🤖 machine learning

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

यह शोध पत्र TC-SOH को प्रस्तुत करता है, जो एक मॉड्यूलर, एंड-टू-एंड सर्विस आर्किटेक्चर है जो मौजूदा फिजिक्स-इन्फॉर्म्ड और डेटा-ड्रिवन बेसलाइन्स की तुलना में बेहतर सटीकता और पारदर्शिता के साथ बैटरी स्टेट ऑफ हेल्थ की स्वायत्त रूप से भविष्यवाणी करने के लिए टेम्पोरल-कॉन्ट्रास्टिव रिप्रेजेंटेशन लर्निंग का लाभ उठाता है।

मूल लेखक: Junting Wen, Dan Li, Qihao Quan, Xiwen Wang, Hang Yang, Zhaohong Meng, Zigui Jiang, Changlin Yang, Tianle Liu, Diego Muñoz-Carpintero, Jian Lou

प्रकाशित 2026-06-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Junting Wen, Dan Li, Qihao Quan, Xiwen Wang, Hang Yang, Zhaohong Meng, Zigui Jiang, Changlin Yang, Tianle Liu, Diego Muñoz-Carpintero, Jian Lou

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

यहाँ "TC-SOH: बैटरी सिस्टम के लिए टेम्पोरल-कॉन्ट्रास्टिव रिप्रेजेंटेशन लर्निंग के माध्यम से स्वायत्त एंड-टू-एंड SOH प्रेडिक्शन सर्विसेज" का सरल, रोज़मर्रा की भाषा में अनुवाद दिया गया है।

बड़ी तस्वीर: "ब्लैक बॉक्स" की समस्या

कल्पना कीजिए कि आपके पास इलेक्ट्रिक वाहनों का एक बेड़ा या एक विशाल बैटरी स्टोरेज सिस्टम है। आपको यह जानने की ज़रूरत है कि प्रत्येक बैटरी कितनी "स्वस्थ" है (इसका स्टेट ऑफ हेल्थ, या SOH)। यदि कोई बैटरी 100% स्वास्थ्य पर है, तो यह एक नई कार की तरह है; यदि यह 80% पर है, तो यह इसे भारी काम से हटाने का समय है।

वर्तमान में, इसका पता लगाना एक मैकेनिक द्वारा हर एक बोल्ट और तार को मैन्युअल रूप से मापने के समान है। यह धीमा, महंगा है, और इसके लिए एक मानव विशेषज्ञ की आवश्यकता होती है जो यह तय करे कि क्या मापना है। इसके अलावा, इस भविष्यवाणी को करने के लिए उपयोग किए जाने वाले कंप्यूटर मॉडल अक्सर "ब्लैक बॉक्स" होते हैं—वे एक उत्तर तो देते हैं, लेकिन किसी को पता नहीं होता कि उन्होंने वह उत्तर क्यों दिया। यह इंजीनियरों को वास्तविक दुनिया की सुरक्षा स्थितियों में उन पर भरोसा करने के लिए घबराहट में डाल देता है।

समाधान: TC-SOH (एक "स्मार्ट जासूस")

लेखकों ने एक नया सिस्टम पेश किया है जिसे TC-SOH कहा जाता है। इसे एक मैकेनिक द्वारा बोल्ट मापने के रूप में नहीं, बल्कि एक सुपर-स्मार्ट जासूस के रूप में देखें जो बैटरी के दैनिक जीवन को देखता है और स्वचालित रूप से परेशानी को पहचानना सीखता है।

यह कैसे काम करता है, यहाँ चरण-दर-चरण बताया गया है:

1. अब कोई मैनुअल चेकलिस्ट नहीं (एंड-टू-एंड लर्निंग)

इस बजाय कि इंसान कंप्यूटर को बताएं, "यहाँ वोल्टेज मापें और वहाँ तापमान मापें," TC-SOH सीधे कच्चे डेटा (कच्चे विद्युत संकेतों) को देखता है।

उपमा: कल्पना कीजिए कि गाड़ी चलाना सीखना। एक पारंपरिक तरीका नियमों की एक सूची याद करना है ("यदि लाइट लाल है, तो रुकें")। TC-SOH एक ऐसे छात्र की तरह है जो बस कार में बैठता है, सड़क को देखता है, और करके सीखता है। यह बिना किसी मैनुअल चेकलिस्ट के अपने आप ड्राइविंग (या बैटरी के पुराने होने) के पैटर्न को समझ लेता है।

2. "टाइम-ट्रैवल" का कमाल (टेम्पोरल-कॉन्ट्रास्टिव लर्निंग)

