💻 computer science

Remaining Useful Life Estimation of Lithium-Ion Batteries: A Controlled Benchmark of Physics-Informed Features and Mamba-Based Architectures on CALCE CS2

यह शोध पत्र CALCE CS2 डेटा पर एक नियंत्रित बेंचमार्क प्रस्तुत करता है जो यह दर्शाता है कि एक मानक GRU मॉडल लिथियम-आयन बैटरी के शेष उपयोगी जीवन (remaining useful life) की भविष्यवाणी करने में उन्नत Mamba-आधारित आर्किटेक्चर से बेहतर प्रदर्शन करता है, जो क्षमता सामान्यीकरण (capacity normalization) जैसे भौतिकी-सूचित (physics-informed) फीचर्स के महत्वपूर्ण महत्व को रेखांकित करता है और साथ ही यह भी नोट करता है कि वर्तमान परिणाम तैनाती-योग्य प्रदर्शन के बजाय ओरेकल-आधारित मूल्यांकन को दर्शाते हैं।

मूल लेखक: Dikshant Dikshant, Praveen Kumar Agarwal

प्रकाशित 2026-08-11

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dikshant Dikshant, Praveen Kumar Agarwal

मूल पेपर CC BY 4.0 (https://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

कल्पना कीजिए कि आपका स्मार्टफोन या इलेक्ट्रिक कार की बैटरी एक मैराथन धावक है। अपने करियर की शुरुआत में, वे तरोताजा, तेज़ और ऊर्जा से भरपूर होते हैं। लेकिन जैसे-जैसे वे अधिक मील दौड़ते हैं (या अधिक बार चार्ज और डिस्चार्ज होते हैं), उनके पैर थक जाते हैं, उनकी गति धीमी हो जाती है, और अंततः, वे दौड़ पूरी नहीं कर पाते। विज्ञान की दुनिया में, इसे "बैटरी डिग्रेडेशन" (battery degradation) कहा जाता है। मुख्य सवाल जिसका उत्तर शोधकर्ता खोजने की कोशिश कर रहे हैं वह यह है: इस धावक के गिरने से पहले उसके पास कितने मील बाकी हैं? इसे "रेमेनिंग यूज़फुल लाइफ" (Remaining Useful Life - RUL) का अनुमान लगाना कहा जाता है। इसे सही ढंग से समझना इलेक्ट्रिक वाहनों और ग्रिड स्टोरेज के लिए एक सुपरपावर है; यह हमें यह जानने में मदद करता है कि बैटरी के विफल होने से पहले उसे कब बदलना है, जिससे पैसा बचता है और खराबी को रोका जा सकता है। इसे हल करने के लिए, वैज्ञानिक "मशीन लर्निंग" का उपयोग करते हैं, जो कंप्यूटर को धावक के इतिहास में पैटर्न पहचानने के लिए सिखाने जैसा है—जैसे कि उसकी हृदय गति, गति और सांस लेना—ताकि यह अनुमान लगाया जा सके कि वह कब तक चल सकता है।

अब, भारत के मोतीलाल नेहरू राष्ट्रीय प्रौद्योगिकी संस्थान के शोधकर्ताओं की एक टीम की कल्पना करें। उन्होंने कुछ बहुत ही फैंसी, नए कंप्यूटर दिमागों को कुछ पुराने, सरल दिमागों के विरुद्ध परखने का निर्णय लिया। वे लिथियम-आयन बैटरी (वही प्रकार जो आपके फोन और कार में होती है) के एक विशिष्ट प्रकार को देख रहे थे और जानना चाहते थे कि क्या एक नया, ट्रेंडी आर्किटेक्चर जिसे "मैम्बा" (Mamba) कहा जाता है, क्लासिक "जीआरयू" (GRU - Gated Recurrent Unit) मॉडल की तुलना में बैटरी की सेवानिवृत्ति की तारीख बेहतर तरीके से भविष्यवाणी कर सकता है। उन्होंने इन कंप्यूटरों को बैटरी के स्वास्थ्य के बारे में 13 विशेष सुराग दिए, जिसमें एक "नॉर्मलाइज्ड हेल्थ स्कोर" (normalized health score) शामिल था जो कंप्यूटर को बताता है कि बैटरी के पास नई होने की तुलना में कितनी ऊर्जा बची है।

