《Journal of Energy Storage》：Physics-informed hybrid digital twin for electric aircraft battery state of function: A probabilistic mission success approach
编辑推荐：
电动垂直起降（eVTOL）飞机的运行安全性严格依赖于电池性能极限的可靠估计。然而，传统的荷电状态（SoC）和健康状态（SoH）指标无法预测"静默失效"——即尽管剩余能量充足，但在高功率悬停需求下，特别是在寒冷天气或老化条件下，端电压崩溃的关键事件。针对航空领域
电动垂直起降（eVTOL）飞机的运行安全性严格依赖于电池性能极限的可靠估计。然而，传统的荷电状态（SoC）和健康状态（SoH）指标无法预测"静默失效"——即尽管剩余能量充足，但在高功率悬停需求下，特别是在寒冷天气或老化条件下，端电压崩溃的关键事件。针对航空领域真实运行至失效数据稀缺的重大挑战，本研究提出了一种物理信息混合数字孪生框架，用于概率性功能状态（SoF）估计。研究人员使用一阶戴维宁等效电路模型（First-Order Thevenin Equivalent Circuit Model）开发了一个高保真合成数据生成引擎，该引擎针对高功率6S14P Sony-Murata VTC-6电池组进行了校准。该引擎通过随机改变环境温度（-10°C至40°C）、退化水平以及负载剖面（Nominal、Aggressive、Eco）模拟了N=3000次不同的飞行任务。所生成的物理引导数据集用于训练混合机器学习架构，该架构包括用于剩余使用寿命（RUL）回归的XGBoost和用于任务成功分类的随机森林。在未见测试数据上的验证结果展示了优越的预测性能，实现了回归决定系数（R2）为0.9733，分类F1分数（F1-Score）为0.9718。至关重要的是，该模型成功识别了零下操作中的电压崩溃风险，而传统基于能量的指标仍保持乐观。通过将SoF重新定义为"任务完成概率"，该框架提供了一个稳健且可解释的安全观测器，这对于下一代电动飞机的认证至关重要。
在航空电气化加速的背景下，电动垂直起降（eVTOL）飞机作为城市空中交通和短途物流的关键解决方案，其运行安全性严格依赖于电池性能极限的可靠估计。传统电池管理系统（BMS）主要关注荷电状态（SoC）和健康状态（SoH），然而这两者无法预测“静默失效”——即低温或老化条件下，尽管剩余能量充足，高功率悬停需求却导致端电压崩溃的关键事件。由于eVTOL在垂直起降等关键飞行阶段对电池功率有极高要求，这种失效可能带来灾难性后果。此外，真实航空飞行失效数据极其稀缺且采集危险，使得纯数据驱动方法受限。针对此挑战，研究人员提出一种物理信息混合数字孪生框架，将SoF重新定义为“任务完成概率”，旨在实现更安全、更可靠的电池功能状态估计。该论文发表在《Journal of Energy Storage》。
为开展研究，研究人员使用一阶戴维宁等效电路模型（First-Order Thevenin ECM）构建高保真合成数据生成引擎，该引擎基于公开eVTOL电池数据集校准的索尼Murata VTC-6电池组特性（OCV-SoC曲线、内阻和容量）。引擎随机变化环境温度（-10°C至40°C）、三个退化水平及三种负载剖面（Nominal、Aggressive、Eco），模拟N=3000次不同飞行任务。生成的物理引导数据集用于训练混合机器学习架构：XGBoost用于剩余使用寿命（RUL）回归，随机森林用于任务成功分类。评估在750次未见任务（占总数据25%）上进行，统计性能和10个代表性场景行为分析共同验证模型能力。
研究结果分为两个部分。首先，在**Results and discussion**阶段，对全测试集进行统计性能分析，回归决定系数R
2达到0.9733，分类F1分数达到0.9718，表明模型在回归和分类任务上均具有卓越预测精度。其次，通过对10个代表性场景的详细行为分析，模型成功识别了零下温度操作中的电压崩溃风险，而传统基于SoC的指标在这些场景下仍显示乐观，证明其检测“静默失效”的能力。该模型将SoF从瞬时功率极限重新定义为任务完成概率，提供了一个稳健且可解释的安全观测器，有助于eVTOL航空认证。
在讨论部分，研究人员强调，与传统方法相比，该框架通过物理引导合成数据克服了真实运行失效数据稀缺的瓶颈，并能够区分温度引起的阻抗上升与容量衰减等不同失效根源。模型在极端条件下（如-10°C低温）展现出优越的失效预警能力，弥补了传统SoC和SoH指标的盲区。最后，**Conclusion**部分明确总结：在eVTOL航空新兴领域，储能系统的安全性至关重要。本研究提出的物理信息混合数字孪生框架，将功能状态（SoF）估计为任务完成的概率，而非瞬时功率极限。通过整合基于Murata VTC-6电池实验特性校准的一阶戴维宁等效电路模型与稳健的机器学习算法（XGBoost和Random Forest），该框架能够在真实数据不可得的条件下合成电化学失效流形，从而在飞行前发现静默失效模式。这一成果为下一代电动飞机的认证提供了鲁棒且可解释的安全观测器，并指明了未来将实时数据集成至数字孪生以提升模型普适性的研究方向。
