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

Resumo Técnico: TC-SOH para Predição Autônoma de SOH

Declaração do Problema
A estimativa precisa do Estado de Saúde (SOH) é crítica para os sistemas de gerenciamento de baterias (BMS) de íons de lítio para garantir segurança e valor de ciclo de vida. No entanto, os atuais serviços de diagnóstico baseados em dados enfrentam duas barreções primárias para a implantação industrial escalável:

1. Dependência de Engenharia de Atributos Manual: Os métodos existentes dependem da extração laboriosa e sob medida de indicadores de saúde indiretos (ex: SOC, variações térmicas). Esses métodos frequentemente descartam dinâmicas de degradação sutis e não lineares ou expandem arbitrariamente os conjuntos de atributos, aumentando o overhead computacional.
2. Falta de Interpretabilidade: Modelos de aprendizado profundo frequentemente funcionam como "caixas pretas", criando um déficit de confiança em ambientes críticos de segurança. A incapacidade de rastrear predições até causas eletroquímicas físicas ou de verificar se os atributos aprendidos se alinham com trajetórias de degradação limita sua adoção.

Metodologia: Estrutura TC-SOH
Os autores propõem o TC-SOH, uma arquitetura de serviço modular, plug-and-play, para predição de SOH autônoma e de ponta a ponta. A estrutura opera sobre dados operacionais brutos da fase de carga de Corrente Constante-Tensão Constante (CC-CV), contornando a necessidade de engenharia de atributos manual.

A arquitetura consiste em três componentes integrados:

1. Módulo CNN ($f(\cdot)$): Um codificador 1D-CNN que transforma sinais elétricos brutos (corrente, tensão, SOC) de ciclos CC-CV individuais em representações latentes de alta dimensão ($z_c$).
2. Módulo Temporal-Contrastivo (TC) ($g(\cdot)$): Um transformador de sequência que executa uma tarefa de pretexto de predição de janela cruzada. Ele resume uma sequência de representações de ciclos consecutivos ($z_{\le t}$) em um vetor de contexto ($c_t$) para prever representações subsequentes ($z_{t+1}, \dots, z_{t+K}$).
   • Função de Perda: O modelo otimiza um objetivo conjunto combinando uma perda de predição e uma perda contrastiva ($\mathcal{L}_{TC}$). A perda contrastiva maximiza a similaridade entre as representações previstas e reais, enquanto minimiza a similaridade com amostras negativas (outros lotes), forçando o aprendizado das dinâmicas de degradação sequencial.
   • Aumento (Augmentation): Para evitar o viés de codificação, o aumento (jitter e escala) é aplicado às representações aprendidas, em vez dos sinais brutos.
3. Módulo de Saída ($o(\cdot)$): Uma camada linear que mapeia o contexto temporal refinado para o valor final de SOH.

Cadeia Diagnóstica para Transparência
Para abordar a questão da "caixa preta", os autores introduzem uma cadeia diagnóstica para analisar as representações aprendidas:

• Visualização: Uso de t-SNE para verificar trajetórias de degradação suaves.
• Análise de Sensibilidade: Verificação da responsividade em regimes saudáveis e de declínio inicial, onde as mudanças de SOH são sutis.
• Redundância e Sondagem: Teste para verificar se os atributos aprendidos apenas replicam descritores manuais ou se contêm variação adicional relevante ao SOH.
• Sondagem de SOH Futuro e Embaralhamento Temporal: Avaliação de se o contexto temporal ordenado ($c_t$) prediz o SOH futuro melhor do que estatísticas não ordenadas ou leituras de ciclo único.

Principais Contribuições

1. Estrutura de Diagnóstico Plug-and-Play: Um serviço de ponta a ponta que extrai dinâmicas de envelhecimento não lineares de dados CC-CV rotineiros, reduzindo significativamente a dependência de engenharia de atributos manual.
2. Confiança e Transparência do Serviço: Uma cadeia de interpretação diagnóstica demonstrando que os atributos aprendidos se sobrepõem a descritores físicos enquanto retêm variação preditiva única, e que o contexto temporal ordenado é crucial para a predição.
3. Eficácia e Robustez do Serviço: Validação em quatro grandes conjuntos de dados públicos (XJTU, TJU, HUST, MIT) cobrindo diversas químicas e condições operacionais.

Resultados Experimentais
O modelo foi avaliado contra redes neurais informadas pela física (PINN) e baselines de MLP Manual sob divisões rigorosas de nível de bateria (evitando vazamento de dados).

• Desempenho: O TC-SOH superou todos os baselines. Em média, reduziu o MAPE em 1,91 vezes e o RMSE em 2,13 vezes em comparação aos baselines considerados. Por exemplo, no dataset HUST, a variante Auto-LSTM alcançou um MAPE de $0,102 \pm 0,020\%$ e RMSE de $0,0011 \pm 0,0002$.
• Eficiência de Dados: O modelo atinge o desempenho próximo ao de dados totais usando apenas 1 a 4 baterias para treinamento, indicando redução de dependência de dados.
• Adaptação Cross-Domain: Em cenários de transferência de aprendizado (apenas fonte vs. ajuste fino), modelos de apenas fonte falharam catastroficamente sob grandes mudanças de domínio. No entanto, adaptar com apenas uma ou duas baterias alvo reduziu os erros em uma a duas ordens de magnitude. O treinamento misto (fonte-alvo conjunta) alcançou os menores erros ($<0,012$ RMSE).
• Achados Diagnósticos:
  • Os atributos aprendidos mostraram trajetórias de degradação mais suaves do que os atributos manuais.
  • O modelo demonstrou sensibilidade superior em regimes de declínio precoce (SOH > 0,95).
  • A análise de redundância mostrou que os descritores manuais eram amplamente redundantes com os atributos aprendidos, não complementares.
  • Embaralhamento Temporal: Destruir a ordem do histórico de ciclos degradou significativamente a predição do SOH futuro, confirmando que o módulo TC utiliza efetivamente o contexto temporal ordenado em vez de apenas estatísticas não ordenadas.

Significância e Alegações
O artigo afirma que o TC-SOH fornece uma alternativa prática de ponta a ponta para o design de atributos manuais em diagnósticos de saúde de bateria. Sua significância reside não apenas na precisão preditiva superior, mas em sua capacidade de reconstruir a confiança do usuário final através da interpretabilidade. Ao diagnosticar explicitamente a representação aprendida, os autores demonstram que o modelo:

• Captura trajetórias de degradação suaves e sensibilidade de estágio inicial.
• Codifica informações que se sobrepõem a descritores físicos, mas retém variação adicional relevante ao SOH que não é redundante.
• Depende de contexto temporal ordenado para melhorar a predição subsequente do SOH, uma capacidade que atributos de ciclo único ou não ordenados não possuem.

Os autores concluem que esta abordagem aborda a necessidade urgente de gestão de ativos escalável, robusta e transparente em serviços de energia modernos, embora notem que trabalhos futuros devam conectar estas descobertas com testes de estresse eletroquímico controlados.