技术摘要：锂离子电池单纤维内部观测技术

问题陈述

目前的锂离子电池管理系统（BMS）依赖于一组狭窄的外部可观测变量——表面温度、端电压和电流——来推断内部安全状态。这种“观测缺口”导致无法在关键内部现象（如局部锂电镀、隔膜疲劳和热失控前兆）表现为外部预警信号之前对其进行检测。因此，BMS策略必须以保守的安全裕度运行，从而牺牲了可用能量、充电速度和循环寿命。

虽然嵌入式布拉格光纤光栅（FBG）传感器提供了获取内部状态的直接途径，但它们面临一个根本性的物理限制：单个 FBG 波长偏移（$\Delta\lambda_B$）是一个欠定测量值，它将温度（$\Delta T$）和机械应变（$\varepsilon$）混淆在一起。在电池相关的运行范围内，这两者的贡献量级相当，使得仅靠代数方法进行解耦变得不可能，否则会引入复杂的硬件或违反物理定律。现有的数据驱动模型往往无法产生符合物理规律的重建结果，而基于硬件的解耦则会增加封装复杂性和应力集中。

方法论：FBG-PhysNet

作者提出了 FBG-PhysNet，这是一个物理启发的双分支循环框架，旨在实时解决单纤维观测问题。该架构集成了三个核心组件：

1. 双分支 RWKV-7 主干网络：

   • 模型利用两个独立参数化的 RWKV-7（循环加权 K-向量）分支：分支 A 用于热估计，分支 B 用于应变估计。
   • 每个分支包含 4 层，模型维度（$d_{model}$）为 128，具有 4 个注意力头。
   • 内存效率： RWKV-7 架构保持固定的循环状态大小，每个模块为 64 KB（双分支总计 512 KB），与序列长度无关。这种 $O(1)$ 的内存占用使得其能够在汽车级微控制器（如具有 1 MB SRAM 的 STM32H7）上部署，不同于需要随上下文长度扩展内存的 Transformer 模型。

2. Q-FiLM 条件化：

   • 为了应对不同驾驶循环（从城市驾驶到 2C 快充）中电化学产热（$Q_{gen}$）高达十三倍的变化，模型采用了 Q-FiLM（特征线性调制） 模块。
   • 该模块将 $Q_{gen}$ 估算值（源自端电压和电流）作为缩放和偏移向量注入每一层的潜在表示中。这使得网络能够根据当前的散热运行状态动态调整其特征空间，而无需为每种循环类型建立单独的模型。

3. 交叉门控与九项物理损失函数：

   • 交叉门控（Cross-Gating）： 一种交换热分支与应变分支之间边界条件信息的机制。它捕捉了物理上必要的耦合关系（$\varepsilon_{th} = \alpha_{CTE}\Delta T$），同时不会混淆自由度，从而实现对机械独立应变（$\varepsilon_{mech}$）的分离。
   • 物理启发式损失层级： 训练目标结合了监督数据损失和九个可微物理约束：
     1. 针对 $\Delta T$ 和 $\varepsilon$ 的监督 MSE。
     2. FBG 光学一致性： 强制预测值位于布拉格约束流形上（$\Delta\lambda_B = K_T \Delta T + K_\varepsilon \varepsilon$）。
     3. 热传导 PDE 残差： 强制执行集总参数热方程。
     4. 全局能量守恒： 确保整个时间窗口内的热平衡。
     5. 应变速率限制： 限制应变变化率。
     6. 屈服可行性： 确保应变保持在材料屈服极限内。
     7. 荷电状态（SOC）可行性： 将 SOC 估算值约束在 $[0,1]$ 范围内。
     8. 时间平滑。
     9. L2 正则化。
   • 训练遵循“物理课程学习”模式，从数据拟合开始，逐渐放大物理权重（放大系数为 40），以过渡到受物理约束的精细化阶段。

关键结果

该框架在 75,120 个硬件在环（HIL）窗口上进行了验证，这些窗口源自经过校准的 P2D Doyle-Fuller-Newman 电化学模型，涵盖了五种运行工况：UDDS、WLTP、高速公路、2C 快充和紧急制动。

• 准确度： FBG-PhysNet 在内部温度方面的平均绝对误差（MAE）达到 2.270 K，应变方面为 21.94 $\mu\varepsilon$。
• 解耦性能（串扰）： 模型将串扰比（CT）降低至 58.6%。这显著优于表现最好的物理感知基准模型（PINN-MLP 为 77.3%），并低于特定指标的热路由参考界限 71.3%。这表明模型成功恢复了机械独立的应变，而非仅仅是减去了热膨胀。
• 物理收敛性： 在 47 个训练轮次中，模型展示了物理合规性与预测准确性之间的相互增强。能量守恒残差降低了 75%，PDE 残差降低了 44%。FBG 光学自一致性指标（$\chi^2_{FBG}$）从 0.773 提高到 0.906，趋近于理想值 1.0。
• 消融实验： 移除所有物理约束（Abl-A）会导致温度 MAE 增加 46.6%，且串扰比上升至 87.2%。移除交叉门控（Abl-C）会导致串扰比恰好为 71.3%，证实了如果没有该机制，模型无法解析机械独立的应变分量。
• 鲁棒性： 虽然在极端 2C 快充场景下（$Q_{gen}$ 超过训练均值 13 倍）模型显示出较高的温度误差（4.280 K），但串扰比始终稳定在 58.6%，证明了物理解耦质量对驾驶循环强度具有鲁棒性。

意义与主张

论文认为，电池内部安全可以被重新定义为一个观测问题。通过从单个嵌入式光学信号中实时重建内部温度和应变，该框架实现了从静态、最坏情况安全裕度向基于电池实际热机械状态的自适应控制的转变。

作者强调了三个具体影响：

1. 电池寿命与容量利用率： 实时应变感知允许 BMS 仅在应变接近安全边界（例如石墨的 20,000 $\mu\varepsilon$ 屈服应变）时才收紧电流限制，与恒定降额相比，在高性能应用中可能回收 3–8% 的可用容量。
2. 直流快充（DCFC）： 该模型低延迟预测核心温度的能力支持了快速热监测，在无需新硬件的情况下，有望减少充电中断并提高现有基础设施的吞吐量。
3. 电池护照与二次利用经济学： 基于物理锚定的、自一致的内部状态追踪，提供了“电池护照”认证所需的监管级生命周期数据，从而实现对二手电池包更准确的价值评估。

至关重要的是，作者声称，在单传感器 FBG 系统中广泛假设的“不可还原耦合”极限并非基本的物理障碍，而是现有建模方法的局限性。通过学习一种能显式解析机械独立应变的表示，FBG-PhysNet 的表现超越了传统极限。该研究的结论是，当前电池系统的根本限制不在于材料性能，而在于可观测性；解决这一差距可以重新定义操作极限，而无需改变化学成分或硬件。