इस सिस्टम के सीखने का मुख्य जादू यह है कि यह कैसे सीखता है। यह केवल बैटरी के एक क्षण को नहीं देखता; यह समय के साथ बैटरी की कहानी को देखता है।

उपमा: कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक पेड़ कितना पुराना है।
- पुराना तरीका: आप पेड़ की ऊंचाई को एक बार मापते हैं।
- TC-SOH तरीका: आप आज के पेड़ की एक फोटो देखते हैं, और फिर आप अनुमान लगाने की कोशिश करते हैं कि वह कल कैसा दिखता था और वह कल कैसा दिखेगा।
- बैटरी के जीवन के "अगले कदम" की भविष्यवाणी करने के लिए लगातार अपने "पिछले कदमों" का उपयोग करके, यह सिस्टम सीखता है कि बैटरी कैसे खराब होती है। यह उम्र बढ़ने की लय (रदम) को सीखता है।

3. "ऑग्मेंटेशन" (शोर फिल्टर)

यह सुनिश्चित करने के लिए कि जासूस केवल विशिष्ट विवरणों (जैसे किसी विशेष दिन का सटीक तापमान) को याद न कर ले, सिस्टम डेटा में थोड़ा बदलाव (जिटर या स्केलिंग जोड़ना) करता है।

उपमा: यह एक बच्चे को कुत्ता पहचानने के लिए सिखाने जैसा है। आप उन्हें पार्क में एक कुत्ता दिखाते हैं, फिर बारिश में एक कुत्ता, फिर टोपी पहने एक कुत्ता। आप नहीं चाहते कि वे यह सोचें कि "केवल टोपी पहने कुत्ते ही कुत्ते हैं।" TC-SOH बैटरी मॉडल को मौसम या चार्जिंग की गति में मामूली बदलावों के बावजूद उम्र बढ़ने के सार को पहचानना सिखाता है।

आप इस सिस्टम पर भरोसा क्यों करें? ("ग्लास बॉक्स" दृष्टिकोण)

AI के साथ सबसे बड़ी चिंता यह है कि यह एक "ब्लैक बॉक्स" है। लेखकों ने केवल यह नहीं कहा कि "यह काम करता है।" उन्होंने बॉक्स को खोलने और अंदर देखने के लिए एक डायग्नोस्टिक चेन बनाई।

रास्ते का दृश्यीकरण: उन्होंने डेटा को प्लॉट किया और देखा कि जैसे-जैसे बैटरी पुरानी हुई, AI के "विचार" एक सुचारू, तार्किक रेखा में चले, न कि बेतरतीब ढंग से इधर-उधर।
"अर्ली वार्निंग" टेस्ट: उन्होंने जांचा कि क्या AI समस्या के शुरुआती संकेत देख सकता है जब बैटरी अभी भी काफी स्वस्थ थी। वह यह कर सका। पारंपरिक तरीके अक्सर इन सूक्ष्म शुरुआती संकेतों को मिस कर देते हैं।
"रिडंडेंसी" चेक: उन्होंने पूछा, "क्या यह AI केवल पुराने मैनुअल चेकलिस्ट की नकल कर रहा है?" जवाब था नहीं। इसने पुराने नियमों को सीखा, लेकिन इसने नए सुराग भी खोजे जो पुराने चेकलिस्ट से छूट गए थे।
"ऑर्डर" टेस्ट: यह सबसे महत्वपूर्ण हिस्सा है। उन्होंने बैटरी के इतिहास के क्रम को उलट दिया (जैसे ताश के पत्तों को फेंटना)। जब क्रम मिला-जुला दिया गया, तो AI भ्रमित हो गया और भविष्य बताने में विफल रहा। इससे यह साबित हुआ कि AI केवल वर्तमान क्षण को नहीं देख रहा था; यह वास्तव में भविष्य की भविष्यवाणी करने के लिए घटनाओं के क्रम (इतिहास) को समझ रहा था।

परिणाम: यह कितना अच्छा है?

