Hi，大家好，我是半亩花海。现对领域内一篇SCI一区TOP期刊论文进行阅读，文献记录如下。本文提出了一种基于物理信息神经网络(PINN)的锂离子电池健康管理新方法，实现了健康状态(SOH)、剩余寿命(RUL)和短期退化路径(S-DP)的协同估计。通过定制门控模型(CGC)整合多任务学习框架，结合简化Transformer时序特征提取和物理约束，显著提升了模型性能。实验结果表明，该方法在三种电池材料上均表现优异，SOH估计MAPE低至0.75%，且在迁移学习和小样本场景下展现出色泛化能力。研究为电池健康管理提供了兼具高精度和物理可解释性的解决方案，但低温环境适应性和计算成本优化仍需进一步探索。
目录
[1.1 研究背景](#1.1 研究背景)
[1.2 现有方法的局限性](#1.2 现有方法的局限性)
[2.1 研究目标](#2.1 研究目标)
[2.2 核心创新点](#2.2 核心创新点)
[3.1 数据集描述](#3.1 数据集描述)
[3.2 特征提取方法](#3.2 特征提取方法)
[3.3 特征相关性分析](#3.3 特征相关性分析)
[4.1 整体框架](#4.1 整体框架)
[4.2 定制门控控制模型(CGC)](#4.2 定制门控控制模型(CGC))
[4.3 简化时序Transformer模型](#4.3 简化时序Transformer模型)
[4.4 物理信息神经网络(PINN)](#4.4 物理信息神经网络(PINN))
[4.5 损失函数与权重调优](#4.5 损失函数与权重调优)
[4.6 超参数配置](#4.6 超参数配置)
[5.1 实验设置](#5.1 实验设置)
[5.2 SOH、S-DP、RUL估计结果](#5.2 SOH、S-DP、RUL估计结果)
[5.3 训练样本量敏感性分析（小样本）](#5.3 训练样本量敏感性分析（小样本）)
[5.6 迁移学习实验](#5.6 迁移学习实验)
[6.1 主要结论](#6.1 主要结论)
[6.2 工业部署挑战与未来方向](#6.2 工业部署挑战与未来方向)
本篇期刊论文的具体信息如下：
| 项目 | 内容 |
|---|---|
| 论文标题 | Physics-informed neural network for co-estimation of state of health, remaining useful life, and short-term degradation path in Lithium-ion batteries |
| 作者 | Li Yang, Mingjian He*, Yatao Ren*, Baohai Gao, Hong Qi |
| 单位 | 哈尔滨工业大学能源科学与工程学院；工业和信息化部航空航天热物理重点实验室 |
| 期刊 | Applied Energy |
| 发表时间 | 2025年7月10日在线发表 |
| DOI | https://doi.org/10.1016/j.apenergy.2025.126427 |
| 研究类型 | 数据驱动+物理信息的混合方法 |
| 关键词 | 锂离子电池；SOH；RUL；物理信息神经网络；多任务 |
一、研究背景与动机
1.1 研究背景
（1）锂离子电池的应用与挑战：
- 锂离子电池因其环境兼容性好、能量密度高、效率优异，广泛应用于电动汽车、消费电子和储能系统
- 随着使用时间增加，电池会出现锂析出、活性材料损失、结构变化和副反应增加等问题
- 这些变化表现为宏观性能退化：容量衰减、内阻增加、温度升高
- 过度充放电会显著加速电池老化过程，增加热失控概率
（2）电池健康管理的核心任务：
| 任务 | 定义 | 作用 |
|---|---|---|
| SOH估计 | 健康状态(State of Health)，定义为剩余容量与额定容量的比值 | 反映电池当前状态 |
| DP预测 | 退化路径(Degradation Path)，展示SOH随充放电循环的恶化过程 | illustrating电池老化趋势 |
