत की आवश्यकता होती है।

इलेक्ट्रिक वाहनों (EVs) की दुनिया में, हम वर्तमान में State of Health (SoH) नामक एक मीट्रिक का उपयोग करते हैं। यह उस एकल "80%" नंबर की तरह है। यह हमें बताता है कि बैटरी की कितनी क्षमता बची है, लेकिन यह नहीं बताता कि वह क्यों बूढ़ी हो रही है या वह कैसे विफल हो रही है। दो बैटरियों का SoH समान हो सकता है लेकिन वे पूरी तरह से अलग व्यवहार कर सकती हैं। विवरण की यह कमी इंजीनियरों के लिए यह जानना कठिन बना देती है कि कार को कैसे सुरक्षित रूप से चलाया जाए या चार्ज किया जाए।

समाधान: IBAM (बैटरी डिटेक्टिव)

शोधकर्ताओं ने एक नया टूल बनाया जिसे IBAM कहा जाता है। IBAM को एक बैटरी डिटेक्टिव के रूप में सोचें जिसे बैटरी को खोलने या विशेष परीक्षण करने की आवश्यकता नहीं है। यह बस बैटरी द्वारा पहले से ही रखे जा रहे "दैनिक लॉग" (जैसे वोल्टेज और करंट की डायरी) को देखता है और पता लगाता है कि वास्तव में क्या गलत है।

आपको केवल एक नंबर देने के बजाय, IBAM आपको एक 2-D फिंगरप्रिंट देता है। कल्पना कीजिए कि बैटरी का स्वास्थ्य एक मानचित्र पर केवल एक बिंदु नहीं है, बल्कि दो विशिष्ट विशेषताओं वाली एक आकृति है:

"पोलराइजेशन" लॉस (भारी बैकपैक):
- यह क्या है: जैसे-जैसे बैटरी बूढ़ी होती है, ऊर्जा बाहर निकालना कठिन हो जाता है। यह ऐसा है जैसे बैटरी एक भारी बैकपैक पहने हुए है। जब आप शक्ति मांगते हैं तो वोल्टेज तुरंत गिर जाता है।
- उपमा: कल्पना कीजिए कि आप एक दौड़ लगा रहे हैं। एक ताज़ा धावक तेजी से शुरू करता है। एक भारी बैकपैक वाला पुराना धावक धीरे शुरू करता है और तुरंत थक जाता है। यह पोलराइजेशन लॉस है।
"टेल" लॉस (अचानक ढलान):
- यह क्या है: चार्ज के बिल्कुल अंत के करीब, बैटरी का वोल्टेज अचानक गिर जाता है। यह किसी खाई के किनारे पर चलने जैसा है। आपको लगता है कि आपके पास ऊर्जा बची है, लेकिन वोल्टेज बहुत तेज़ी से गिरने के कारण बैटरी जल्दी कट जाती है।
- उपमा: कल्पना कीजिए कि एक पानी का गुब्बारा है। एक स्वस्थ गुब्बारा धीरे-धीरे लीक होता है। एक पुराना गुब्बारा बिल्कुल आखिरी सेकंड तक पानी ठीक से रखता है, और फिर पॉप—वह खाली हो जाता है। यह टेल लॉस है।

IBAM कैसे काम करता है (तीन-चरणीय नृत्य)

IBAM भौतिकी (बैटरी कैसे काम करती है के नियम) और AI (स्मार्ट पैटर्न पहचान) के मिश्रण का उपयोग करके इन दो समस्याओं को ढूंढता है।

चरण 1: भौतिकी मॉडल (ब्लूप्रिंट)
IBAM एक बैटरी के गणितीय ब्लूप्रिंट के साथ शुरू होता है। यह एक मैकेनिक के स्केमैटिक की तरह है। यह जानता है कि एक बैटरी में एक "बैकपैक" (प्रतिरोध) और एक "खाई" (डिफ्यूजन) होती है। यह इस ब्लूप्रिंट का उपयोग यह अनुमान लगाने के लिए करता है कि वोल्टेज कैसा दिखना चाहिए।

चरण 2: दो-चरणीय जासूसी कार्य (Least Squares)
सिस्टम बैटरी के दैनिक लॉग को देखता है और दो-चरणीय जांच करता है:

चरण A: यह "खाई" को एक पल के लिए अनदेखा कर देता है और गणना करता है कि "बैकपैक" कितना भारी है। यह पूछता है, "जब मैं दौड़ना शुरू करता हूँ तो वोल्टेज कितना गिरता है?"
चरण B: एक बार जब इसे बैकपैक के बारे में पता चल जाता है, तो यह दौड़ के बिल्कुल अंत को देखता है। यह पूछता है, "फिनिश लाइन पर ढलान कितनी खड़ी है?"
इन दोनों को अलग करके, यह उस विशिष्ट बैटरी चक्र के लिए एक अनूसा फिंगरप्रिंट बनाता है।

चरण 3: AI अनुवादक (BiGRU)
अब, सिस्टम के पास बहुत सारे फिंगरप्रिंट हैं, लेकिन वे अस्त-व्यस्त हैं। उन्हें उपयोगी बनाने के लिए, यह एक स्मार्ट AI (जिसे BiGRU कहा जाता है) का उपयोग करके बैटरी के समग्र "स्वास्थ्य स्कोर" (SoH) की भविष्यवाणी करता है। यह फिर फिंगरप्रिंट को इस स्वास्थ्य स्कोर के साथ संरेखित करता है।

परिणाम: आपको एक स्पष्ट, साफ मानचित्र मिलता है जो दिखाता है कि जैसे-जैसे बैटरी बूढ़ी होती है, "बैकपैक" और "खाई" कैसे बदलते हैं।

उन्होंने क्या खोजा?

शोधकर्ताओं ने इसका परीक्षण उन बैटरियों पर किया जो जल्दी मर जाती हैं (कम जीवन), सामान्य जीवन जीती हैं (मध्यम), और लंबा जीवन जीती हैं (लंबा जीवन)। उन्होंने कुछ दिलचस्प रहस्य खोजे:

"कम-जीवन" वाली बैटरियां: ये बैटरियां उन धावकों की तरह हैं जो तेजी से शुरुआत कर सकते हैं लेकिन फिनिश लाइन पर अचानक ढह जाते हैं। उनमें एक बड़ा टेल लॉस होता है। भले ही उनके पास पर्याप्त ऊर्जा बची हो, लेकिन उस अचानक वोल्टेज की खाई के कारण वे जल्दी कट जाते हैं।
"लंबी-जीवन" वाली बैटरियां: ये मैराथन धावक हैं। वे पूरे समय एक भारी बैकपैक (पोलराइजेशन लॉस) ढोते हैं, इसलिए वे थोड़े धीमे होते हैं, लेकिन वे अचानक किसी खाई से नहीं टकराते। वे धीरे-धीरे और सहजता से कम होते हैं।

मुख्य बात: यदि आपके पास "कम-जीवन" वाली बैटरी है, तो आपको इसे शून्य तक खाली करने में सावधानी बरतनी चाहिए (क्योंकि वहां खाई है)। यदि आपके पास "लंबी-जीवन" वाली बैटरी है, तो आपको बहुत अधिक शक्ति तेजी से मांगने में सावधानी बरतनी चाहिए (क्योंकि वहां भारी बैकपैक है)।

यह क्यों मायने रखता है

IBAM से पहले, हम केवल एक एकल "स्वास्थ्य प्रतिशत" के साथ अंधेरे में उड़ रहे थे।

पुराना तरीका: "आपकी बैटरी 80% स्वस्थ है। सामान्य रूप से चलाएं।" (जोखिम: बैटरी अचानक बंद हो सकती है)।
IBAM का तरीका: "आपकी बैटरी 80% स्वस्थ है, लेकिन इसमें गंभीर 'टेल लॉस' है। आइए सेटिंग्स बदलें ताकि यह जल्दी न कटे, और हम इससे अधिक रेंज प्राप्त कर सकें।"

संक्षेप में: IBAM एक उबाऊ, एकल नंबर को एक विस्तृत स्वास्थ्य रिपोर्ट कार्ड में बदल देता है। यह हमें न केवल यह नहीं बताता कि बैटरी कितनी बीमार है, बल्कि यह भी बताता है कि उसे किस तरह की बीमारी है, जिससे हमें नए पुर्जे खरीदे बिना बेहतर इलाज करने और उससे अधिक जीवन पाने की अनुमति मिलती है।

