Technische Samenvatting: Single-fibre interne observabiliteit in lithium-ion batterijen

Probleemstelling

Lithium-ion batterijbeheersystemen (BMS) vertrouwen momenteel op een beperkte set externe observeerbare grootheden—oppervlaktetemperatuur, terminalspanning en stroom—om interne veiligheidstoestanden af te leiden. Deze "observabiliteitskloof" voorkomt de detectie van kritieke interne fenomenen zoals lokale lithiumplating, separatorvermoeidheid en thermische runaway-precursors voordat deze zich manifesteren als externe waarschuwingssignalen. Bijgevolg moeten BMS-strategieën opereren met conservatieve veiligheidsmarges, wat ten koste gaat van bruikbare energie, laadsnelheid en levenscyclus.

Hoewel ingebedde Fiber Bragg Grating (FBG) sensoren een directe route bieden naar interne toestanden, kampen ze met een fundamentele fysieke beperking: een enkele FBG-golflengteverschuiving ($\Delta\lambda_B$) is een onderbepaalde meting die temperatuur ($\Delta T$) en mechanische rek ($\varepsilon$) vermengt. Voor batterij-relevante operationele bereiken zijn deze twee bijdragen van vergelijkbare grootte, waardoor het onmogelijk is om ze enkel met algebraïsche methoden te ontkoppelen zonder complexe hardware te introduceren of natuurwetten te schenden. Bestaande datagestuurde modellen slagen er vaak niet in om fysiek toelaatbare reconstructies te produceren, terwijl hardwarematige ontkoppeling zorgt voor complexiteit in verpakking en spanningsconcentraties.

Methodologie: FBG-PhysNet

De auteurs stellen FBG-PhysNet voor, een physics-informed, dual-branch recurrent framework dat is ontworpen om het single-fibre observabiliteitsprobleem in real-time op te lossen. De architectuur integreert drie kerncomponenten:

1. Dual-Branch RWKV-7 Backbone:

   • Het model maakt gebruik van twee onafhankelijk geparametriseerde RWKV-7 (Recurrent Weighted K-Vector) branches: Branch A voor thermische schatting en Branch B voor rek-schatting.
   • Elke branch bestaat uit 4 lagen met een modeldimensie ($d_{model}$) van 128 en 4 attention heads.
   • Geheugenefficiëntie: De RWKV-7 architectuur behoudt een vaste recurrente staat van 64 KB per blok (totaal 512 KB voor de dual-branch staat), onafhankelijk van de sequentielengte. Deze $O(1)$ geheugenvoetafdruk maakt implementatie op automotive-grade microcontrollers mogelijk (bijv. STM32H7 met 1 MB SRAM), in tegenstelling tot Transformer-gebaseerde modellen die vereisen dat het geheugen schaalt met de contextlengte.

2. Q-FiLM Conditionering:

   • Om de dertienvoudige variatie in elektrochemische warmtegeneratie ($Q_{gen}$) over verschillende rijcycli heen (van stedelijk rijden tot 2C snelladen) aan te pakken, gebruikt het model een Q-FiLM (Feature-wise Linear Modulation) module.
   • Deze module injecteert $Q_{gen}$-schattingen (afgeleid van terminalspanning en stroom) als schaal- en verschuivingsvectoren in de latente representatie bij elke laag. Dit stelt het netwerk in staat om de feature-ruimte dynamisch aan te passen aan het huidige thermische operationele regime zonder dat er aparte modellen voor elk type cyclus nodig zijn.

3. Cross-Gating en Negen-Term Physics Loss:

   • Cross-Gating: Een mechanisme dat informatie over randvoorwaarden uitwisselt tussen de thermische en de rek-branches. Dit vangt de fysiek noodzakelijke koppeling op ($\varepsilon_{th} = \alpha_{CTE}\Delta T$) zonder de vrijheidsgraden te vermengen, wat de resolutie van mechanisch onafhankelijke rek ($\varepsilon_{mech}$) mogelijk maakt.
   • Physics-Informed Loss Hiërarchie: Het trainingsdoel combineert supervised data loss met negen differentiabele fysieke restricties:
     1. Supervised MSE op $\Delta T$ en $\varepsilon$.
     2. FBG Optische Consistentie: Dwingt af dat voorspellingen op het Bragg-restrictiemanifold liggen ($\Delta\lambda_B = K_T \Delta T + K_\varepsilon \varepsilon$).
     3. Warmtegeleiding PDE Residue: Dwingt de lumped-parameter warmtevergelijking af.
     4. Globale Energiebehoud: Zorgt voor warmtebalans over het gehele tijdsvenster.
     5. Rek-snelheidsgrenzen: Beperkt de snelheid van de rekverandering.
     6. Opbrengst-haalbaarheid (Yield Feasibility): Zorgt ervoor dat de rek binnen de materiaalgrenzen blijft.
     7. State-of-Charge (SOC) Haalbaarheid: Beperkt SOC-schattingen tot $[0,1]$.
     8. Temporele Smoothing.
     9. L2 Regularisatie.
   • De training volgt een "physics curriculum", beginnend met data-fitting en het geleidelijk vergroten van de physics-gewichten (met een factor 40) om over te gaan naar physics-geconstreineerde verfijning.

