因果引导的局部-全局特征学习用于锂离子电池健康状态估计

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Causality-guided local-global feature learning for lithium-ion battery state-of-health estimation

　　

•一种因果引导的局部-全局特征学习框架，用于状态健康度（SOH）估计。
•一种两阶段因果推断策略，用于识别因果依赖关系。
•一种 GraphSAGE-Transformer 编码器，用于层次化表示学习。

符号片段列表
| 符号 | 定义 | 单位 | 符号 | 定义 | 单位 |
|---|---|---|---|---|---|
| AE | 绝对误差 | - | HF9 | 深谷容量值 | Ah |
| C | 电池容量 | Ah | I | 电流 | A |
| AFLOPs | 浮点运算次数 | MFLOPs | - | 推理时间 | ms |
| MAE | 平均绝对误差 | % | HF1 (UOCV) | 开路电压 | V |
| MAPE | 平均绝对百分比误差 | % | HF2 (Up) | 极化电压 | V |
| Q | 过程噪声协方差矩阵 | - | HF3 (R0) | 欧姆电阻 | Ω |
| R | 测量噪声协方差矩阵 | - | HF4 (Rp) | 极化电阻 | Ω |
| RMSE | 均方根误差 | % | HF5 | 剩余荷电状态 | - |

电池数据集
为验证所提出框架的有效性和泛化能力，本文采用了来自美国国家航空航天局（NASA）埃姆斯预测卓越中心和马里兰大学先进生命周期工程中心（CALCE）的两个公开锂离子电池（LIB）数据集。这两个数据集已被广泛应用于电池退化研究中，详细的实验条件总结如下：
(1) 标记为 B0005 的四节电池

提出的 Causal-GraphSAGE-Transformer 框架
为实现复杂工况下准确且可解释的 SOH 估计，本文提出了一种 Causal-GraphSAGE-Transformer 框架，如图 7 所示。该模型学习从多变量特征（HF）序列和推断的因果图 G 到电池 SOH 的非线性映射函数 f(·)，这可表述为一个回归问题：
SOH_t = f(H_t, G)
其中 H_t = [h_{t-N+1}, …, h_t] ∈ ?^{N×K} 表示长度为 N 的滑动窗口内的输入特征序列，h_t ∈ ?^K 表示特征向量在 t 时刻的值。

数据预处理
在数据采集过程中，传感器噪声可能在原始数据集中引入空白、无效或重复的记录。为确保数据的可靠性，进行了数据预处理，包括去除异常循环、离群值、容量突变以及不完全的充电记录。仅保留与对应放电容量测量配对的有效充电曲线用于后续分析。具体而言，在应用上述预处理标准后，B0005 和 B0006 分别保留了 166 个有效循环。

结论
本文提出了一种因果引导的局部-全局特征学习框架，用于锂离子电池准确且可解释的 SOH 估计。传统的关联驱动方法往往忽略了特征之间的潜在因果关系，而自动提取的特征通常缺乏物理可解释性。为克服这些局限性，所提出的方法将物理信息特征与两阶段因果推断策略相结合，以识别因果相关特征并构建因果图。

伦理批准
不适用。
同意参与
不适用。
同意发表
本手稿经所有作者审阅并批准发表。
作者贡献
Qi Fei：撰写初稿、软件与验证。
Tian Zhongda：概念构思、方法论、撰写-审阅与编辑、以及资金获取。
资金支持
本研究由辽宁省教育厅科研项目（LJKZ0143）和过程工业综合自动化国家重点实验室开放课题（2023-kfkt-01）资助。
利益冲突
作者声明不存在利益冲突。
数据与材料可用性
支持本研究结果的数据可向通讯作者索取。
CRediT 作者贡献声明
Qi Fei：撰写—初稿、验证、软件。
Tian Zhongda：撰写—审阅与编辑、方法论、资金获取、概念构思。

Qi Fei | Tian Zhongda