यहाँ पेपर "Interpretable Battery Aging without Extra Tests via Neural-Assisted Physics-based Modelling" (IBAM) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

बैटरी मैनेजमेंट सिस्टम (BMS) काफी हद तक स्टेट ऑफ हेल्थ (SoH) पर निर्भर करते हैं, जो शेष क्षमता को दर्शाने वाला एक एकल स्केलर मीट्रिक है। हालाँकि, SoH की कुछ महत्वपूर्ण सीमाएँ हैं:

व्याख्यात्मकता का अभाव (Lack of Interpretability): समान SoH मान वाली दो बैटरियों का क्षरण व्यवहार (degradation behavior) बहुत भिन्न हो सकता है (जैसे, एक ध्रुवीकरण हानि (polarization loss) से जूझ रही है, जबकि दूसरी डिस्चार्ज के अंत में वोल्टेज पतन (end-of-discharge voltage collapse) से)।
कार्यक्षमता अंतराल (Actionability Gap): एक एकल स्केलर यह प्रकट नहीं करता कि इसके पीछे के भौतिक तंत्र (physical mechanisms) क्या हैं, जिससे ऑपरेटरों के लिए नियंत्रण रणनीतियों (जैसे, चार्जिंग सीमा, थर्मल प्रबंधन) को अनुकूलित करना कठिन हो जाता है।
वर्तमान समाधान: मौजूदा दृष्टिकोण या तो "ब्लैक-बॉक्स" मशीन लर्निंग (उच्च सटीकता, कम व्याख्यात्मकता) पर निर्भर करते हैं या अतिरिक्त नैदानिक परीक्षणों (जैसे, अल्ट्रासाउंड, विशिष्ट साइकलिंग प्रोटोकॉल) की आवश्यकता रखते हैं, जो वास्तविक दुनिया के उपयोग के लिए अव्यवहारिक हैं।

लक्ष्य: एक ऐसा ढांचा विकसित करना जो केवल रूटीन BMS लॉग्स (वोल्टेज, करंट, तापमान) का उपयोग करके व्याख्यात्मक (interpretable) बैटरी एजिंग अंतर्दृष्टि उत्पन्न कर सके, बिना किसी अतिरिक्त हार्डवेयर या नैदानिक परीक्षण के।

2. कार्यप्रणाली: IBAM ढांचा (Methodology: The IBAM Framework)

प्रस्तावित IBAM (Interpretable Battery Aging Modelling) ढांचा भौतिकी-आधारित मॉडलिंग को न्यूरल-असिस्टेड एस्टीमेशन के साथ जोड़ता है ताकि एक 2-D एजिंग फिंगरप्रिंट आउटपुट किया जा सके।

A. भौतिकी-आधारित मॉडल: फ्रैक्शनल-ऑर्डर इक्विवेलेंट सर्किट मॉडल (FOECM)

मानक इक्विवेलेंट सर्किट मॉडल्स (ECM) के बजाय, IBAM एक फ्रैक्शनल-ऑर्डर ECM का उपयोग करता है जो दो अलग-अलग क्षरण तंत्रों को कैप्चर करता है:

ध्रुवीकरण हानि (Polarization Loss - $R_{dyn}$ ): इसे एक कांस्टेंट फेज एलिमेंट (CPE) के समानांतर एक रेजिस्टर ( $R_{dyn}$ ) द्वारा मॉडल किया गया है। यह लोड के तहत डिस्चार्ज कर्व के वैश्विक निचले बदलाव (global downward shift) को कैप्चर करता है।
टेल लॉस (Tail Loss - $R_W$ ): इसे वारबर्ग-टाइप डिफ्यूजन एलिमेंट ( $R_W$ ) द्वारा मॉडल किया गया है। यह डिस्चार्ज के अंत के पास तीव्र वोल्टेज गिरावट को कैप्चर करता है, जिससे समय से पहले लो-वोल्टेज कटऑफ होता है।

मॉडल समीकरण है:
$V(t) = V_0(\text{SoC}) - I(t)R_0 - v_{dyn}(t) - v_W(t)$
जहाँ $v_{dyn}$ और $v_W$ क्रमशः ध्रुवीकरण और टेल वोल्टेज हानि का प्रतिनिधित्व करते हैं।