Belangrijkste Resultaten

Het framework werd gevalideerd op 75.120 hardware-in-the-loop (HIL) vensters afgeleid van een gekalibreerd P2D Doyle-Fuller-Newman elektrochemisch model, verspreid over vijf operationele regimes: UDDS, WLTP, Highway, 2C snelladen en noodremmen.

• Nauwkeurigheid: FBG-PhysNet bereikte een Mean Absolute Error (MAE) van 2,270 K voor de interne temperatuur en 21,94 $\mu\varepsilon$ voor de rek.
• Ontkoppelingsprestaties (Cross-Talk): Het model verminderde de cross-talk ratio (CT) tot 58,6%. Dit is een significante verbetering ten opzichte van de beste physics-aware baseline (PINN-MLP met 77,3%) en ligt onder de specifieke thermische routing-referentiegrens van 71,3%. Dit geeft aan dat het model er succesvol in slaagt om mechanisch onafhankelijke rek te herstellen in plaats van enkel de thermische expansie af te trekken.
• Fysieke Convergentie: Over 47 trainingsepochs vertoonde het model wederzijdse versterking tussen physics-compliance en voorspellingsnauwkeurigheid. Het energiebehoud-residue nam met 75% af, en het PDE-residue met 44%. De FBG optische zelfconsistentie-metriek ($\chi^2_{FBG}$) verbeterde van 0,773 naar 0,906, wat de ideale waarde van 1,0 nadert.
• Ablatie-studies: Het verwijderen van alle fysieke restricties (Abl-A) verhoogde de temperatuur MAE met 46,6% en de cross-talk ratio naar 87,2%. Het verwijderen van Cross-Gating (Abl-C) resulteerde in een cross-talk ratio van exact 71,3%, wat bevestigt dat het model zonder dit mechanisme de mechanisch onafhankelijke rekcomponent niet kan oplossen.
• Robuustheid: Hoewel het model een hogere temperatuurfout vertoonde (4,280 K) in extreme 2C snellaadscenario's (waar $Q_{gen}$ de trainingsgemiddelde met 13x overschreed), bleef de cross-talk ratio invariant op 58,6%, wat aantoont dat de kwaliteit van de fysieke ontkoppeling robuust is tegen de intensiteit van de rijcyclus.

Betekenis en Claims

Het artikel stelt dat interne batterijveiligheid kan worden geherformuleerd als een observabiliteitsprobleem. Door de interne temperatuur en rek in real-time te reconstrueren uit één enkel ingebed optisch signaal, maakt het framework een verschuiving mogelijk van statische, worst-case veiligheidsmarges naar adaptieve controle op basis van de werkelijke thermo-mechanische toestand van de cel.

De auteurs benadrukken drie specifieke implicaties:

1. Batterijlevensduur en Capaciteitsbenutting: Real-time rek-bewustzijn stelt BMS in staat om stroomlimieten pas aan te scherpen wanneer de rek de veiligheidsgrenzen nadert (bijv. de 20.000 $\mu\varepsilon$ opbrengstgrens van grafiet), wat potentieel 3–8% van de bruikbare capaciteit kan terugwinnen in high-power toepassingen vergeleken met constante derating.
2. DC Fast Charging (DCFC): Het vermogen van het model om de kerntemperatuur met lage latentie te voorspellen, ondersteunt snelle thermische monitoring, wat potentieel laadonderbrekingen kan verminderen en de doorvoer kan verhogen zonder nieuwe hardware.
3. Battery Passport en Second-Life Economie: De physics-geankerde, zelfconsistente tracking van interne toestanden biedt de vereiste reguleringswaardige lifecycle-data voor "Battery Passport"-certificering, wat een nauwkeurige waardering van gebruikte packs voor second-life toepassingen mogelijk maakt.

Cruciaal is de claim van de auteurs dat de algemeen aangenomen "onherroepelijke koppeling" in single-sensor FBG-systemen geen fundamentele fysieke barrière is, maar een beperking van bestaande modelleringsmethoden. Door een representatie te leren waarbij mechanisch onafhankelijke rek expliciet wordt opgelost, opereert FBG-PhysNet buiten de conventionele grenzen. Het werk concludeert dat de fundamentele beperking van huidige batterijsystemen niet de materiaalprestatie is, maar de observabiliteit; het oplossen van deze kloof maakt het mogelijk om operationele limieten te herdefiniëren zonder de chemie of hardware te veranderen.