टीम ने चार अलग-अलग सार्वजनिक डेटासेट्स पर इस सिस्टम का परीक्षण किया जिसमें अलग-अलग केमिस्ट्री और स्थितियों वाली सैकड़ों बैटरियां शामिल थीं।

सटीकता: यह पुराने "मैनुअल चेकलिस्ट" तरीकों और अन्य उन्नत AI मॉडलों दोनों की तुलना में काफी बेहतर था।
आंकड़े: इसने अगले सबसे अच्छे तरीकों की तुलना में भविष्यवाणी त्रुटियों को लगभग 2 गुना कम कर दिया।
दक्षता: इसने बहुत कम बैटरियों (केवल 1 या 2) पर प्रशिक्षित होने के बावजूद बहुत सटीक होने के लिए सीखा, जबकि अन्य तरीकों को आमतौर पर भारी मात्रा में डेटा की आवश्यकता होती है।

सारांश

TC-SOH बैटरी स्वास्थ्य की भविष्यवाणी करने का एक नया, स्वचालित तरीका है। इंसानों द्वारा सही माप चुनने पर निर्भर रहने के बजाय, यह बैटरी के कच्चे डेटा को देखता है, समय के साथ इसके पुराने होने की "कहानी" को सीखता है, और इसके भविष्य के स्वास्थ्य की उच्च सटीकता के साथ भविष्यवाणी करता है। महत्वपूर्ण रूप से, लेखकों ने साबित किया कि यह केवल एक जादुई अनुमान नहीं है; यह वास्तव में बैटरी के जीवन की समयरेखा को समझता है, जिससे यह ऊर्जा संपत्तियों के प्रबंधन के लिए एक भरोसेमंद उपकरण बन जाता है।

तकनीकी सारांश: स्वायत्त SOH भविष्यवाणी के लिए TC-SOH

समस्या विवरण
लिथियम-आयन बैटरी प्रबंधन प्रणालियों (BMS) के लिए सटीक स्वास्थ्य अवस्था (State of Health - SOH) अनुमान, सुरक्षा और जीवनचक्र मूल्य सुनिश्चित करने हेतु अत्यंत महत्वपूर्ण है। हालाँकि, वर्तमान डेटा-संचालित डायग्नोस्टिक सेवाएँ बड़े पैमाने पर औद्योगिक तैनाती के लिए दो प्राथमिक बाधाओं का सामना करती हैं:

मैनुअल फीचर इंजीनियरिंग पर निर्भरता: मौजूदा विधियाँ अप्रत्यक्ष स्वास्थ्य संकेतकों (जैसे SOC, थर्मल परिवर्तन) के श्रमसाध्य, विशेष रूप से निकाले गए निष्कर्षण पर निर्भर करती हैं। ये विधियाँ अक्सर सूक्ष्म, गैर-रेखीय क्षरण गतिकी (degradation dynamics) को छोड़ देती हैं या मनमाने ढंग से फीचर सेट का विस्तार करती हैं, जिससे कम्प्यूटेशनल ओवरहेड बढ़ जाता है।
व्याख्यात्मकता (Interpretability) का अभाव: डीप लर्निंग मॉडल अक्सर "ब्लैक बॉक्स" के रूप में कार्य करते हैं, जो सुरक्षा-महत्वपूर्ण वातावरणों में विश्वास की कमी पैदा करते हैं। भविष्यवाणियों को भौतिक इलेक्ट्रोकेमिकल मूल कारणों तक ट्रैक करने में असमर्थता या यह सत्यापित करने में विफलता कि सीखे गए फीचर्स क्षरण प्रक्षेपवक्र (degradation trajectories) के साथ संरेखित हैं, उनके उपयोग को सीमित करती है।

कार्यप्रणाली: TC-SOH फ्रेमवर्क
लेखक TC-SOH का प्रस्ताव करते हैं, जो स्वायत्त, एंड-टू-एंड SOH भविष्यवाणी के लिए एक मॉड्यूलर, प्लग-एंड-प्ले सेवा आर्किटेक्चर है। यह फ्रेमवर्क कॉन्स्टेंट करंट-कॉन्स्टेंट वोल्टेज (CC-CV) चार्जिंग चरण से प्राप्त कच्चे परिचालन डेटा (raw operational data) पर कार्य करता है, जिससे मैनुअल फीचर इंजीनियरिंग की आवश्यकता समाप्त हो जाती है।

यह आर्किटेक्चर तीन एकीकृत घटकों से बना है:

CNN मॉड्यूल ( $f(\cdot)$ ): एक 1D-CNN एनकोडर जो व्यक्तिगत CC-CV चक्रों से कच्चे विद्युत संकेतों (करंट, वोल्टेज, SOC) को उच्च-आयामी लेटेंट रिप्रेजेंटेशन ( $z_c$ ) में बदल देता है।
टेम्पोरल-कॉन्ट्रास्टिव (TC) मॉड्यूल ( $g(\cdot)$ ): एक सीक्वेंस ट्रांसफार्मर जो एक क्रॉस-विंडो प्रेडिक्शन प्रेटैक्स्ट टास्क को निष्पादित करता है। यह क्रमिक चक्र रिप्रेजेंटेशन ( $z_{\le t}$ $z_{\leq t}$ ) के एक अनुक्रम को एक संदर्भ वेक्टर ( $c_t$ $c_{t}$ ) में संक्षेपित करता है ताकि बाद के रिप्रेजेंटेशन ( $z_{t+1}, \dots, z_{t+K}$ $z_{t + 1}, \dots, z_{t + K}$ ) की भविष्यवाणी की जा सके।
- लॉस फंक्शन: मॉडल एक संयुक्त उद्देश्य को अनुकूलित करता है जिसमें एक प्रेडिक्शन लॉस और एक कॉन्ट्रास्टिव लॉस ( $\mathcal{L}_{TC}$ ) शामिल है। कॉन्ट्रास्टिव लॉस प्रेडिक्टेड और वास्तविक रिप्रेजेंटेशन के बीच समानता को अधिकतम करता है और नेगेटिव सैंपल्स (अन्य बैचों) के साथ समानता को न्यूनतम करता है, जिससे अनुक्रमिक क्षरण गतिकी सीखने को बल मिलता है।
- ऑगमेंटेशन: एनकोडिंग बायस को रोकने के लिए, ऑगमेंटेशन (जिटर और स्केलिंग) कच्चे सिग्नल्स के बजाय सीखे गए रिप्रेजेंटेशन पर लागू किया जाता है।
आउटपुट मॉड्यूल ( $o(\cdot)$ ): एक लीनियर लेयर जो रिफाइंड टेम्पोरल कॉन्टेक्स्ट को अंतिम SOH मान पर मैप करती है।

पारदर्शिता के लिए डायग्नोस्टिक चेन
"ब्लैक बॉक्स" समस्या को संबोधित करने के लिए, लेखक सीखे गए रिप्रेजेंटेशन का विश्लेषण करने के लिए एक डायग्नोस्टिक चेन पेश करते हैं:

विज़ुअलाइज़ेशन: सुचारू क्षरण प्रक्षेपवक्र (smooth degradation trajectories) को सत्यापित करने के लिए t-SNE का उपयोग करना।
सेंसिटिविटी एनालिसिस: उन स्वस्थ और प्रारंभिक क्षय (early-decay) चरणों में प्रतिक्रियाशीलता की जाँच करना जहाँ SOH परिवर्तन सूक्ष्म होते हैं।
रिडंडेंसी और प्रोबिंग: यह परीक्षण करना कि क्या सीखे गए फीचर्स केवल मैनुअल डिस्क्रिप्टर्स की नकल करते हैं या उनमें अतिरिक्त SOH-प्रासंगिक भिन्नता मौजूद है।
फ्यूचर-SOH प्रोबिंग और टेम्पोरल शफलिंग: यह मूल्यांकन करना कि क्या क्रमबद्ध टेम्पोरल कॉन्टेक्स्ट ( $c_t$ ), अन-ऑर्डर्ड स्टैटिस्टिक्स या सिंगल-साइकिल रीडआउट की तुलना में भविष्य के SOH की बेहतर भविष्यवाणी करता है।

प्रमुख योगदान

प्लग-एंड-प्ले डायग्नोस्टिक फ्रेमवर्क: एक एंड-टू-एंड सेवा जो नियमित CC-CV डेटा से गैर-रेखीय एजिंग डायनेमिक्स निकालती है, जिससे मैनुअल फीचर इंजीनियरिंग पर निर्भरता काफी कम हो जाती है।
सर्विस ट्रस्ट और पारदर्शिता: एक डायग्नोस्टिक इंटरप्रिटेशन चेन जो यह प्रदर्शित करती है कि सीखे गए फीचर्स भौतिक डिस्क्रिप्टर्स के साथ ओवरलैप होते हैं जबकि वे अद्वितीय प्रेडिक्टिव वेरिएशन बनाए रखते हैं, और कि क्रमबद्ध टेम्पोरल कॉन्टेक्स्ट भविष्य की भविष्यवाणी के लिए महत्वपूर्ण है।
सर्विस प्रभावकारिता और मजबूती: विविध केमिस्ट्री और ऑपरेटिंग स्थितियों को कवर करने वाले चार बड़े पैमाने के सार्वजनिक डेटासेट्स (XJTU, TJU, HUST, MIT) में सत्यापन।