B. फिंगरप्रिंट निष्कर्षण के लिए टू-स्टेज लीस्ट स्क्वायर्स मेथड (LSM)

रूटीन डेटा से $R_{dyn}$ और $R_W$ मापदंडों को निकालने के लिए, IBAM एक दो-चरणीय फिटिंग प्रक्रिया का उपयोग करता है:

चरण 1 (Polarization): यह मानते हुए कि $v_W(t) = 0$ है, पूरे डिस्चार्ज कर्व को फिट करके $R_{dyn}$ का अनुमान लगाता है।
चरण 2 (Tail): यह चरण 1 के पूर्वानुमान को घटाता है और केवल डिस्चार्ज के अंत वाले क्षेत्र (एक लो-वोल्टेज गेट के नीचे) को फिट करता है ताकि $R_W$ का अनुमान लगाया जा सके।

आउटपुट: प्रति-चक्र रॉ फिंगरप्रिंट $(R_{dyn}^c, R_W^c)$ ।

C. न्यूरल-असिस्टेड SoH एस्टीमेशन

चूंकि SoH सीधे तौर पर दृश्यमान (observable) नहीं है, इसलिए IBAM चक्र-वार SoH ( $\hat{s}_c$ ) का अनुमान लगाने के लिए बाइडायरेक्शनल गेटेड रिकरेंट यूनिट (BiGRU) का उपयोग करता है।

इनपुट: डिस्चार्ज वोल्टेज से प्राप्त 4-चैनल टाइम-सीरीज इनपुट: (1) टर्मिनल वोल्टेज, (2) OCV के सापेक्ष वोल्टेज, (3) वोल्टेज परिवर्तन दर, और (4) टाइमस्टैम्प।
भूमिका: रॉ फिंगरप्रिंट को उद्योग-मानक SoH अक्ष पर मैप करने के लिए "हेल्थ कोऑर्डिनेट" प्रदान करना।

D. फिजिक्स-गाइडेड मैपिंग (Isotonic Regression)

शोर (noise) के कारण रॉ चक्र-वार फिंगरप्रिंट में उतार-चढ़ाव होता है। IBAM इन्हें स्मूथ, व्याख्यात्मक कर्व बनाने के लिए SoH डोमेन में मैप करता है:

मैपिंग: $(R_{dyn}^c, R_W^c)$ को अनुमानित SoH ( $\hat{s}_c$ ) के विरुद्ध प्रोजेक्ट करता है।
प्रतिबंध (Constraint): भौतिक निरंतरता सुनिश्चित करने के लिए आइसोटोनिक रिग्रेशन (Isotonic Regression) का उपयोग करता है (उदाहरण के लिए, जैसे-जैसे SoH कम होता है, रेजिस्टेंस पैरामीटर को गैर-घटता/non-decrease होना चाहिए)।
परिणाम: एक क्वेरी योग्य 2-D फिंगरप्रिंट $(R_{dyn}(s), R_W(s))$ जो किसी भी दिए गए SoH पर बैटरी की क्षरण अवस्था का वर्णन करता है।

3. मुख्य योगदान (Key Contributions)

2-D एजिंग फिंगरप्रिंट: यह एक संक्षिप्त प्रतिनिधित्व $(R_{dyn}, R_W)$ पेश करता है जो ध्रुवीकरण हानि और टेल लॉस को अलग-अलग मात्रा में मापता है, जो एकल SoH की तुलना में गहरी अंतर्दृष्टि प्रदान करता है।
नो-एक्स्ट्रा-टेस्ट्स डिप्लॉयमेंट: यह ढांचा केवल मानक BMS लॉग्स पर काम करता है, जिससे यह वास्तविक दुनिया के EV और ऊर्जा भंडारण अनुप्रयोगों के लिए उपयुक्त बनता है।
हाइब्रिड आर्किटेक्चर: यह व्याख्यात्मकता के लिए भौतिकी-आधारित FOECM को सटीक SoH अनुमान के लिए हल्के वजन वाले BiGRU और भौतिक निरंतरता के लिए आइसोटोनिक रिग्रेशन के साथ जोड़ता है।
कार्यक्षम अंतर्दृष्टि (Actionable Insights): फिंगरप्रिंट सीधे नियंत्रण रणनीतियों को सूचित करते हैं (उदाहरण के लिए, उच्च $R_W$ सख्त वोल्टेज गेटिंग का सुझाव देता है; उच्च $R_{dyn}$ रूढ़िवादी हाई-रेट डिस्चार्ज का सुझाव देता है)।