| RUL预测 | 剩余使用寿命(Remaining Useful Life)，直接指示电池可用剩余时间 | 提前故障预警 |
（3）SOH阈值警示： 当SOH低于80%时，电池安全风险显著增加，可能导致热失控、泄漏或短路等危险事件。
1.2 现有方法的局限性
（1）模型驱动方法：
- 经验公式（指数、线性、多项式）：简单但参数缺乏直接物理解释，泛化能力有限
- 等效电路模型：用电阻电容模拟退化过程，简化计算但忽略电池内部动力学原理
- 电化学模型（如P2D模型）：基于物质和能量守恒方程，能清晰解释退化机制，但高度复杂，需要定义大量参数并求解偏微分方程组
（2）数据驱动方法：
- 优点：网络结构简单、计算效率高
- 局限：数据稀缺时性能差、跨域迁移能力有限、泛化能力不足、难以捕捉长短期时序依赖关系
（3）物理信息神经网络(PINN)：
- 当前研究主要集中在用物理信息++指导输入空间构建++ 和应用简单数据关系++约束目标函数++
- 由于电池退化模型的复杂性，使用++电化学偏微分方程++作为物理约束网络的目标函数仍是重大挑战
二、研究目标与创新贡献
2.1 研究目标
开发一种通用电池健康管理模型，能够适应不同电池材料（跨域）、工作环境（不同条件）和多样化（多任务）任务需求，实现SOH估计、RUL预测和短期退化路径(S-DP)预测的协同处理。
2.2 核心创新点
| 创新点 | 具体内容 | 技术价值 |
|---|---|---|
| 创新1 | 基于定制门控模型 (CGC) 的多任务框架 | 实现SOH、RUL、S-DP三项任务的同步处理，利用共享和任务特定参数的协同设计 |
| 创新2 | 简化的Transformer模型 | 全面提取时序和特征信息，克服传统RNN/LSTM的梯度消失/爆炸问题 |
| 创新3 | 利用任务输出的偏导数揭示隐藏物理信息 | 通过自动微分计算目标估计的偏导数，增强模型泛化能力和可解释性 |
三、数据集与特征工程
3.1 数据集描述
研究使用了两个公开数据集，共198个电池 、196,200次循环数据：
| 数据集 | 电池类型 | 额定容量 | 截止电压 | 实验温度 | 电池数量 | 循环寿命 |
|---|---|---|---|---|---|---|
| HUST | LiFePO₄(LFP)/石墨 | 1.1 Ah | 2.0-3.6 V | 30°C | 77 | 1100-2700循环 |
| TJU-NCA | Li₀.₈₆Ni₀.₈₆Co₀.₁₁Al₀.₀₃O₂/石墨 | 3.5 Ah | 2.65-4.2 V | 25/35/45°C | 66 | 50-1250循环 |
| TJU-NCM | Li₀.₈₄Ni₀.₈₃Co₀.₁₁Mn₀.₀₇O₂/石墨 | 3.5 Ah | 2.5-4.2 V | 25/35/45°C | 55 | 50-1250循环 |
充放电策略差异：
- HUST数据集：采用多样化多阶段恒流放电策略；充电协议标准化（5C恒流充至80% SOC → 1C恒流充至3.6V → 恒压充至电流降至1/20C）
- TJU数据集：充电为恒流(0.25-1C)至4.2V截止电压后恒压充；放电为1C恒流至截止电压
3.2 特征提取方法
（1）特征提取区域： 围绕恒压充电阶段前后的电压和电流曲线段（如图1(c)所示）
（2）提取的20个统计特征包括：
- 循环次数(cycle)
- 累积电荷量(sum)
- 均值(mean)、标准差(std)
- 持续时间(len)
- 峰度(ku)、偏度(sk)
- 曲线斜率(grad)、曲线熵(entropy)
- 跨时间维度特征：与第10次循环曲线的差值的均值和标准差（如mean_V_10）
（3）特征设计理由：
- 充电过程通常遵循明确策略，比放电过程更具一致性和普适性
- 引入当前循环次数提供时间上下文，反映电池退化阶段
- 跨时间维度特征捕捉跨时间信息，增强特征表达能力
- 温度和充放电策略不作为输入特征，但隐含嵌入在数据分布中
3.3 特征相关性分析
