无需实际使用参考循环，仅通过现场电动汽车数据诊断电极级降解模式

《JOURNAL OF POWER SOURCES》：Diagnosis of electrode-level degradation modes from field EV data without in-life reference cycles

　　摘要：通过机制性开路电压重建，可对电池退化进行可解释的诊断，但现有方法需要参考容量，而这种容量在实际车辆中很难获得。我们提出了一种无需参考容量的方法——仅需在制造阶段进行一次初始状态表征——该方法通过单一的现场数据模式，实现健康状态估算、伪开路电压重建以及电极级退化模式识别。通过高斯过程平滑将充电量增量映射到参考开路电压曲线，从而得到初步的健康状态轨迹，该轨迹为ΔQ方法提供了基准，其化学计量参数则通过电压区间加权损失函数进行拟合，以修正现场数据中高电量状态下的偏差。将该方法应用于三款量产电动车的多年数据后，可区分正常老化与异常的快速衰减现象。正极活性材料损失和锂库存损失是主要的退化模式，而负极活性材料损失则因负极剩余容量而得到缓冲。电压区间加权使重建误差降低了45%。通过与未基于驾驶数据拟合的独立单粒子模型对比，该方法对每辆车的老化阶段驾驶电压的预测误差在9–13毫伏之间。由于仅需车载的电压松弛值和充电记录，该框架适用于整个车队的健康监测。

引言：随着电动汽车市场的快速发展，准确估算电池健康状态已成为确保安全运行、优化充电控制以及评估电池残值的重要前提[1][2][3]。健康状态通常定义为电池满电容量与其初始值的比值。然而，这一单一标量指标无法揭示电池的退化路径：即使健康状态相同，但使用历史不同的电池，其未来的退化趋势也可能存在显著差异[4][5][6]。这种路径依赖性源于多种电化学退化机制的相互作用，这些机制通常可归为三种退化模式：锂库存损失、负极活性材料损失以及正极活性材料损失[7][8]。由于这些退化模式会改变构成电池电压的各电极开路电位，因此通过电极级参数重建整个电池的开路电压，能为退化诊断提供具有物理意义的途径，而这正是单一健康状态指标所无法做到的。

在实验室条件下，数据驱动方法已在电池健康状态估算和循环寿命预测方面展现出高精度。Severson等人[11]证明机器学习能够根据早期循环的放电电压曲线预测循环寿命，后续研究进一步发展了这一技术，包括深度神经网络应用[12]、基于特征外推的退化模式识别[13]、迁移学习[14]以及基于阻抗的特征提取[15]。尽管取得了这些进展，纯数据驱动方法仍存在两个固有缺陷：其一，它们通常需要大量实验室循环数据才能训练，且难以推广到未知的电池化学体系或实际运行条件[16][17][18]；其二，训练得到的模型本质上是黑箱——它们仅能估算出健康状态指标，却无法识别决定未来老化行为的电极级退化机制。

机制建模方法则通过将整个电池的开路电压视为两个半电池开路电位的差值来克服可解释性难题，这两个半电池的电位化学计量范围由定位参数来确定[8][19]。通过将这些参数拟合到实测电压数据上，即可同时估算健康状态及各种退化模式。Bloom等人[9][20]率先提出了用于无损退化识别的差分电压分析方法，此后该框架又得到了增量容量分析方法的补充[21][22][23]，并且已被扩展到更高倍率及不同温度条件下的应用[19][24]，还可用于不同电流倍率下的部分充电过程分析[25][26]。最近，Hofmann等人[27]提出了ΔQ方法，该方法仅依赖于电压松弛点及其之间的充电量，因此不受充电倍率的影响，几乎在每次充电或驾驶后均可使用。在该方法基于宝马i3车型车队数据进行的验证中，其平均绝对健康状态误差为2.52%，开路电压重建误差为7.19毫伏。

尽管取得了这些进展，所有现有的机制建模方法都存在一个共同的现实限制：它们都需要一个参考容量——无论是来自测试台的测量值还是可信的车载估算值——以此作为化学计量拟合的基准，并根据确定的定位参数计算健康状态[25][27][28][29][30]。此外，这类方法通常要求在较低的充电倍率下工作，且电池电量状态需覆盖较宽的范围：在[25]中所研究的电池类型中，要可靠地估算退化模式，充电倍率需控制在C/15以下，而电量状态在20%–70%之间时才足够精确，若充电倍率为C/30，则仅能在10%–80%的电量范围内获得准确的容量估算。而在实际电动汽车的运行中，这些条件很少能满足——充电往往是不完整的，驾驶模式缺乏规律，且电池电量状态多集中在70%–90%的高值区间。此外，这些方法还假定半电池开路电位的参考曲线是精确的；由于这些曲线会随温度变化，实际运行温度与特性测试温度不一致会导致化学计量参数出现偏差。更根本的问题在于，这一反问题本身的可辨识度较低：电压松弛量仅能限定边界化学计量参数之间的差异，因此定位参数并不确定，存在多组可能的不同开路电压曲线（见第3.2节）。通常情况下，可通过电量状态处于中间时的曲线曲率来消除这种不确定性，但当现场数据主要集中在曲率较低的较高电量状态区域时，这一问题就会变得十分突出。退化模式的可辨识度与可用电量状态范围的关联已通过理论分析得到证实[31]，此类反问题的不适定性也有大量文献记载[32]。