यहाँ एक मोड़ है: नए, हाई-टेक मैम्बा मॉडल, जिन्हें लंबी कहानियों को पढ़ने में सुपर स्मार्ट और कुशल होने के लिए डिज़ाइन किया गया था, वास्तव में लड़खड़ा गए। पुराना-स्कूल वाला GRU मॉडल, जो एक भरोसेमंद, मेहनती अनुभवी खिलाड़ी की तरह है, दौड़ में आसानी से जीत गया। टेस्ट बैटरी पर, GRU अविश्वसनीय रूप से सटीक था, वास्तविक सेवानिवृत्ति की तारीख को केवल 4 से 7 चक्रों (एक चक्र एक पूर्ण चार्ज और डिस्चार्ज है) से मिस किया। इसके विपरीत, फैंसी मैम्बा मॉडल 28 से 38 चक्रों से पीछे रह गए। यह पता चला कि इस विशिष्ट कार्य के लिए, सफलता का गुप्त मंत्र कंप्यूटर दिमाग की जटिलता नहीं थी, बल्कि दिए गए सुरागों (फीचर्स) की गुणवत्ता थी। जब शोधकर्ताओं ने सबसे महत्वपूर्ण सुराग—नॉर्मलाइज्ड हेल्थ स्कोर—को हटा दिया, तो मैम्बा मॉडल और भी खराब हो गया, जिससे यह साबित हुआ कि सबसे स्मार्ट AI को भी जादू करने के लिए अच्छे डेटा की आवश्यकता होती है।

बैटरी की दौड़ की कहानी

सेटअप: एक नियंत्रित ट्रैक
शोधकर्ताओं ने CALCE CS2 नामक एक डेटासेट का उपयोग किया, जो बैटरियों के लिए एक बिल्कुल नियंत्रित जिम की तरह है। इन बैटरियों को एक प्रयोगशाला में स्थिर तापमान पर, एक निरंतर गति पर चार्ज और डिस्चार्ज किया गया, ठीक वैसे ही जैसे ट्रेडमिल पर दौड़ता हुआ धावक। उन्होंने दो विशिष्ट बैटरियों, CS2_37 और CS2_38 को "टेस्ट रनर्स" के रूप में चुना, जिन्हें कंप्यूटरों ने पहले कभी नहीं देखा था। लक्ष्य यह अनुमान लगाना था कि ये बैटरियां अपने "एंड ऑफ लाइफ" (जब वे उपयोगी रहने के लिए बहुत कमजोर हो जाती हैं) तक पहुँचने से पहले ठीक कितने और चक्र जीवित रह सकती हैं।

उपकरण: पुराना स्कूल बनाम नया स्कूल
टीम ने फिनिश लाइन की भविष्यवाणी करने के लिए कुछ अलग-अलग "कोच" (कंप्यूटर मॉडल) बनाए:

अनुभवी (LSTM और GRU): ये स्थापित, विश्वसनीय मॉडल हैं जिनका उपयोग वर्षों से किया जा रहा है। वे बैटरी के प्रदर्शन के इतिहास को चरण-दर-चरण देखते हैं।
ट्रेंडी नए आगमन (Mamba-आधारित मॉडल): ये नए और चमकदार मॉडल हैं। वे "सिलेक्टिव स्टेट-स्पेस मॉडल्स" (Selective State-Space Models) का उपयोग करते हैं। एक मैम्बा मॉडल को एक ऐसे पाठक के रूप में कल्पना करें जो एक ही नज़र में पूरी किताब को स्कैन कर सकता है, केवल महत्वपूर्ण हिस्सों को याद रखता है और फालतू बातों को अनदेखा करता है। शोधकर्ताओं ने दो संस्करण बनाए:
- MambaRUL: इस मॉडल ने "डिग्रेडेशन एंकर क्रॉस-अटेंशन" (Degradation Anchor Cross-Attention) का उपयोग करने की कोशिश की। इसे बैटरी की जीवन कहानी में तीन विशेष बुकमार्क (एंकर) रखने के रूप में सोचें: एक शुरुआती दिनों के लिए, एक बीच के लिए, और एक अंत के लिए। मॉडल को कहानी के सही हिस्से पर ध्यान केंद्रित करने के लिए इन बुकमार्क का उपयोग करना था।
- PhysicsMambaRUL: यह और भी महत्वाकांक्षी था। इसने न केवल सेवानिवृत्ति की तारीख का अनुमान लगाया; बल्कि इसने बैटरी के पतन की गति का भी अनुमान लगाने और इसके जीवन की कहानी पर एक गणितीय वक्र (curve) फिट करने की कोशिश की, और यह भी सुनिश्चित करने की कोशिश की कि इसके अनुमान भौतिकी के नियमों का पालन करें।