关键发现（图2）：
- 电池化学成分对特性起关键作用，不同成分的特征与目标值相关性显著不同
- SOH与特征的相关性强于RUL：SOH估计是短期任务，RUL预测是长期任务
- NCA和NCM电池的RUL相关系数相对较低，可归因于数据分散性和退化模式多样性
四、方法论（模型架构）
4.1 整体框架
模型整合了定制门控控制模型(CGC) 和 物理信息神经网络(PINN)，整体架构如图3所示：
通俗点，可以以下面这张图作为理解：
4.2 定制门控控制模型(CGC)
（1）设计动机： 解决多任务学习中的负迁移 和跷跷板现象
- 负迁移：任务间相关性弱或矛盾时，共享信息无效甚至有害
- 跷跷板现象：任务竞争资源或目标冲突，一个任务改进以牺牲其他任务为代价
（2）CGC三组件：
- 底部专家模块：多个专家网络（超参数）
- 中间门控模块：选择性加权和组合专家输出
- 顶部塔式模块：各任务的输出网络
（3）数学表达（以SOH任务为例）：
（4）实现配置：
- 4个专家模块（1个SOH专家、2个共享专家、1个DP专家、1个RUL专家）
- 共享专家模块含2个全连接神经网络，其余3个各含1个
- 所有专家网络：2隐藏层，每层25神经元，ReLU激活
- 输入20维，输出8维学习特征向量
4.3 简化时序Transformer模型
（1）模型改进要点：
- 专注于增强Transformer编码器
- 修改输入编码和输出映射层以适应时序预测
- 不包含解码器结构、教师强制机制、训练与推理的输入逻辑差异
（2）六个组件结构（图4a）：
| 组件 | 功能 | 关键技术 |
|---|---|---|
| 位置编码 | 编码时序和特征维度信息 | 正弦/余弦函数 |
| 多头注意力 | 捕捉时间和特征维度的复杂关联 | 缩放点积自注意力 |
| 残差网络 | 避免梯度消失，构建更深网络 | 跳跃连接 |
| 层归一化 | 稳定数值变化，增强鲁棒性 | 特征维度归一化 |
| 前馈神经网络 | 增强非线性映射能力 | 两线性层+激活函数 |
| 映射网络 | 转换为最终输出 | MLP |
（3）位置编码公式：
（4）多头注意力输出：
（5）任务分配：
- SOH估计、RUL预测、PINN：简化Transformer模型
- 退化路径预测：Bi-LSTM（编码器-解码器结构更适合迭代预测）
4.4 物理信息神经网络(PINN)
（1）核心思想： 通过计算多任务模型输出的偏导数，构建深度隐藏物理模型，与数据驱动方法结合
（2）物理模型假设：
①容量模型假设：
，其中 t 表示时间，x 表示影响退化的因素（如温度、充放电策略）；
②退化模型推导：
③隐式物理方程：
（3）关键设计选择：
- 仅使用SOH和RUL计算偏导数作为PINN输入（S-DP数据量大，加入会提高计算成本）
- 排除目标输出的时间导数以防止信息泄露
- PINN仅接收输入特征、任务输出及其空间（特征-wise）偏导数
4.5 损失函数与权重调优
（1）自适应权重方法： 采用不确定性加权(Uncertainty Weighting) 基于贝叶斯模型的同方差不确定性原理
（2）四项损失函数：
| 损失类型 | 公式 |
|---|---|
| SOH损失 |  |
| RUL损失 |  |
| DP损失 |  |
| 物理损失 |  |
（3）总损失：
（4）评估指标：
- MSE（均方误差，用于模型训练）
- RMSE（均方根误差）
- MAPE（平均绝对百分比误差）
4.6 超参数配置
| 模块 | 参数 | 配置值 |
|---|---|---|
| CGC | 专家数量(SOH/共享/DP/RUL) | 1/2/1/1 |
| 全连接层数 | 2 | |
| 输入/输出维度 | 20/8 | |
| 每层神经元 | 25 | |
| SOH/RUL塔 | 编码器层数 | 3 |
| 注意力头数 | 2 | |
| 前馈层宽度 | 50 | |
| DP塔 | 层数 | 1 |
| 神经元 | 20 | |