4. प्रयोगात्मक परिणाम (Experimental Results)

इस ढांचे को तीन जीवनकाल श्रेणियों: शॉर्ट, मीडियम और लॉन्ग के माध्यम से MIT-Stanford बैटरी डेटासेट (कमर्शियल Li-ion सेल्स) पर सत्यापित किया गया।

मॉडल फिडेलिटी (Model Fidelity):
- IBAM के FOECM ने मानक ECM और बेसलाइन FOECM (बिना टेल घटक के) की तुलना में वोल्टेज फिटिंग में सबसे कम रूट मीन स्क्वायर एरर (RMSE) प्राप्त किया।
- एंड-ऑफ-लाइफ (EoL) पर, IBAM ने शॉर्ट-लाइफ बैटरियों के लिए मानक ECM की तुलना में फिटिंग त्रुटि को 14.5% कम कर दिया।
- पूर्ण FOECM (साथ में $R_W$ ) ने बेसलाइन की तुलना में काफी बेहतर प्रदर्शन किया, जिससे यह सिद्ध हुआ कि "टेल लॉस" को मॉडल करना पुरानी बैटरियों के लिए महत्वपूर्ण है।
फिंगरप्रिंट पैटर्न और लाइफस्पैन सहसंबंध:
- शॉर्ट-लाइफ बैटरियां: मध्यम SoH पर भी उच्च टेल लॉस ( $R_W$ ) प्रदर्शित करती हैं। वे एक "टेल बॉटलनेक" से जूझती हैं, जिससे समय से पहले वोल्टेज कटऑफ और उपयोगी ऊर्जा में कमी आती है।
- लॉन्ग-लाइफ बैटरियां: उच्च ध्रुवीकरण हानि ( $R_{dyn}$ ) लेकिन कम टेल लॉस ( $R_W$ ) प्रदर्शित करती हैं। वे डिस्चार्ज के अंत में वोल्टेज स्थिरता को लंबे समय तक बनाए रखती हैं, जिससे उनका क्षरण अधिक समान रूप से होता है।
- विज़ुअलाइज़ेशन: 2-D फिंगरप्रिंट प्लॉट बैटरी के जीवनकाल को स्पष्ट रूप से अलग करता है, जबकि SoH अकेले इसे अंतर करने में असमर्थ है।
SoH एस्टीमेशन सटीकता:
- 4-चैनल BiGRU इनपुट ने केवल कच्चे वोल्टेज का उपयोग करने की तुलना में SoH अनुमान त्रुटि (MAE) को ~70% कम कर दिया (जैसे, शॉर्ट-लाइफ बैटरियों के लिए 0.014 से 0.004 तक)।

5. महत्व और प्रभाव (Significance and Impact)

व्याख्यात्मकता: यह "ब्लैक-बॉक्स" स्वास्थ्य भविष्यवाणियों को भौतिकी-आधारित तंत्रों में बदल देता है, जिससे इंजीनियर यह समझ सकते हैं कि बैटरी क्यों बूढ़ी हो रही है।
अनुकूलित नियंत्रण: यह तंत्र-जागरूक (mechanism-aware) BMS रणनीतियों को सक्षम बनाता है। उदाहरण के लिए, उच्च $R_W$ वाली बैटरी को गहरा डिस्चार्ज (deep discharge) से बचना चाहिए, जबकि उच्च $R_{dyn}$ वाली बैटरी को गर्मी को कम करने के लिए पीक करंट को सीमित करना चाहिए।
स्केलेबिलिटी: केवल रूटीन लॉग्स पर निर्भर रहकर, IBAM को बिना किसी हार्डवेयर अपग्रेड के मौजूदा बेड़े (fleets) में तैनात किया जा सकता है, जो सटीक AI मॉडलिंग और व्यावहारिक, व्याख्यात्मक बैटरी प्रबंधन के बीच के अंतर को पाटता है।