प्रायोगिक परिणाम
मॉडल का मूल्यांकन सख्त बैटरी-लेवल स्प्लिट्स (डेटा लीकेज से बचते हुए) के तहत फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINN) और मैनुअल-MLP बेसलाइन्स के विरुद्ध किया गया।

प्रदर्शन: TC-SOH ने सभी बेसलाइन्स को पछाड़ दिया। औसतन, इसने विचारित बेसलाइन्स की तुलना में MAPE को 1.91 गुना और RMSE को 2.13 गुना कम कर दिया। उदाहरण के लिए, HUST डेटासेट पर, Auto-LSTM वेरिएंट ने $0.102 \pm 0.020\%$ का MAPE और $0.0011 \pm 0.0002$ का RMSE प्राप्त किया।
डेटा दक्षता: मॉडल प्रशिक्षण के लिए केवल 1-4 बैटरियों का उपयोग करके लगभग पूर्ण-डेटा प्रदर्शन प्राप्त करता है, जो कम डेटा निर्भरता को दर्शाता है।
क्रॉस-डोमेन अडैप्टेशन: ट्रांसफर लर्निंग परिदृश्यों (सोर्स-ओनली बनाम फाइन-ट्यूनिंग) में, सोर्स-ओनली मॉडल बड़े डोमेन शिफ्ट के तहत विफल रहे। हालाँकि, केवल एक या दो टारगेट बैटरियों के साथ अनुकूलन करने से त्रुटियां एक से दो ऑर्डर ऑफ मैग्नीट्यूड कम हो गईं। मिक्सचर ट्रेनिंग (संयुक्त स्रोत-लक्ष्य) ने सबसे कम त्रुटियां ( $<0.012$ RMSE) प्राप्त कीं।
डायग्नोस्टिक निष्कर्ष:
- सीखे गए फीचर्स ने मैनुअल फीचर्स की तुलना में सुचारू क्षरण प्रक्षेपवक्र दिखाए।
- मॉडल ने प्रारंभिक-क्षय (SOH > 0.95) शासन में बेहतर संवेदनशीलता प्रदर्शित की।
- रिडंडेंसी विश्लेषण ने दिखाया कि मैनुअल डिस्क्रिप्टर्स सीखे गए फीचर्स के साथ काफी हद तक रेडंडेंट थे, न कि पूरक।
- टेम्पोरल शफलिंग: चक्र इतिहास के क्रम को नष्ट करने से भविष्य-SOH की भविष्यवाणी काफी खराब हो गई, जो पुष्टि करता है कि TC मॉड्यूल प्रभावी रूप से क्रमबद्ध टेम्पोरल कॉन्टेक्स्ट का उपयोग करता है न कि केवल अन-ऑर्डर्ड स्टैटिस्टिक्स का।

महत्व और दावे
यह पेपर दावा करता है कि TC-SOH बैटरी स्वास्थ्य निदान के लिए हैंड-क्राफ्टेड फीचर डिजाइन के स्थान पर एक व्यावहारिक, एंड-टू-एंड विकल्प प्रदान करता है। इसका महत्व न केवल बेहतर भविष्य कहने वाली सटीकता में है, बल्कि इसकी व्याख्यात्मकता के माध्यम से एंड-यूज़र ट्रस्ट को फिर से बनाने की क्षमता में भी है। अपने सीखे गए रिप्रेजेंटेशन का स्पष्ट रूप से निदान करके, लेखक यह प्रदर्शित करते हैं कि मॉडल:

सुचारू क्षरण प्रक्षेपवक्र और प्रारंभिक-चरण की संवेदनशीलता को कैप्चर करता है।
ऐसी जानकारी को एनकोड करता है जो भौतिक डिस्क्रिप्टर्स के साथ ओवरलैप होती है लेकिन अतिरिक्त, गैर-रेडंडेंट SOH-प्रासंगिक भिन्नता बनाए रखती है।
भविष्य के SOH की भविष्यवाणी में सुधार के लिए क्रमबद्ध टेम्पोरल कॉन्टेक्स्ट पर निर्भर करता है, जो कि अन-ऑर्डर्ड या सिंगल-साइकिल फीचर्स की क्षमता नहीं है।

लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण आधुनिक ऊर्जा सेवाओं में स्केलेबल, मजबूत और पारदर्शी संपत्ति प्रबंधन की तत्काल आवश्यकता को संबोधित करता है, हालांकि वे उल्लेख करते हैं कि भविष्य के कार्यों को इन निष्कर्षों को नियंत्रित इलेक्ट्रोकेमिकल स्ट्रेस टेस्ट के साथ जोड़ना चाहिए।