| 网络类型 | Bi-LSTM | |
| PINN | 编码器层数 | 3 |
| 层数 | 2 | |
| 训练配置 | 批次大小 | 256 |
| 优化器 | Adam | |
| 最大epoch | 1000 | |
| 学习率 | 0.01 | |
| 调度策略 | 余弦退火 | |
| 正则化 | Dropout |
五、实验结果与分析
5.1 实验设置
- 数据划分： 训练集70% : 验证集15% : 测试集15%
- 测试/验证集： 从不同实验测量批次均匀采样
- 数据预处理： Min-Max归一化（min/max来自训练集，防止数据泄露）
- 输入： 30次充电循环的历史数据
- 独立运行： 每组实验10次独立运行取平均
- 硬件： Intel i5-13600KF CPU, 64GB RAM, NVIDIA RTX 4060 Ti GPU
5.2 SOH、S-DP、RUL估计结果
（1）表3 性能对比：
（2）SOH估计结果：
- 在三种材料数据集上均优于对比模型
- NCM数据集表现最佳（MAPE 0.75%）
- 与Wang et al.[48]对比：LFP相当，NCA和NCM显著提升
计算效率：
- 训练时间：MLP 2.1min, Bi-LSTM 5.9min, Transformer 4.3min, 本文模型 21.2min
- 推理延迟：GPU 0.069ms, CPU 0.114ms（与Bi-LSTM相当）
- 训练内存：GPU 139.2MB, CPU 252.8MB
（3）短期退化路径(S-DP)预测结果：
①预测长度设置：
- LFP数据集：600循环
- NCA/NCM数据集：150循环
②误差分布： 误差主要聚集在0.01左右（图5c,g,k）
③设计理由： 仅关注短期预测以确保准确性和可靠性，长期预测会随时间逐渐偏离真实值
（4）RUL预测结果：
- 电池生命周期早期预测更准确，后期较差
- NCA/NCM后期预测性能较差的原因：温度变化大、一致条件下样本少、非线性退化行为强
- 与特征相关性分析一致（图2）：RUL与特征相关性较弱
5.3 训练样本量敏感性分析（小样本）
（1）实验设计： 使用LFP数据集，系统评估不同训练样本量下的模型性能演化
（2）关键发现（图6）：
- 所有模型性能随训练样本减少而下降（符合预期）
- 本文模型在不同数据规模下均保持显著竞争优势
- 在极端小样本场景（仅5或15个电池数据）下，鲁棒性明显优于对比模型
- 充分验证了方法在小样本学习场景中的技术先进性
5.6 迁移学习实验
（1）框架设计（图7）：
- 源域（Group A）训练获得先验知识 → 目标域（Group B）微调
- 参数冻结策略： 固定物理特征提取层网络权重
- 微调学习率： 1e-4量级自适应优化剩余可训练参数
（2）表4 迁移学习结果（RMSE评估）：
- 引入迁移学习机制后，各任务误差显著降低
- 目标域仅需2个电池数据进行微调
- 强烈验证了基于物理信息共享的跨材料电池健康管理迁移策略有效性
六、结论与展望
6.1 主要结论
- 提出了一种新颖的多任务健康管理方法，整合多任务处理框架与物理信息神经网络
- 核心优势： 利用共享和独立参数实现任务协同，同时利用PINN挖掘数据中的潜在退化物理
- 特征提取策略： 从恒压充电阶段前后的电压电流数据段提取特征，具有广泛的适用性
- 性能表现：
- SOH估计MAPE：0.75%
- S-DP预测平均偏差：约0.01
- RUL预测MAE：104循环
- 泛化能力： 小样本学习和迁移学习实验验证了模型的强泛化能力和实际适用性
6.2 工业部署挑战与未来方向
| 挑战 | 解决方向 |
|---|---|
| 低温环境 | 评估模型在低温条件下的鲁棒性和适应性 |
| 计算成本 | 云端训练+本地推理结合，平衡计算成本与响应速度 |
| 物理解释性 | 整合微观电化学老化机制，提高物理一致性 |
| 物理约束 | 探索更鲁棒的物理信息约束（符号约束、物理引导先验、解耦单调性损失） |