BatteryFM：一种基于化学特性的基础模型，用于锂离子电池的零样本健康状态预测

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：BatteryFM: A chemistry-aware foundation model for zero-shot state-of-health prediction in lithium-ion batteries

　　摘要
准确监测锂离子电池的退化状态是确保电动汽车、电网级储能系统和消费电子产品安全可靠运行的前提。然而，现有的基于数据的方法在估算电池健康状态时依赖于数据集特定的电压归一化规则，这些规则将相同的电化学特征映射到不同的相对轴位置上，从而阻碍了跨化学类型的泛化能力。为解决这一根本性限制，本文提出了一种名为BatteryFM的电池基础模型。基础模型是指在多个数据集和化学类型上广泛预训练的单一模型，能够生成无需目标域标签即可转移的复用表示，而不是简单地调整参数规模。该模型能够在没有任何标记的目标域数据的情况下，实现对未见数据集、外形尺寸和充放电协议的零样本健康状态预测。在严格的源域模型开发协议下，不使用任何目标域数据或标签进行超参数调整、检查点选择或收敛性监控。更为严格的“排除一种化学类型”的分析表明，当锂铁磷酸盐化学类型完全从训练中移除时，该模型仍能实现有效的迁移；而同样的分析也揭示了镍锰钴和锂钴氧化物化学类型的情况：移除所有相关数据会极大地增加迁移难度，且所提出的方法相对于仅使用源域数据的基线仅有较小的优势。所有电压输入都被映射到一个共享的物理范围内，无论数据集的来源如何，都能将特定化学类型的差异容量峰值固定在一致的位置上。本文开发了一种双流编码器，它通过多尺度时间卷积网络处理原始放电曲线，通过卷积和Transformer编码器处理差异容量曲线，并通过跨流注意力机制将两者融合。一个包含八个可学习原型的化学原型库能够在推断时实现化学类型的识别，而无需额外的化学标签。在对12个数据集中的392个电池单元进行的“排除一个数据集”的评估中，所提出的方法平均绝对误差为5.68%，比仅使用源域数据的基线低29%，在所有比较方法中表现最佳。面向可靠性的分析进一步表明，准确性的提升并不自动转化为更低的误判率，因此确定了安全校准的目标作为在实际电池管理系统中可靠部署的重要方向。

