CAT蓄电池基于多任务关键点检测与符号构建的可解释锂离子电池退化轨迹预测
来源：
卡特蓄电池 发布时间：2026-04-01 14:25:46 点击： 次
引言
锂离子电池（LIBs）具有高能量密度、长循环寿命和快速充电能力等综合优势[1]。这些特性使其成为消费电子、电动交通工具和储能系统的核心技术[2]。通过实现能源消耗与化石能源发电的解耦，锂离子电池直接助力于长期脱碳目标的实现[3]。然而，由于持续使用和不利工况导致的不可逆化学反应及材料结构变化，锂离子电池容量会经历渐进但必然的衰减。这种渐进性退化不仅影响电池性能，更会引发严重安全隐患——热失控过程中链式放热反应会急剧升高电池内部温度，破坏结构稳定性并可能导致起火爆炸等灾难性失效[4]。面对这些风险，准确预测锂离子电池（LIB）的退化轨迹对于优化电池性能和实施潜在维护策略至关重要[5]。研究者们正致力于开发能有效检测电池衰退关键指标的方法，即使仅利用早期有限循环数据也能实现电化学降解过程的精准预测[6][7][8]。
电池容量预测方法可大致分为两类：基于模型的方法和数据驱动方法。基于模型的方法通常通过理解电池内部物理化学过程，采用数学模型预测未来容量衰减趋势[5]。按复杂度升序排列，主要包括经验模型、等效电路模型（ECM）和电化学模型（EM）。作为最简化的建模方法，经验模型旨在建立循环次数与对应容量之间的数学映射关系[9]。通过实验老化数据的参数化拟合，可采用线性函数、指数函数或幂律函数等基础方程描述容量衰减行为[10]。该模型优势在于计算资源需求极低且易于实现，但其外推能力受限于建模所用的训练数据范围。等效电路模型（ECM）的核心思想是通过串联电路元件实现对电池行为的<模拟>，其参数均具有物理意义，通常包含一个内阻欧姆电阻及一个或多个电阻-电容（RC）对[11]。该模型为锂离子电池（LIBs）的工作环境提供了基础<模拟>体系，尽管结构相对简单，但仍需借助参数辨识技术进行优化[12]。作为一种机理模型，EM考虑了电池内部复杂的化学过程，代表了最高复杂度层级，旨在基于物理定律真实描述电池单体内部的电化学行为[13]。作为代表性模型，伪二维（P2D）模型能够描述电池的热力学与电化学过程[14]。此外，单颗粒模型是其简化版本，假设电极内部反应电流均匀分布，同时忽略电解质的浓度梯度与电势梯度[15]。尽管简化版本可用，这些模型仍需要最高计算资源和电化学领域的广泛专业知识。%% 总而言之，基于模型的方法（特别是电化学模型）能够为电池行为提供有价值的洞见，但面临计算复杂性和实时实施的挑战。此外，基于模型方法的主要挑战之一在于如何确定模型参数。%% 实践中，基于模型的方法通常与基于滤波的方法协同工作以动态更新关键模型参数[12]，或作为基础模型来建立基本退化趋势[10]。
数据驱动方法对锂离子电池内部机制的认知要求显著降低。这类方法的核心思想是利用历史数据构建预测模型，将测量变量或显性特征与电池未来关键性能参数相关联[5][16]。数据驱动方法广受青睐，主要归因于其出色的能力——能够直接从现有历史数据中捕捉复杂的非线性退化特征，且其强大的泛化能力使预训练模型可适配不同电池或使用场景。在电池寿命预测领域，数据驱动方法可分为两大子类：临界点预测与退化轨迹预测。临界点被定义为对电池预测与健康管理（PHM）至关重要的关键循环周期序列及其对应容量，通常包括拐点[17]、膝节点[18]和寿命终止点[19]。这些关键循环周期因其固有物理意义或标志着电池使用过程中的里程碑事件而被识别为临界点。