PiDDM: Physics-Informed Differentiable Degradation Modeling for Lithium-Ion Battery State-of-Health Prediction
本文介绍了 PiDDM，这是一种物理启发式的可微退化建模框架，它通过将阿伦尼乌斯动力学（Arrhenius kinetics）整合到神经网络训练中，以实现比纯数据驱动基准模型更高的预测锂离子电池健康状态（state-of-health）的准确性与物理一致性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你的智能手机、你的电动汽车，甚至是为你所在社区储存太阳能的大型电池。它们的工作都依赖于锂离子电池内部微小且无形的化学舞步。但就像任何生命体一样，这些电池也会变老。随着时间的推移，它们失去保持满电的能力，科学家们称之为“老化”或“退化”。准确预测电池何时会因过度疲劳而无法工作是一个巨大的挑战。如果我们判断错误，我们的电动汽车可能会在荒郊野外停驶，或者我们的电网可能会失去电力。
为了解决这个问题，科学家通常尝试两种主要的方法。第一种就像是寻找线索的侦探：他们利用海量的数据和计算机程序（机器学习）来发现电池行为中的模式。第二种就像是使用蓝图的技工：他们根据电池运作的实际物理和化学原理构建复杂的数学模型。问题在于，“侦探”方法在电池以一种新方式使用时容易产生困惑，而“技工”方法又过于复杂，难以针对每一块电池进行调整。本文介绍了一种结合这两种想法的新方法，创造了一个既理解数据又理解物理世界规则的更聪明的工具。
这项研究的研究人员由 Tengfei Luo 及其同事领导，他们开发了一种名为 PiDDM（物理信息驱动的可微退化建模）的新框架。把 PiDDM 想象成一个正在学习预测电池如何老化的学生，但这个学生身边坐着一位非常严格且睿智的老师。
在过去，计算机模型就像只看答案集的学生。它们通过记忆过去电池测试中的模式来进行学习。如果你要求它们预测一个以完全不同方式使用的电池的未来——比如一个充电和放电过程极其疯狂、随机的电池——它们往往会出错。有时，它们甚至会预测一块已经老化的、疲惫的电池突然变得“年轻”了，并增加了容量，这在物理学上是不可能的。这就像是一个学生在猜测一个跑了十年马拉松的人突然在过夜之间长得更高、跑得更快了。
PiDDM 通过向计算机提供一套基于真实化学原理的“交通规则”改变了游戏规则。研究人员教会了模型，电池的老化主要是由两个因素造成的：内部形成的一层粘性层（称为固体电解质界面，简称 SEI）以及用于让电池工作的锂“燃料”的缓慢流失（称为锂库存损失，简称 LLI）。他们还告诉模型，热量会加速这种老化过程，就像食物在热气腾腾的厨房里更容易变质一样。
PiDDM 的魔力在于，它不仅仅是猜测电池的健康状况，它还利用这些化学规则来计算电池死亡的速率，然后通过累加这些速率来预测未来。这就像这个学生不再仅仅是死记硬背答案集，而是真正学习了老化过程背后的数学原理。
为了测试他们的想法，团队使用了 55 块真实锂离子电池的数据集，这些电池经历了 6 种不同类型的严苛测试，从稳定的充放电到疯狂、随机的功率需求。他们将新的 PiDDM 模型与另外两种流行的方法进行了对比：一种是标准的“侦探”模型（称为 MLP），另一种是“技工”模型（称为 PINN）。
结果显示，PiDDM 是最准确的。它犯的错误比其他模型更少，尤其是在电池以棘手、不可预测的方式使用时。但真正的胜利发生在他们对“未来”进行测试时。他们仅使用电池寿命的前 90% 来训练模型，并要求其预测最后的 10%。
在这里，差异非常显著。标准的“侦达”模型（MLP）开始出现“幻觉”，预测出电池健康状况会出现剧烈的波动和下降。而“技工”模型（PINN）有时会预测电池会神奇地恢复失去的能量，而这在现实生活中并不会发生。然而，PiDDM 保持了冷静和现实。它正确地预测了电池在接近寿命终点时会变差得更快，而从未提出过电池会突然变好的这种不可能的想法。
作者们指出，通过将这些物理规则直接嵌入学习过程，PiDDM 创建了一个更可靠的电池健康监测工具。它不仅观察数字，还理解数字背后讲述的故事。虽然该模型并不完美——它有时会错过其他模型能捕捉到的微小、嘈杂的波动——但它避免了预测不可能事件这类重大且危险的错误。这使得它成为确保我们的电动汽车和能源网安全高效运行的一个充满前景的步骤，确保当我们准备让电池退役时，我们能准确知道何时该说再见。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。