दौड़: कौन जीता?
जब दौड़ शुरू हुई, तो परिणाम आश्चर्यजनक थे। GRU (अनुभवी) स्पष्ट विजेता था।

बैटरी CS2_37 पर, GRU केवल 4.39 चक्रों से पीछे था।
बैटरी CS2_38 पर, यह 7.48 चक्रों से पीछे था।
यह इतना सटीक था कि इसके 100% अनुमान वास्तविक उत्तर के 20 चक्रों के भीतर थे।

हालाँकि, मैम्बा मॉडल संघर्ष कर रहे थे।

मानक MambaRUL 28.54 चक्रों और 38.57 चक्रों से पीछे था।
PhysicsMambaRUL ने थोड़ा बेहतर प्रदर्शन किया लेकिन फिर भी GRU से पीछे रहा, जिसमें त्रुटियाँ 13.60 और 20.49 चक्र थीं।

शोधकर्ताओं ने पाया कि मैम्बा मॉडल में फैंसी "बुकमार्क" (एंकर) उम्मीद के मुताबिक मदद नहीं कर पाए। वास्तव में, जब उन्होंने "बुकमार्क" को हटाने की कोशिश की और केवल एक बेसिक मैम्बा मॉडल का उपयोग किया, तो इसने थोड़ा बेहतर प्रदर्शन किया, हालांकि यह GRU जितना अच्छा नहीं था।

गुप्त हथियार: 13 सुराग
सबसे महत्वपूर्ण खोज कंप्यूटर दिमाग के बारे में नहीं थी; यह उन सुरागों (फीचर्स) के बारे में थी जो दिमाग में डाले गए थे। टीम ने वोल्टेज, तापमान और ऊर्जा जैसे 13 अलग-अलग सूचनाओं का उपयोग किया। लेकिन असली स्टार एक एकल सुराग था जिसे cap_pct कहा जाता है। यह एक अनुपात है जो कंप्यूटर को बताता है, "बैटरी की मूल शक्ति का कितना हिस्सा अभी भी बचा है?"

जब शोधकर्ताओं ने इस एक सुराग को मैम्बा मॉडल से हटाया, तो मॉडल का प्रदर्शन गिर गया। एक बैटरी पर इसकी त्रुटि 10.83 चक्रों से और दूसरी पर 11.67 चक्रों से बढ़ गई। इसने साबित कर दिया कि मैम्बा मॉडल इसलिए विफल नहीं हुआ क्योंकि वह बहुत सरल था; बल्कि इसलिए विफल हुआ क्योंकि वह अपने सबसे स्पष्ट संकेत के बिना बैटरी के स्वास्थ्य का अनुमान लगाने की कोशिश कर रहा था। दूसरी ओर, GRU इन सुरागों को बिना मैम्बा के जटिल अटेंशन मैकेनिज्म के भी पूरी तरह से संभालने के लिए पर्याप्त मजबूत था।

फिजिक्स चेक
शोधकर्ताओं ने PhysicsMamba मॉडल को और अधिक "फिजिक्स-कंसिस्टेंट" बनाने के लिए एक दंड (penalty) जोड़ने की भी कोशिश की, यदि उसके अनुमान बैटरी के क्षय के नियमों से मेल नहीं खाते। उन्होंने पाया कि जब उन्होंने इस दंड को चालू किया (एक सेटिंग जिसे $\lambda = 0.3$ कहा जाता है), तो एक बैटरी पर मॉडल की त्रुटि 19.47 से घटकर 14.72 चक्रों हो गई। यह सुझाव देता है कि हालांकि मॉडल परफेक्ट नहीं था, लेकिन बैटरी वास्तव में कैसे काम करती है, इसके बारे में थोड़ा सा "कॉमन सेंस" जोड़ने से इसे स्पष्ट रूप से सोचने में मदद मिली।

