🤖 machine learning

Degradation-Aligned Self-Supervised Learning for State of Health Estimation of Lithium-Ion Batteries under Label Sparsity

Este artigo propõe um framework de aprendizado autossupervisionado alinhado à degradação usando um modelo CNN-GRU e uma tarefa pretextual de ordenação cíclica para permitir a estimativa precisa e robusta do estado de saúde de baterias de íons de lítio mesmo quando treinado em dados rotulados extremamente esparsos e distribuídos de forma desigual.

Autores originais: Jiaqi Yao, Julia Kowal

Publicado 2026-08-18

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jiaqi Yao, Julia Kowal

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

As baterias são os motores silenciosos do mundo moderno, alimentando desde os smartphones em nossos bolsos até os veículos elétricos em nossas estradas. No coração de cada bateria está uma questão simples, mas crítica: quanta vida ainda resta? Os engenheiros chamam isso de "estado de saúde". É uma medida de quanta capacidade uma bateria perdeu desde que era nova, de forma muito semelhante a verificar o desgaste de um pneu para ver quanto caminho ele ainda pode suportar. Saber esse número é vital para a segurança e a eficiência, permitindo-nos prever quando uma bateria precisa de manutenção ou substituição antes que falhe. No entanto, obter uma resposta precisa é surpreendentemente difícil. O verdadeiro estado de saúde está escondido dentro da química da bateria e não pode ser medido diretamente com uma ferramenta simples. Em vez disso, deve ser estimado observando como a bateria se comporta enquanto carrega e descarrega.

Por anos, cientistas tentaram ensinar computadores a fazer essas estimativas alimentando-os com vastas quantidades de dados. O problema é que esses dados geralmente precisam ser cuidadosamente rotulados com as respostas corretas, um processo que exige submeter baterias a anos de testes lentos e caros em laboratório. No mundo real, dados perfeitos como esses são raros. A maioria das baterias em uso hoje possui apenas alguns pontos de dados conhecidos, enquanto o restante de sua história permanece um mistério. Essa escassez de informações rotuladas tem sido, há muito tempo, um gargalo, tornando difícil construir sistemas confiáveis que possam prever a saúde da bateria em situações cotidianas.

Uma equipe de pesquisadores da Universidade Técnica de Berlim encontrou uma maneira de contornar essa escassez. Eles desenvolveram um novo método que permite a um modelo de computador aprender os segredos do envelhecimento das baterias usando principalmente dados não rotulados. Imagine um estudante tentando aprender um idioma. Tradicionalmente, ele precisaria de um professor para corrigir cada frase que diz. Esta nova abordagem é mais parecida com deixar o estudante ouvir milhares de horas de falantes nativos e descobrir a gramática e o fluxo por conta própria, precisando apenas que um professor verifique seu trabalho ocasionalmente. Os pesquisadores ensinaram seu modelo a reconhecer a ordem natural do envelhecimento. Como as baterias sempre se degradam em uma sequência específica — ficando mais velhas e fracas a cada ciclo de carga — o modelo aprendeu a classificar as sessões de carregamento de "nova" a "desgastada" sem nunca ter sido informado sobre a idade exata da bateria.

Para fazer isso, os pesquisadores usaram um tipo específico de inteligência artificial que combina duas técnicas poderosas. Uma parte do sistema atua como um microscópio, dando zoom em pequenos padrões locais nas curvas de voltagem que aparecem conforme a bateria carrega. A outra parte atua como uma memória, conectando esses pequenos padrões ao longo do tempo para entender a história maior de como a bateria está mudando. Ao treinar este sistema em uma enorme quantidade de dados de carregamento não rotulados, o modelo aprendeu a identificar as mudanças sutis que ocorrem conforme uma bateria envelhece. Ele aprendeu que uma pequena mudança na forma da curva de carregamento no início de um ciclo é diferente da mesma mudança no final de um ciclo, mesmo sem saber o número exato de ciclos que haviam passado.

Depois que o modelo aprendeu esses padrões através dessa prática autoguiada, os pesquisadores o testaram com muito pouco dado rotulado. Eles deram ao modelo apenas um por cento da quantidade habitual de exemplos rotulados — apenas uma fração minúscula da história de vida da bateria — para refinar suas previsões finais. Os resultados foram impressionantes. Mesmo com informações tão escassas, o modelo conseguiu estimar a saúde da bateria com uma precisão notável. Em seus testes, o erro médio foi inferior a dois por cento, um nível de precisão que rivaliza com métodos que exigem muito mais dados. Isso sugere que o modelo conseguiu absorver a lógica subjacente do envelhecimento da bateria durante sua fase de treinamento autossupervisionado, permitindo que ele generalizasse bem mesmo quando os exemplos específicos eram poucos e esparsos.