来自量产电动汽车的现场数据还带来了其他挑战：缺乏实验室级别的真实测量值，商用传感器会产生噪声，且不同车辆的使用模式也存在较大差异[16][33]，这些都促使人们越来越多的关注实际电动汽车的健康状态诊断技术[34][35][36][37][38]。虽然已有一些研究采用数据驱动方法基于实际电动汽车数据估算健康状态[17][39][40][41]，近期也有研究通过车载或现场数据重建开路电压-电量状态曲线，以实现电池状态和容量估算[42][43][44]，但目前尚无研究能够在不依赖任何外部容量参考的情况下，对非结构化的现场电动汽车数据应用完整的机制性开路电压重建框架。本研究正是为填补这一空白而开展：它以ΔQ方法作为核心机制，但通过仅利用现场电动汽车数据生成内部容量参考，消除了该方法的最后一个外部依赖——即参考容量基准——并将此参考值应用于电极级退化模式的分析，同时还会通过基于独立单粒子电解液模型的方法，对重建得到的各状态进行样本外验证。在本研究中，“无需参考容量”意味着在电池整个使用周期内均无需任何老化状态下的容量参考值：无需定期进行性能测试、实验室容量检测，也无需依赖任何可信的车载健康状态估算。唯一的初始输入是在制造阶段获得的初始容量及全新的半电池开路电位曲线，这些数据一旦获取便不再重新测量；第4.3节将量化该流程对这些初始数据的容忍度。因此，本研究要解决的核心问题十分明确：现有的电极级机制诊断方法需要依赖实际运营中的电动汽车无法提供的参考容量。本研究的贡献主要有三点：一是提出了一种两阶段流程，能够仅通过现场数据生成内部容量参考，并将其应用于电极级退化模式的分析；二是采用了电压区间加权损失函数，可修正现场数据中因电量状态分布不均导致的电压覆盖偏差；三是针对每辆汽车，通过独立的单粒子电解液模型对重建得到的退化模式进行样本外交叉验证。

具体而言，我们提出了一种无需参考容量的两阶段流程。在第一阶段，通过将实测的充电量增量与初始电池开路电压曲线进行比较，直接从部分充电/放电过程中估算出健康状态轨迹，随后再通过高斯过程回归进行平滑处理[45]，从而得到符合物理规律的容量变化趋势。在第二阶段，经过平滑处理后的健康状态轨迹被用作ΔQ方法的容量参考，通过最小化一种考虑了电量状态分布不均因素的电压区间加权损失函数，即可确定相关的化学计量定位参数。为限制 otherwise 不适定的重建结果，该流程还将这种加权处理与低电量状态边界约束以及物理规则项相结合，即便在现场数据的电压覆盖范围较窄的情况下，也能确定电极级的化学计量极限——这是具有全电压范围覆盖的实验室开路电压重建方法所不具备的稳健性。

本文的其余结构如下：第二节介绍了本研究所使用的现场数据集及数据段提取方法；第三节阐述了所提出的两阶段方法及电化学交叉验证流程；第四节报告了整车层面的分析结果及独立的电化学交叉验证结果，同时对估算出的退化模式进行了分析，并进行了消融实验和敏感性分析，最后讨论了研究的局限性及未来工作方向；第五节为本文总结。

片段摘录：

现场数据集与数据段提取：本研究从三辆配备了传感器的量产电动汽车中收集了高分辨率的多年时间序列数据，这些车辆的VIN编号分别为1、2和3，这些数据既用于方法开发，也用于长期退化分析。由于缺乏实验室级别的真实测量数据，如标准的开路电压测试或参考容量测量，本研究中的所有电池健康状态指标都是通过从现场获取的原始运行数据推断出来的。这三辆汽车属于同一型号。

方法论：本研究提出的框架建立在Hofmann等人[27]所提出的机制建模方法之上，该方法被称为ΔQ方法。在该方法中，整个电池的开路电压被表述为两个半电池开路电位Up和Un的差值，这两个电位的化学计量范围由四个定位参数决定。给定一组电压松弛点{V1,V2,…,VN}以及相邻点之间的充电量积累值{ΔQ1,ΔQ2,…,ΔQN?1}，可通过最小化特定函数来确定这些定位参数。

结果与讨论：将所提出的两阶段流程应用于第二节中描述的整车级别纵向数据集（VIN 1、2和3）。VIN 1显示出异常的快速容量衰减现象，而VIN 2和3则呈现典型的老化趋势。

结论：本研究提出了一种无需参考容量的两阶段流程，能够基于非结构化的电动汽车现场数据诊断电极级的电池退化，而无需现有机制方法所必需的参考容量。随后，通过基于独立单粒子电解液模型的电化学交叉验证，对这些从现场数据中识别出的退化模式进行了验证，且无需再次基于驾驶数据进行分析。第一阶段通过部分数据即可估算出健康状态轨迹。

CRediT作者贡献说明：Kyeongeun Cho：撰写——初稿、可视化、验证、软件、方法论、研究、形式分析、数据整理、概念设计。Wooju Lee：资源协调、研究工作。Jung-Il Choi：撰写——审稿与编辑、监督、项目管理、资金申请、概念设计。

关于写作过程中生成式人工智能及人工智能辅助技术的声明：在准备本文档时，作者们使用了Claude（Anthropic）工具来润色文本。在使用该工具之后，所有作者都对内容进行了必要的审阅和修改，并对最终发表的内容承担全部责任。

利益冲突声明：作者们声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢：本研究得到了韩国贸易、工业和能源部资助的技术创新计划（工业战略技术发展计划——用于预测和早期诊断电动汽车电池热失控的软件技术开发项目，项目编号RS-2025-02318120）以及韩国技术进步研究院在工业创新人力发展计划下提供的资助（项目编号RS-2024-00420590）。我们还要感谢以下人员的支持：Kyeongeun Cho | Wooju Lee | Jung-Il Choi，韩国延世大学数学与计算学院（计算科学与工程系），首尔03722。