निष्कर्ष
पेपर यह निष्कर्ष निकालता है कि इस विशिष्ट प्रकार की बैटरी और इस विशिष्ट डेटासेट के लिए, "फैंसी नया" मैम्बा आर्किटेक्चर "भरोसेमंद पुराने" GRU को नहीं हरा सका। सफलता की कुंजी एल्गोरिदम की जटिलता नहीं थी, बल्कि डेटा फीचर्स की गुणवत्ता थी, विशेष रूप से नॉर्मलाइज्ड हेल्थ स्कोर। शोधकर्ता सावधानीपूर्वक नोट करते हैं कि यह एक नियंत्रित प्रयोगशाला प्रयोग है। वास्तविक दुनिया में, जहाँ स्थितियाँ अव्यवस्थित और अप्रत्याशित होती हैं, परिणाम अलग हो सकते हैं। लेकिन फिलहाल, इस नियंत्रित दौड़ में, सही सुरागों के साथ प्रशिक्षित सरल, अच्छी तरह से प्रशिक्षित GRU चैंपियन था, जिसने हाई-टेक मैम्बा मॉडलों को पीछे छोड़ दिया।

तकनीकी सारांश: लिथियम-आयन बैटरी के शेष उपयोगी जीवन (Remaining Useful Life - RUL) का अनुमान

समस्या विवरण
यह शोध पत्र लिथियम-आयन बैटरी के शेष उपयोगी जीवन (RUL) की भविष्यवाणी करने की चुनौती को संबोधित करता है, जो इलेक्ट्रिक वाहनों और स्थिर भंडारण (stationary storage) में बैटरी प्रबंधन प्रणालियों (BMS) के लिए एक महत्वपूर्ण कार्य है। चूंकि क्षमता ह्रास (capacity fade) विशिष्ट इलेक्ट्रोकेमिकल चरणों का पालन करता है—प्रारंभिक सॉलिड-इलेक्ट्रोलाइट इंटरफेज (SEI) विकास, उसके बाद सक्रिय सामग्री की हानि (Loss of Active Material - LAM), और अंत में लिथियम प्लेटिंग के कारण त्वरित क्षरण—मानक मॉडल अक्सर क्षरण अनुक्रमों को समान रूप से मानते हैं। इसके अलावा, जबकि हाल के अध्ययनों ने लंबी अनुक्रमों (sequences) के लिए ट्रांसफॉर्मर के कुशल विकल्पों के रूप में चयनात्मक स्टेट-स्पेस मॉडल (Mamba) प्रस्तावित किए हैं, यह स्पष्ट नहीं है कि प्राप्त शुद्धता (accuracy) का कितना हिस्सा अनुक्रम आर्किटेक्चर से आता है और कितना इनपुट फीचर प्रतिनिधित्व की गुणवत्ता से। यह अध्ययन CALCE CS2 डेटासेट पर एक नियंत्रित बेंचमार्क के माध्यम से इन कारकों को अलग करने का लक्ष्य रखता है।

कार्यप्रणाली (Methodology)
यह शोध दो नवीन Mamba-आधारित आर्किटेक्चर का स्थापित आवर्ती (recurrent) और अटेंशन-आधारित बेसलाइन (LSTM, GRU, Transformer) के विरुद्ध एक कड़ाई से नियंत्रित प्रोटोकॉल के तहत मूल्यांकन करता है।