O estudo também explorou como a distribuição desses poucos exemplos rotulados afetava o resultado. Eles descobriram que importava menos se os rótulos estavam espalhados uniformemente ao longo da vida da bateria e mais se estavam concentrados nos estágios tardios do envelhecimento. Quando o modelo foi treinado com dados da fase de degradação profunda, onde o comportamento da bateria muda mais dramaticamente, ele teve um desempenho ainda melhor. Por outro vez, quando os rótulos limitados vinham apenas dos anos iniciais e estáveis da vida da bateria, o modelo tinha dificuldade em aprender as mudanças complexas que ocorrem mais tarde. Esse insight revela que a informação mais valiosa para ensinar um computador sobre a saúde da bateria reside nos momentos em que a bateria está mostrando sinais claros de desgaste.

Este trabalho oferece um caminho promissor para o futuro do gerenciamento de baterias. Ao mostrar que as máquinas podem aprender a história do envelhecimento das baterias a partir dos dados brutos e não rotulados que já estão disponíveis no mundo real, os pesquisadores removeram uma barreira importante para a criação de sistemas de bateria mais inteligentes e seguros. Sua abordagem não exige esperar por anos de dados laboratoriais perfeitos para que fiquem disponíveis. Em vez disso, ela aproveita os vastos oceanos de dados operacionais que já estão sendo coletados, ensinando os computadores a entender a linguagem do envelhecimento para que possamos cuidar melhor das fontes de energia que movem nossas vidas.

Resumo Técnico: Aprendizado Autossupervisionado Alinhado à Degradação para Estimativa do Estado de Saúde de Baterias de Íon-Lítio sob Escassez de Rótulos

Definição do Problema
A estimativa precisa do Estado de Saúde (SOH) é crítica para a segurança e otimização de sistemas de baterias de íon-lítio. Embora abordagens de aprendizado profundo baseadas em dados tenham mostrado promessa, elas dependem tipicamente de grandes volumes de dados de ciclagem rotulados de alta qualidade. Na prática, obter tais rótulos é desafiador porque o SOH não é diretamente mensurável e requer testes de verificação padronizados demorados e caros. Consequentemente, dados de envelhecimento de baterias do mundo real frequentemente sofrem de "escassez de rótulos", caracterizada tanto por uma baixa quantidade de amostras rotuladas quanto por uma cobertura desigual ao longo da vida útil da bateria (por exemplo, uma falta de dados em regimes de degradação profunda). Os métodos existentes de aprendizado autossupervisionado (SSL) neste domínio frequentemente focam em tarefas de pretexto baseadas em reconstrução, que podem não alinhar as representações aprendidas com a tarefa específica de estimativa de SOH, uma vez que o envelhecimento da bateria é, inerentemente, um processo ordenado e progressivo.

Metodologia
Os autores propõem um framework de Aprendizado Autossupervisionado (SSL) Alinhado à Degradação projetado para aproveitar abundantes dados não rotulados para aprender representações consistentes com o envelhecimento, as quais são então ajustadas finamente (fine-tuned) em dados rotulados esparsos.

Arquitetura do Modelo (CNN-GRU):
- O modelo central consiste em um Encoder (Codificador) e um Head (Cabeça).
- O Encoder utiliza uma Rede Neural Convolucional (CNN) com dois blocos convolucionais 1D empilhados para extrair padrões locais de curvas de tensão de carga de Corrente Constante (CC). Essas características são então integradas sequencialmente por uma camada de Unidade Recorrente de Porta (GRU) para capturar dependências temporais.
- O Head é uma rede totalmente conectada usada para diferentes tarefas, dependendo da fase de treinamento.
Tarefa de Pretexto: Classificação de Ordem de Ciclo:
- Em vez de reconstruir os dados de entrada, a fase de pré-treinamento emprega uma objetiva de classificação de ordem de ciclo.
- O modelo é treinado para prever uma "pontuação de envelhecimento" adimensional ( $s_{age}$ ) tal que as pontuações respeitem a ordem cronológica relativa dos ciclos da bateria.
- Uma perda de classificação logística pareada é minimizada, garantindo que, para quaisquer dois pares de amostras da mesma célula, aquela de um ciclo posterior (maior degradação) receba uma pontuação de envelhecimento mais alta.
- Para garantir a confiabilidade, pares com números de ciclo idênticos ou diferenças de ciclo abaixo de um limiar ( $d_{min} = 50$ ) são excluídos para evitar ruído proveniente de fenômenos de recuperação de capacidade.
Fluxo de Trabalho de Treinamento:
- Pré-treinamento Autossupervisionado: O modelo CNN-GRU é treinado em um grande volume de curvas de carga CC não rotuladas usando o algoritmo de SSL baseado em classificação. O encoder aprende a mapear curvas de carga para uma pontuação de envelhecimento que se correlaciona com a degradação.
- Adaptação de Downstream (Ajuste Fino): Os parâmetros do encoder pré-treinado são congelados. Um novo head é instanciado para regressão de SOH. O modelo é então ajustado finamente usando um conjunto de dados esparsamente rotulado (variando de 1% a 100% dos dados rotulados disponíveis).

