《Sensors》：An Method of Assessing Lithium-Ion Battery State of Health Based on Interval Belief Rule Base
编辑推荐：
准确评估锂离子电池健康状态（State of Health，SOH）是电池管理系统安全可靠运行的基础。信念规则库（Belief Rule Base，BRB）可融合定量监测数据与定性专家知识以支持SOH评估，但现有BRB模型多输出点值，难以量化评估结果的不确定性
准确评估锂离子电池健康状态（State of Health，SOH）是电池管理系统安全可靠运行的基础。信念规则库（Belief Rule Base，BRB）可融合定量监测数据与定性专家知识以支持SOH评估，但现有BRB模型多输出点值，难以量化评估结果的不确定性，也无法表征评估的可信水平；传统证据推理（Evidential Reasoning，ER）在处理区间置信度时存在信息损失，且现有优化方法未将区间可靠性充分纳入目标函数。为此，研究人员提出一种基于区间信念规则库与区间证据推理（IBRB-IER）的SOH区间评估方法：将规则置信度由点值扩展为区间形式以实现不确定性量化；采用区间证据推理算法在融合全过程保留区间信息；设计融合均方误差、覆盖损失与宽度损失的多目标复合适应度函数，并利用带投影算子的协方差矩阵自适应进化策略（P-CMA-ES）进行全局参数优化，最终输出SOH估计区间。基于NASA数据集的实验验证了该方法在SOH区间评估中的有效性。
研究背景与问题提出
锂离子电池凭借高能量密度与轻量化特性，广泛部署于航空航天、电动汽车与储能系统（Energy Storage Systems，ESS）。随着服役时间增加，内部电化学反应导致容量衰减与界面退化，若老化状态未被准确识别，可能引发热失控甚至安全事故。现有SOH评估方法分为基于模型、数据驱动与混合方法三类：电化学与等效电路模型可刻画物理机制但计算复杂、适应性弱；数据驱动方法拟合能力强却缺乏可解释性，且在小样本下易过拟合；混合框架虽融合专家知识与数据，但传统信念规则库（BRB，基于Dempster-Shafer证据理论与模糊集理论构建的IF-THEN规则专家系统）仅输出确定点值，压缩了评估结论的置信信息，传统证据推理在融合区间置信度时造成信息损失，且优化目标常忽略区间覆盖概率与宽度的协同。
研究人员针对以上瓶颈，提出区间信念规则库—区间证据推理（IBRB-IER）框架，将规则结论的置信分布由点值扩展为区间，在递归融合中同步传播上下界，并以多目标复合适应度函数驱动参数学习，实现既紧凑又高覆盖的SOH预测区间输出。
主要关键技术方法
研究采用NASA PCoE公开的18650锂电池老化数据，选取B0005、B0006、B0007、B0018四组电池，以恒压充电时间、等压降恒流放电时间、电荷转移阻抗（由EIS拟合Randles电路获得）为输入特征，SOH定义为当前可用容量与额定容量（2.0 Ah）之比。关键方法包括：区间规则建模与参数化（置信中点pn,i,j与半宽δi,j）、高斯隶属度匹配与多规则并行激活、区间基本概率质量构造与区间证据递归组合、效用函数将区间置信分布映射为SOH数值区间、P-CMA-ES结合投影算子优化置信中点/半宽/权重/可靠性，适应度含MSE、区间覆盖损失与宽度损失。
研究结果
3.1 区间规则构建与参数化
研究人员为每属性独立建立参考区间规则，将第n个评价等级的置信度表示为区间 [p?δ, p+δ]，引入规则可靠性ri,j与权重wi,j，使不确定性显式可控：δ越大表示规则输出越不确定，r反映专家可信度。
3.2 规则激活机制
通过高斯隶属函数计算输入对各参考等级的匹配度并归一化，设置激活阈值τ并行唤醒相邻规则；若无规则激活则取各属性最大匹配规则，保证推理连续性与稀疏性。
3.3 区间证据推理
将激活规则视为独立证据，构造区间基本概率质量mL、mU与未分配不确定质量mD；递归组合时分别维护下界与上界两条路径，避免传统ER退化为中点后丢失散布信息。最终由区间置信度经效用值un得到点估计与区间 [SOHLow, SOHUp]。
3.4 多目标优化
适应度函数兼顾点误差（MSE）、覆盖损失（目标覆盖αtarget=0.90）与宽度损失（目标宽度Wtarget=0.15），权重λcov=2.0、λwidth=0.5；P-CMA-ES以投影算子满足置信中点归一化等式约束，离线完成全局寻优。
3.5 理论性质
区间半宽对应参数与认知不确定性，mD对应结构不完整，高斯平滑抑制测量噪声；在线推理复杂度O(Lact·N2)，规则参数仅百级浮点，适于嵌入式BMS；宽/窄区间可映射SEI生长、析锂与活性材料损失等老化机理。
实验验证
4.1 数据与特征
NASA四电池经清洗后按7:3划分训练/测试，特征与SOH相关性达?0.78~0.999，证明健康因子有效。
4.2 评价指标
区间质量采用区间覆盖概率（ICP）、平均区间宽度（AIW）、归一化宽度（N-AIW）、区间分数（IS）与CWC；点估计采用MSE、MAE、RMSE。
4.3 结果与跨电池泛化
B0005测试集ICP达97.78%，AIW约0.183，RMSE低；四电池独立实验中ICP稳定于90%~94%，AIW 0.17~0.20，RMSE 0.051~0.070；留一电池交叉验证（LOBO）下ICP>92.1%，区间不发散，证明规则推理捕获了通用退化特征而非过拟合单芯。
讨论与结论翻译
讨论指出，随机切分主要检验轨迹内插能力，LOBO进一步确认跨电池外推稳定性；区间宽度在工程中对应EOL（寿命终止）决策边界，过宽失去维护意义，过窄则漏覆盖，IBRB-IER在97.78%覆盖下仍保持约0.18宽度，兼顾灵敏与可靠。未来可探索规则剪枝、参数共享以轻量化，并引入温度—SOC解耦与超声参量提升变工况鲁棒性。
研究结论如下：研究人员提出了一种IBRB-IER区间评估方法，通过将置信度区间化、IER全程保界传播以及多目标P-CMA-ES优化，实现了锂离子电池SOH不确定性的可量化表达；该方法在NASA数据集上获得高覆盖、紧凑且物理可解释的预测区间，点估计精度与跨电池泛化能力均满足BMS工程需求，为安全边际决策与老化风险管理提供了透明推理工具。
现有解读已完成，接下来可以选择一个方向继续深化：