फीचर इंजीनियरिंग: प्रत्येक चार्ज-डिस्चार्ज चक्र के लिए एक 13-फीचर भौतिकी-सूचित (physics-informed) प्रतिनिधित्व बनाया गया है। इस सेट का मुख्य भाग सामान्यीकृत क्षमता अनुपात, $cap\_pct = C(t)/C(0)$ है, जो सेल के स्वास्थ्य को पूर्ण प्रारंभिक क्षमता से स्वतंत्र रूप से व्यक्त करता है। अन्य फीचर्स में वोल्टेज सांख्यिकी, तापमान, ऊर्जा मेट्रिक्स और एक स्थानीय क्षय दर (local fade rate) शामिल हैं।
प्रस्तावित आर्किटेक्चर:
- MambaRUL: यह एक Mamba चयनात्मक स्टेट-स्पेस मॉडल एनकोडर के साथ डिग्रेडेशन एंकर क्रॉस-अटेंशन (DACA) का उपयोग करता है। यह मॉड्यूल तीन सीखने योग्य क्वेरी वेक्टर्स (एंकर) का उपयोग करता है जो स्पष्ट चरण लेबल के बिना शुरुआती, मध्य और देर के क्षरण चरणों पर ध्यान केंद्रित करने के लिए डिज़ाइन किए गए हैं।
- PhysicsMambaRUL: यह तीन समानांतर भविष्यवाणी शीर्षों (prediction heads) के साथ MambaRUL का विस्तार करता है: (1) प्रत्यक्ष RUL रिग्रेशन, (2) एक फेड-रेट-आधारित RUL अनुमान, और (3) एक डबल-एक्सपोनेंशियल कैपेसिटी कर्व फिट। इन्हें सीखे गए सॉफ्टमैक्स वेट्स के माध्यम से जोड़ा जाता है, और मॉडल को एक भौतिकी-संगति हानि ( $\lambda$ ) के साथ प्रशिक्षित किया जाता है जो शीर्षों के बीच असहमति को दंडित करती है।
प्रायोगिक प्रोटोकॉल:
- डेटासेट: CALCE CS2 (LCO केमिस्ट्री, 1.1 Ah, 25°C)।
- विभाजन (Split): प्रशिक्षण CS2_35, CX2_16, CX2_33, CX2_36, CX2_37, CX2_38 पर; सत्यापन CS2_34 पर; होल्ड-आउट टेस्ट CS2_37 और CS2_38 पर।
- नॉर्मलाइजेशन: RUL लक्ष्यों को प्रत्येक सेल के पूर्ण प्रेक्षित जीवनकाल ( $L_{cell}$ ) द्वारा सामान्यीकृत किया गया है। लेखक स्पष्ट रूप से नोट करते हैं कि $L_{cell}$ एक "ओरेकल" (oracle) मात्रा है जो वास्तविक दुनिया के अनुमान के दौरान उपलब्ध नहीं होती है; अतः, परिणाम एक नियंत्रित बेंचमार्क का प्रतिनिधित्व करते हैं न कि तैनाती-योग्य ऑनलाइन सटीकता का।
- बेसलाइन: सभी मॉडल (बेसलाइन सहित) समान 13 फीचर्स, समान डेटा स्प्लिट और समान रैंडम सीड (42) पर प्रशिक्षित हैं ताकि आर्किटेक्चरल प्रभावों को अलग किया जा सके।

मुख्य परिणाम
इस परिकल्पना के विपरीत कि Mamba जैसे उन्नत अनुक्रम मॉडल सरल आवर्ती नेटवर्क से बेहतर प्रदर्शन करेंगे, 13-फीचर सेट पर प्रशिक्षित GRU ने सभी मेट्रिक्स में सबसे कम त्रुटि प्राप्त की।