Principais Contribuições

Framework de SSL Baseado em Classificação: O artigo introduz um novo framework de SSL que utiliza a classificação de ordem de ciclo como uma tarefa de pretexto. Esta abordagem alinha explicitamente as representações aprendidas com a natureza progressiva intrínseca do envelhecimento da bateria, abordando as limitações dos métodos baseados em reconstrução.
Arquitetura CNN-GRU: Uma arquitetura de aprendizado profundo específica é desenvolvida para extrair padrões locais de curvas de carga via CNNs e integrar essas informações temporalmente via GRUs, sendo adequada tanto para o pré-treinamento autossupervisionado quanto para a regressão de SOH.
Análise de Distribuição de Rótulos: O estudo fornece uma análise aprofundada de como a distribuição de rótulos esparsos (uniforme, aleatória, apenas inicial, apenas tardia) impacta o desempenho do modelo, oferecendo insights sobre estratégias ideais de aquisição de dados sob escassez de rótulos.

Resultados Experimentais
O framework foi avaliado utilizando o conjunto de dados de envelhecimento de baterias CALCE (células CX2-34, CX2-36, CX2-37, CX2-38).

Alinhamento de Degradação: Antes do ajuste fino, as pontuações de envelhecimento previstas pelo modelo pré-treinado mostraram uma relação inversa monotônica quase perfeita com o SOH real, com coeficientes de correlação de postos de Spearman ( $\rho$ ) variando de -0,996 a -0,998 em todas as células. Isso confirma que o modelo capturou com sucesso informações alinhadas à degradação a partir de dados não rotulados.
Desempenho sob Escassez de Rótulos:
- O modelo SSL-Rank proposto superou significativamente tanto um baseline de Aprendizado Supervisionado (SL) puro quanto outros abordagens de SSL (SSL baseado em Reconstrução e SSL de Múltiplos Objetivos).
- Enquanto o modelo SL puro falhou em estimar o SOH com precisão quando os dados rotulados caíram abaixo de 40%, o modelo SSL-Rank manteve um desempenho robusto mesmo com apenas 1% de dados rotulados.
- Na proporção de 1% de dados rotulados, o modelo SSL-Rank alcançou um Erro Médio Absoluto (MAE) de 1,718% e um Erro Quadrático Médio (RMSE) de 2,329% na célula de teste, com um $R^2$ de 0,970.
- O modelo SSL-Rank superou consistentemente o SSL-Recon e o SSL-MO em todas as proporções de dados rotulados (1% a 100%), demonstrando que a objetiva de classificação fornece uma inicialização superior para as tarefas de downstream.
Influência da Distribuição de Rótulos:
- Experimentos revelaram que dados rotulados "apenas tardios" (amostras de estágios de degradação profunda) geraram melhor desempenho do que dados "apenas iniciais", mesmo com o mesmo tamanho de amostra. Isso é atribuído às mudanças de padrões relacionadas ao envelhecimento mais pronunciadas nas curvas de tensão durante os estágios de vida tardia.
- Inversamente, modelos ajustados finamente com dados "apenas iniciais" falharam quando o tamanho da amostra era muito pequeno (ex: 5%), destacando a necessidade de diversidade ou quantidade de dados para compensar os estágios de degradação limitados.

Significância e Alegações
Os autores afirmam que este trabalho lança uma nova luz sobre a estimativa de SOH para baterias de íon-lítio em aplicações do mundo real onde dados rotulados são escassos. Ao explorar a informação intrínseca de ordem de ciclo nos dados não rotulados, o framework proposto permite uma estimativa de SOH robusta com o mínimo de dados rotulados (tão baixo quanto 1%). O estudo demonstra que o uso de dados não rotulados através de tarefas de pretexto alinhadas à degradação não apenas mitiga a escassez de rótulos, mas também melhora a inicialização do modelo, levando a um desempenho superior mesmo quando os dados rotulados são relativamente abundantes. Os autores observam que o estudo atual é limitado a um único modelo de célula sob condições de ciclagem específicas e sugerem que trabalhos futuros devem estender este framework para configurações entre células e entre condições para refletir melhor a variabilidade do mundo real.

Mais como este