引言
锂离子电池的灾难性故障（如热失控、起火或未检测到的容量损失）对电动汽车、飞机和固定式储能系统构成了严重风险，因此对已部署电池管理系统中的电池进行实时状态监测已成为活跃的研究焦点[1]、[2]、[3]。电池健康状态（当前容量与额定放电容量的比率）是剩余实用性的主要指标，也是预测故障风险的最直接指标：根据行业惯例，当电池健康状态低于0.80时，表示其已达到电动汽车推进系统的寿命终点，进一步的退化会显著增加锂沉积、电解质分解和热失控的风险。准确的预测可以实现预测性维护，防止继续使用退化的电池单元，并支持安全的二次利用，从而延长电池的寿命并减少现场故障[4]、[5]。
在实践中，电池管理系统部署在包含多种电池化学类型、外形尺寸和充放电历史的电池群中。单一的电动汽车制造商可能会采购正极配方涵盖镍锰钴、锂铁磷酸盐、镍钴铝以及混合化学类型的电池单元，每种类型都具有不同的电压-容量特征和退化轨迹[6]、[7]、[8]，而电网级储能运营商面临的多样性更为广泛。尽管存在这种操作现实，现有的基于数据的方法在估算电池健康状态时始终是在单一化学类型内进行训练和验证的，每次遇到新的电池类型时都需要用标记的目标域数据进行重新训练或微调。这对于需要快速部署到新的电池类型且无法进行长达数月的退化实验以获取新标记数据集的可靠性关键应用来说是不切实际的。
早期的数据驱动研究依赖于基于物理的等效电路和电化学模型[7]、[9]，这些模型提供了机制性的可解释性，但需要逐个电池单元的参数识别，并且无法扩展到异构的电池群。基于循环网络、卷积网络和Transformer架构的深度学习方法[10]在经过精心挑选的单一化学类型基准测试中实现了低于3%的平均绝对误差，但这些结果在目标化学类型改变时无法迁移。迁移学习框架[11]、[12]、[13]通过微调减少了标记工作量，基于梯度反转的领域适应方法和最大平均差异最小化[14]以及协方差对齐方法追求零标签分布的对齐，而最近的测试时训练框架则能够在线适应在退化过程中收集的目标分布[15]。然而，这些方法都无法在没有标签的情况下对未见数据集和充放电协议进行零样本健康状态预测，而在实际应用中，电池管理系统必须在收集到任何未见化学类型的退化数据之前就开始工作，这一问题仍然尚未解决。本文采用严格的“排除一种化学类型”的协议来研究这一问题，实验结果表明，当完全从训练中移除锂铁磷酸盐化学类型时，迁移仍然能够实现；而对于在训练混合物中占主导地位的化学类型，迁移变得更加困难。跨化学类型泛化的根本障碍不是模型容量或数据集大小，而是在模型输入之前应用的预处理规则。数据集特定的电压归一化（将每个数据集的电压范围重新缩放到单位区间）会根据每个数据集的划分将镍锰钴氧化还原峰（3.75 V）和锂铁磷酸盐平台（3.35 V）映射到不同的相对位置，因此携带最多退化信息的差异容量特征在每个数据集中出现在不同的归一化位置，导致编码器将化学上相同的特征视为不同的特征。这种由归一化引起的偏移无法通过任何特征级对齐方法来解决，因为它在模型看到数据之前就已经被引入了。
为了解决这一限制，本文提出了BatteryFM，这是一种电池基础模型，它将所有电压输入固定到所有标准锂离子化学类型共有的物理范围[2.0, 4.5] V内。如图1所示，这种单一的预处理变化消除了数据集特定归一化引入的人为域偏移，使得在最难处理的化学类型上的零样本平均绝对误差相对于使用数据集特定归一化的相同架构降低了37%。基于这种归一化表示，双流编码器同时处理原始放电曲线和差异容量曲线，一个化学原型库通过八个学习到的化学原型进行零样本化学类型识别，一个考虑了健康状态的最大平均差异模块在退化级别区间内对齐特征分布，而不是在整个健康状态范围内进行边缘化处理。在对涵盖四种锂离子化学类型的392个电池单元进行的“排除一个数据集”的评估中，BatteryFM实现了5.68%的平均零样本平均绝对误差，比仅使用源域数据的基线高出29%，优于所有标准领域对齐基线。由于“排除一个数据集”的协议一次只排除一个数据集，而相关化学类型可能仍留在训练混合物中，因此还进行了更为严格的“排除一种化学类型”的测试，其中所有目标化学类型的数据集都被从训练中移除。在这种更严格的设置下，所提出的方法在锂铁磷酸盐化学类型上仍然具有优势；而对于镍锰钴和锂钴氧化物化学类型，两种方法的表现都有所下降，且三种种子之间的差异较大，相对于仅使用源域数据的基线的优势较小且不一致。这种依赖于化学类型的结果被透明地报告并解释为当前实现零样本跨化学类型迁移的条件。这些结果表明，对于实验中覆盖的化学类型和协议，无需任何目标域标签即可实现零样本跨化学类型的健康状态预测，并且指出了该设置变得更为困难的条件。此外，还进行了扩展的“排除一个数据集”的评估，依次排除了十二个数据集中的每一个，以测试对已有化学类型内的新协议和操作条件的泛化能力。
本文的主要贡献总结如下：
•确立了一种全局物理轴归一化策略作为零样本跨化学类型迁移的基础原则。将所有电压输入映射到[2.0, 4.5] V范围内，将差异容量峰值固定在无关数据集来源的位置上，消除了预处理引起的偏移，并实现了在数据集特定归一化下几何上不可能实现的迁移。消融实验表明，这一单一变化使得最难处理的目标的误差减少了4.49%，这是总体改进的29%的主要因素。
•一种双流编码器结合了跨流注意力机制，通过多尺度时间卷积网络（三个内核大小分别为5、11、21）处理原始放电曲线，通过卷积神经网络和Transformer编码器处理差异容量曲线。消融实验确认，移除任一流会导致7.73%和9.46%的误差增加，验证了它们互补的信息内容。
•一个考虑了健康状态的最大平均差异模块根据健康状态级别对训练样本进行分组，并在每个组内独立对齐特征分布，保留了准确回归所需的退化依赖的梯度。它在消融实验中贡献了6.90%的改进，并在跨化学类型的零样本评估中优于边缘最大平均差异、梯度反转对抗对齐和协方差对齐基线。

部分代码片段
电池健康状态估计和可靠性评估
电池健康状态估计经历了基于物理的建模、手工特征工程和端到端深度学习[16]、[17]、[18]的发展。基于物理的等效电路和电化学模型[7]、[9]通过固态电解质界面生长、活性材料损失和锂沉积等第一性原理机制来推导健康状态。Dubarry等人[7]展示了增量容量分析——即放电容量相对于...的差值。

问题构建
设??={??1,??2,…,????}表示一组??个电池数据集，其中每个数据集????={(????,????,????)}??????=1包含放电循环观测数据。对于每个放电循环，提取两个输入流。原始流??raw∈?256×2包含均匀重采样到物理电压网格上的256个时间点的电压和电流信号。差异容量流??ic∈?128×2是放电容量相对于电压的差值（dQ/dV），在固定的128点电压范围内计算得出。

数据集描述
实验评估是在12个公开可用的锂离子电池数据集上进行的，这些数据集来自一个共同的基准集合，涵盖了四种正极化学类型，如表1所总结。在移除了异常过滤窗口外的循环后，这些数据集总共包含392个电池单元和403,274个放电循环，涵盖了包括电动汽车快速充电协议在内的真实世界电池充放电条件的广泛范围。

结论
本文提出了BatteryFM，这是一种电池基础模型，能够在严格的源域模型开发协议下对未见数据集、外形尺寸和充放电协议进行零样本健康状态预测，满足了在异构电池群体中部署的电池管理系统的关键可靠性要求。通过“排除一种化学类型”的分析表明，当锂铁磷酸盐化学类型完全从训练中移除时，仍然能够实现有效的迁移。