टेस्ट सेल्स (CS2_37 और CS2_38) पर प्रदर्शन:
- GRU: क्रमशः 4.39 और 7.48 चक्रों का RMSE ( $R^2 > 0.99$ )। सभी भविष्यवाणियां वास्तविक RUL के 20 चक्रों के भीतर थीं (W20 = 100%)।
- LSTM: थोड़ी अधिक त्रुटि (6.57 और 11.71 चक्र) लेकिन अभी भी अत्यधिक सटीक।
- PhysicsMambaRUL: RMSE 13.60 और 20.49 चक्र।
- MambaRUL: प्रस्तावित मॉडलों में उच्चतम त्रुटि (28.54 और 38.57 चक्र)।
एब्लेशन निष्कर्ष (Ablation Findings):
- फीचर महत्व: MambaRUL इनपुट से $cap\_pct$ फीचर को हटाने से दोनों टेस्ट सेल्स पर RMSE में लगभग 11 चक्रों की वृद्धि हुई, जो दर्शाता है कि सामान्यीकृत क्षमता अनुपात भविष्यवाणी सटीकता में प्रमुख कारक है, जो अनुक्रम मॉडल के चयन से कहीं अधिक प्रभावी है।
- एंकर संख्या: एक खोजपूर्ण विश्लेषण ने सुझाव दिया कि केवल 2 डिग्रेडेशन एंकर्स (शुरुआती और देर के) का उपयोग करने से डिफ़ॉल्ट 3 की तुलना में बेहतर प्रदर्शन हुआ, हालांकि इसका उपयोग अंतिम रिपोर्ट की गई कॉन्फ़िगरेशन में नहीं किया गया था।
- भौतिकी संगति (Physics Consistency): PhysicsMambaRUL में भौतिकी-संगति हानि ( $\lambda=0.3$ ) लागू करने से CS2_37 पर RMSE 19.47 से घटकर 14.72 चक्र हो गया, हालांकि CS2_38 पर इसका प्रभाव कम स्पष्ट था।

महत्व और दावे
इस शोध पत्र का प्राथमिक योगदान एक नियंत्रित बेंचमार्क है जो यह प्रदर्शित करता है कि CALCE CS2 डेटासेट और उपयोग किए गए 13-फीचर प्रतिनिधित्व की विशिष्ट स्थितियों के तहत, इनपुट प्रतिनिधित्व की गुणवत्ता अनुक्रम मॉडल की जटिलता से अधिक महत्वपूर्ण है।

मामूली दावे: लेखक स्पष्ट रूप से कहते हैं कि GRU का बेहतर प्रदर्शन यह सुझाव देता है कि इस विशिष्ट कार्य के लिए "फीचर-एन्हांस्ड" दृष्टिकोण प्रस्तावित Mamba वेरिएंट की तुलना में अधिक प्रभावी है। वे चेतावनी देते हैं कि ये परिणाम उपयोग किए गए प्रोटोकॉल (ओरेकल लाइफटाइम नॉर्मलाइजेशन) के लिए विशिष्ट हैं और वे यह दावा नहीं करते कि Mamba सभी संदर्भों में बैटरी RUL के लिए स्वाभाविक रूप से कमतर है।
सीमाएँ: अध्ययन स्वीकार करता है कि नॉर्मलाइजेशन के लिए कुल प्रेक्षित जीवनकाल का उपयोग करना इसके परिणामों की ऑनलाइन, वास्तविक समय के अनुमान परिदृश्यों में प्रयोज्यता को सीमित करता है। इसके अतिरिक्त, प्रयोग एक एकल रैंडम सीड के साथ चलाए गए थे, और डेटासेट प्रयोगशाला-नियंत्रित सेल का है, जिसमें फील्ड-एज्ड डेटा या अन्य केमिस्ट्री को शामिल नहीं किया गया है।
भावी कार्य: शोध पत्र में बिना ओरेकल लाइफटाइम डेटा के ऑनलाइन RUL अनुमान, कई सीड्स के बीच भिन्नता का परिमाणन, और विविध डेटासेट और केमिस्ट्री (विशेष रूप से भारतीय EV ड्यूटी साइकिल से संबंधित) पर सत्यापन की आवश्यकता को पहचाना गया है।

संक्षेप में, शोध पत्र निष्कर्ष निकालता है कि हालांकि Mamba-आधारित आर्किटेक्चर अनुक्रम मॉडलिंग में सैद्धांतिक लाभ प्रदान करते हैं, लेकिन बैटरी RUL के लिए उनके अनुप्रयोग को भौतिकी-सूचित फीचर इंजीनियरिंग की प्रभावकारिता के विरुद्ध सावधानीपूर्वक तौलना चाहिए, जो इस अध्ययन में भविष्यवाणी सटीकता के निर्णायक कारक के रूप में सिद्ध हुई।

बैटरी की दौड़ की कहानी

तकनीकी सारांश: लिथियम-आयन बैटरी के शेष उपयोगी जीवन (Remaining Useful Life - RUL) का अनुमान

इसी तरह के और पेपर