例如，作为表征电池容量从缓慢衰减阶段转入加速退化阶段的转折点，拐点(Knee Point)为延长电池寿命和优化退役规划提供了关键依据。现有研究已投入大量精力用于准确预测未来退化过程中的拐点[17][20][21]。此外，预测寿命终止点或剩余使用寿命对电池健康管理同样至关重要。这些预测任务的核心问题在于确定寿命终止点——即电池容量衰减至额定容量80%的临界状态[22][23][24]。目前针对单一关键点的预测技术已较为成熟，多数研究展示出仅利用早期循环数据即可准确预测关键循环次数的能力[25]。然而，从单一节点获取的信息具有局限性，可能难以满足故障预测与健康管理(PHM)中某些复杂应用的需求。
退化轨迹预测旨在通过早期数据获取电池性能的完整衰退过程，为电池健康管理(PHM)提供更丰富的信息[6][26][27]。与临界点预测不同，该方法基于完整退化轨迹制定维护计划，可实现更精确的维护规划。通过这种预测方式，可在电池性能降至可接受水平前制定维护策略甚至退役方案，而无需等待拐点或寿命终止(EOL)阈值的出现。然而在实际应用中，仅凭早期循环数据实现完整退化轨迹预测仍存在巨大挑战。首要问题在于现有数据通常难以支撑端到端长期轨迹预测模型的充分训练。为克服这一限制，现有研究多采用经验先验[10]或引入合成数据集辅助训练过程[28]。然而，基于经验先验的方法可能限制模型的泛化能力，且合成数据与真实数据之间的领域差异会导致其在真实场景中的应用性能欠佳[29]。其次，尝试预测完整退化轨迹的方法通常依赖于滚动或递归学习策略，这不可避免地导致预测误差随时间累积。因此，重建的退化轨迹整体精度往往不尽如人意，且提取的关键点可靠性可能受到影响。
另一方面，诸如膝关节点（knee knots）或拐点（knee points）等关键特征点本质上代表了退化过程中最具信息量和表征性的特征。理论上，只要精确识别出足够数量的此类关键点，即可可靠地重构完整的退化轨迹。与预测完整退化轨迹相比，估计有限数量的关键点是一项相对更简单且更具鲁棒性的任务。最新研究表明，基于深度学习的方法能有效解决该问题[8][20][30]。
基于上述分析，我们首先直观地采用基于神经网络的方法来准确预测表征电池退化关键阶段的临界点。随后，可以从这些代表性点重建整个退化轨迹，为电池健康管理和预测性维护提供有价值的见解。基于此，本文重点研究构建退化轨迹的两步范式设计。第一步是检测临界点，随后在兼顾有效性和效率的前提下构建完整的退化轨迹。沿着这一研究方向，需要解决若干挑战。
首要挑战涉及临界点的预测问题。%% 其次的问题在于构建完整退化轨迹的模型选择。一方面，过度简化的模型可能无法捕捉所有相关动力学特征。%% 另一方面，过于复杂的模型可能导致过拟合现象——模型虽能良好拟合有限数据点，却在新数据上表现欠佳。因此，如何自动化该流程以获得合适模型构成了一大障碍。最后的挑战在于模型可解释性：我们期望模型不仅能完成从稀疏临界点到退化轨迹的映射，还能对临界点与退化轨迹之间的关系提供基础性解释。
面对上述研究空白与挑战，我们在临界点预测与退化轨迹构建课题上的贡献可总结如下：
- 1.
我们设计了一种结合卷积层与Transformer模块的深度神经网络，采用多任务学习框架，能够同时预测四个临界点的循环次数及对应容量。
- 2.
我们将退化轨迹预测建模为一个符号回归问题，运用遗传编程（GP）依据有限关键点构建完整的退化轨迹。
- 3.
从遗传规划获得的符号表达式提供了临界点与退化轨迹之间的限制级映射，从而实现对退化模式的可理解性解释。
