运动因子鸢尾素(Irisin)在衰老和阿尔茨海默病中的神经保护作用

《Biomolecules》:Irisin as an Exerkine of Neuroprotection in Aging and Alzheimer’s Disease Zachary J. White and Stephanie E. Hall

【字体: 大 中 小 】 时间:2026年05月08日 来源:Biomolecules 4.8

编辑推荐:

  锂离子电池(LiB)在电动汽车和电池储能系统(BESS)中的应用日益广泛。对这些应用而言,可靠性至关重要,它影响着长期的采用率和投资回报,尤其是与电池更换相关的决策。剩余使用寿命(RUL)预测是避免意外故障和实现主动式电池维护的核心。研究人员已探索了基于物理和

  
锂离子电池(LiB)在电动汽车和电池储能系统(BESS)中的应用日益广泛。对这些应用而言,可靠性至关重要,它影响着长期的采用率和投资回报,尤其是与电池更换相关的决策。剩余使用寿命(RUL)预测是避免意外故障和实现主动式电池维护的核心。研究人员已探索了基于物理和数据驱动的方法,而物理信息神经网络(PINN)可以结合两者的优势来估算电池RUL。本文研究了将龚珀兹(Gompertz)函数(一种本质可解释的白盒模型)整合到长短期记忆(LSTM)网络中的方法,以遵循退化的物理规律,从数据中捕捉向下单调行为和长期依赖性,从而形成龚珀兹信息LSTM(GILSTM)。纯粹的LSTM被视为黑盒系统,电池储能系统(BESS)运营商等关键基础设施运营商可能不愿使用此类系统。灰盒模型(如GILSTM)可以通过提高模型的可解释性,帮助行业采用者了解何时能从数据驱动建模中获益,从而克服这一障碍。本研究探索了两种GILSTM架构。第一种使用LSTM预测龚珀兹参数,然后通过龚珀兹逆方程转换为RUL。第二种将龚珀兹逆方程用作验证步骤,以交叉检查LSTM生成的RUL值。第一种GILSTM通过物理损失和龚珀兹逆层来约束以预测RUL,而第二种则验证了LSTM的结果,尽管GILSTM未能实现泛化。第一种GILSTM实现了平均22.97%的均方根误差(RMSE),而第二种实现了平均26.99%的RMSE。本文中的模型还在前100个循环上进行了基准测试,这是目前电池退化测试的最先进水平。最佳的整体实现是LSTM2,它通过递归预测健康状态(SoH)来预测RUL,其每个循环的平均RMSE为9.18%,第100个循环的RMSE为17.02%。本研究评估了黑盒LSTM的预测精度与龚珀兹模型的物理可解释性之间的权衡。虽然纯LSTM提供了更高的精度,但龚珀兹参数在85%健康状态(SoH)时趋于稳定。这个85%的阈值作为一个可解释的置信度触发点,告知BESS运营商何时可以依赖LSTM的RUL预测。
论文解读:龚珀兹信息LSTM用于锂离子电池剩余寿命预测
一、研究背景、问题与动机
随着全球对可再生能源(如太阳能、风能)利用的增加,电网面临间歇性发电与实时电力需求匹配的挑战。电池储能系统(BESS)在此背景下扮演着关键角色,其有助于存储过剩能量、调度电力、进行能源套利以及维持电网频率。其中,锂离子电池(LiB),特别是锂铁磷酸盐(LFP)电池,因其成本效益、热稳定性和安全性,在BESS和电动汽车(EV)领域的应用日益广泛。然而,锂离子电池在循环使用过程中会发生不可逆的容量衰减,导致其健康状态(SoH,State of Health)下降,直至达到寿命终点(EoL)。准确预测电池的剩余使用寿命(RUL,Remaining Useful Life),对于避免系统意外故障、实现预测性维护、优化资产管理和保障投资回报至关重要。
目前,预测电池RUL的方法主要分为基于物理的模型和数据驱动的模型。基于物理的模型(如龚珀兹函数)具有很好的物理可解释性,但通常需要详细的电化学知识,并且对早期寿命阶段的预测可能不稳定。数据驱动模型(特别是长短期记忆网络,LSTM)能够捕捉复杂的非线性时序关系,预测精度较高,但常被视为“黑盒”模型,其内部决策过程不透明,这在需要高可靠性的关键基础设施(如电网级BESS)运营中是一大障碍。为了兼顾预测精度和模型可解释性,近年来出现了结合两者优势的物理信息神经网络(PINN,Physics-Informed Neural Networks)。
本研究正是为了应对这一挑战而开展。研究人员旨在通过整合龚珀兹函数(一种具有向下单调特性的物理退化模型)与LSTM网络,开发一种新型的灰盒模型——龚珀兹信息LSTM(GILSTM,Gompertz-Informed LSTM),以期在保持LSTM高预测能力的同时,引入物理约束,增强模型的物理一致性和可解释性。该研究对电池RUL预测领域,特别是面向工业应用的模型透明化,具有重要的理论探索和实践意义。
二、关键技术方法概述
本研究主要采用了基于龚珀兹函数的物理建模、长短期记忆网络(LSTM)的数据驱动建模以及两者结合的混合建模方法。研究所用数据集为华中科技大学(HUST)提供的LFP电池数据集,包含77个标称容量为1.1 Ah的电池单体在30°C恒温下的循环充放电数据。关键方法包括:
  1. 1.
    数据处理:从原始数据中提取电流、电压、时间、循环次数等变量,通过库仑计数法计算荷电状态(SoC,State of Charge),并进而计算健康状态(SoH)。将SoH归一化,并将循环寿命(RUL)定义为SoH降至0.7(对应于标称容量的80%)时的剩余循环次数。
  2. 2.
    龚珀兹模型:将龚珀兹函数(y=kexp(-aexp(-b*x)))拟合到SoH退化曲线上,提取参数k, a, b。通过其逆函数(gGompertz-1)在给定目标SoH(y=0.7)时计算RUL。研究评估了基线龚珀兹拟合(基于完整SoH曲线)和实时龚珀兹测试(基于部分历史数据)的性能。
  3. 3.
    LSTM模型:设计了两种LSTM结构。LSTM1直接根据历史SoH序列预测RUL;LSTM2递归预测下一周期的SoH,通过迭代预测直至SoH降至阈值来计算RUL。两者均以窗口大小(WS)为100的历史SoH序列作为输入。
  4. 4.
    GILSTM模型:提出了三种GILSTM架构。GILSTM1和GILSTM2通过LSTM从SoH数据预测龚珀兹参数k, a, b,再通过逆龚珀兹层计算RUL,两者区别在于训练数据范围(前者仅用前100个循环,后者用全部)。GILSTM3则先用LSTM2递归预测完整SoH曲线,再对预测曲线进行龚珀兹拟合以获取参数并计算RUL,以此作为对LSTM2预测的验证。GILSTM1和GILSTM2在训练中引入了包含数据损失、物理损失(基于龚珀兹函数一阶导数)和RUL损失的加权损失函数,以约束模型遵循物理退化规律。
三、研究结果
4.1. 龚珀兹数据分析与建模结果
  • •
    龚珀兹参数数据分析与基线拟合:对完整SoH曲线的龚珀兹拟合分析显示,龚珀兹参数b与电池RUL呈现高达0.89的强正相关性,参数k和a也与RUL相关。基线龚珀兹拟合(已知完整曲线)的RUL预测均方根误差(RMSE)仅为27.9个循环(1.4%),证明了龚珀兹模型在理想情况下的描述能力。
  • •
    建模结果:对比各模型的RUL预测性能(见表6,摘要部分已提及具体数值),LSTM1和LSTM2在所有模型和所有寿命阶段中表现最佳。GILSTM1和GILSTM2的预测精度显著低于纯LSTM模型。GILSTM3的验证性能也逊于LSTM2。实时龚珀兹测试在早期循环(如前100个循环)表现出极高的RMSE(例如在100循环时高达861%),说明在SoH较高时,龚珀兹模型预测极不稳定。
  • •
    龚珀兹参数的可操作化:对龚珀兹参数k, a, b及其导数(gGompertz和gGompertz')的纵向分析发现,在电池SoH高于约85%-90%的早期阶段,这些参数呈现高波动性;而当SoH降至85%以下时,参数迅速趋于稳定。这一稳定点可作为模型预测置信度的关键指标,如图16和图17所示。
  • •
    GILSTM的消融研究:通过对GILSTM损失函数各组成部分(数据损失、物理损失、RUL损失)的消融实验(表7)发现,包含物理损失并未带来预测性能的额外提升,而移除RUL损失会导致性能恶化。这表明GILSTM性能不佳的根源在于其架构设计,而非单纯的优化问题,模型倾向于预测训练集参数的平均值,而未能有效捕捉单个电池的特异性退化轨迹。
四、讨论与结论
讨论:研究表明,LSTM模型(特别是LSTM2)在捕获电池退化时序动态方面表现出色,预测精度接近最先进的模型。龚珀兹模型在拥有完整SoH曲线时表现出卓越的基线性能,并提供了宝贵的物理可解释性。然而,在SoH高于0.9的早期阶段,龚珀兹逆函数在数值上不稳定,对参数噪声极为敏感,导致RUL预测剧烈波动。这种不稳定性是GILSTM模型性能不佳的主要原因。GILSTM在训练过程中,过强的物理约束和RUL损失权重起到了限制性正则化的作用,迫使模型参数预测向数据集均值靠拢,而非学习电池个体的特定退化模式,因此未能实现预期的泛化能力。未来工作需解决龚珀兹函数在早期高SoH区域的不稳定性问题,并探索更优的混合架构。
结论:本研究表明,尽管数据驱动模型和基于物理的模型在LFP电池RUL预测中各有优势,但构建高价值、可解释的混合模型仍面临重大挑战。LSTM1和LSTM2是最准确的预测器,其性能与最先进的模型相差在3.4%以内。龚珀兹模型在SoH曲线已知时展现出优异的基线性能(1.4% RMSE),并提供了卓越的物理视觉可解释性。研究发现,当SoH降至85%以下时,龚珀兹参数趋于稳定,这为电池储能系统(BESS)运营商提供了一个关键的数学信号,可用于判断何时可以高置信度地依赖自动化RUL预测。因此,LSTM2可作为更优的RUL预测器,而龚珀兹模型则可充当置信度监测器。然而,龚珀兹信息LSTM(GILSTM)未能有效弥合数据驱动与基于物理模型之间的差距,其性能不佳主要源于过度拟合以及参数预测向均值集中的趋势。未来研究应聚焦于改进架构设计、扩充电池数据集以及优化用于参数预测的物理信息神经网络(PINN)模型的开发。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号