Physics-Informed Transfer Learning for Cross-Condition State of Health Prediction of Lithium-Ion Batteries的学术翻译为：锂离子电池跨工况健康状态预测的物理信息迁移学习

《Electronics》：Physics-Informed Transfer Learning for Cross-Condition State of Health Prediction of Lithium-Ion Batteries

　　

摘要翻译
跨运行工况估算锂离子电池健康状态（SOH）具有挑战性，因为不同域之间的运行曲线、测量特征和退化轨迹各不相同。本研究提出了一种物理信息迁移学习（PITL）框架，该框架结合了公共健康描述符空间、参数函数分解以及PINN–DeepHPM正则化。对于动态曲线，在特征提取之前先进行开路电压重构；恒流数据则直接在相同的描述符空间中处理。在目标域适应过程中，选定的共享表示层被冻结，而预测器和动态约束参数保持可训练。在预定义的Cell_1#测试中，所得到的特征迁移配置相对于完全微调，在21700_Dynamics上将RMSE降低了23.53%，在CEPREI上降低了61.78%。在留一电池交叉验证中，PITL和完全微调在21700_Dynamics上的平均RMSE相当，而完全微调在CEPREI上更为准确。冻结约48%的参数减少了适应时间和峰值GPU内存。因此，部分冻结可以降低适应成本，但其精度收益取决于目标域。

论文解读

一、研究背景与问题

全球碳中和承诺加速了新能源汽车和电化学储能系统的部署，锂离子电池作为两者的核心部件，其健康状态（SOH）直接影响运行安全、可靠性和全生命周期成本。SOH通常定义为当前最大可用容量与额定容量之比，准确估计SOH可以降低热失控等安全风险、支持维护规划，并提升电池梯次利用效率。数据驱动的SOH估计方法已从时序卷积和循环模型发展到多源特征融合以及图像编码的健康表示，这些方法在训练与部署条件相似时能够刻画非线性退化过程。然而，当充电协议、信号质量、电芯化学体系或老化轨迹发生变化时，学习到的表示可能变得不稳定，跨工况研究因此日益关注分布偏移下健康信息的保持问题。

迁移学习为目标域数据有限时复用源域知识提供了一条途径，微调、无监督域适应和对抗域适应等方法已被广泛探索，但统计对齐本身并不保证对齐后的表示能保持健康特征与SOH之间具有物理意义的关系。物理信息神经网络（PINN）将退化相关约束纳入模型优化，研究人员的早期PINN方法实现了固定条件下的个性化SOH估计，但未解决工况域偏移后物理知识应如何保留和选择性适应的问题。

已有研究遗留两个相关问题尚未充分解决：其一，健康特征构建、迁移机制和物理正则化通常作为独立组件开发，难以判断迁移后的表示在目标域中是否保留相同的退化语义；其二，全局微调和潜在分布对齐并未明确区分应保留的源域参数与需要目标域特定适应的参数。本研究通过公共描述符空间和参数函数分解解决上述问题，同时评估预测性能和适应成本。

二、研究内容与主要发现

针对上述空白，本研究开发了物理信息迁移学习（PITL）框架，用于可靠且计算高效的跨工况SOH预测。主要贡献包括：开发了条件一致的健康特征流水线，动态曲线在平均分段电压处理之前进行开路电压重构以抑制瞬态极化，恒流数据在相同的趋势和电化学描述符空间中直接处理；提出了参数函数分解策略，将可迁移的共享表示与目标自适应预测器和动态约束模块分离，目标域适应期间冻结选定的共享层而优化其余参数；在统一协议下实现了四种策略（PITL、完全微调、MMD对齐和CORAL对齐）；通过预定义Cell_1#测试、跨所有目标细胞的LOCO验证、小样本实验和适应时间及内存直接测量评估了跨细胞鲁棒性和计算成本。

研究得出以下主要结论：在预定义Cell_1#测试中，特征迁移配置相对于完全微调在21700_Dynamics上降低了RMSE 23.53%，在CEPREI上降低了61.78%；在LOCO验证中，PITL和完全微调在21700_Dynamics上的平均RMSE相当，但完全微调在CEPREI上更准确；冻结约48%的参数减少了适应时间和峰值GPU内存。因此，部分冻结可以提供精度-成本方面的有用选择，但不应被视为在所有情况下都优于完全微调。该论文发表于《Electronics》。

三、关键技术方法

研究人员采用了以下几项关键技术方法。第一，物理信息神经网络结合深度隐式物理模型（PINN–DeepHPM）作为物理约束分支，通过自动微分提供时间和特征导数，DeepHPM用于识别潜在退化动力学。第二，开路电压重构方法，采用双极化等效电路模型结合遗忘因子递归最小二乘（FFRLS）在线参数辨识，分离瞬态极化并估计反映热力学平衡状态的开路电压。第三，平均分段电压处理与健康特征提取，将OCV范围划分为等长分段，计算差分容量和累计容量，提取趋势特征（线性拟合斜率和截距）与电化学特征（最小差分容量和差分容量方差）。第四，参数函数分解与选择性冻结策略，将预训练参数划分为可迁移的共享表示块、任务特定预测器和动态约束模块，适应期间冻结选定共享层。第五，分布对齐基线方法，包括最大均值差异（MMD）和CORAL，在统一框架下评估。实验数据方面，源域采用Severson数据集（124节LFP电芯），目标域包括21700_Dynamics数据集（4节NCM电芯）和CEPREI数据集（6节半固态LFP电芯）。

四、实验结果

物理输入配置影响分析：在21700_Dynamics动态条件下，配置3（u）表现最优，RMSE为0.32%，MAE为0.29%，MAPE为0.30%，R2为0.9860；直接约束退化状态变量可避免引入放大局部数值波动的额外导数项。在CEPREI恒流条件下，配置1（X）误差最低，RMSE为0.14%，MAPE为0.13%，R2为0.9982；稳定运行曲线下健康描述符到SOH的映射最为准确。较复杂的配置（10和14）在动态条件下表现较差，配置9和12在恒流条件下出现负R2。

预定义Cell_1#迁移对比：对于21700_Dynamics Cell_1#，完全微调RMSE为0.4169%，特征迁移配置为0.3188%，相对降低23.53%；对于CEPREI Cell_1#，RMSE分别为0.3697%和0.1413%，相对降低61.78%。MMD在两个预定义测试细胞上均产生负R2值。

留一电池交叉验证：在21700_Dynamics上，完全微调、PITL、MMD和CORAL的RMSE分别为0.5582±0.1498%、0.5624±0.1456%、0.5865±0.1707%和0.5821±0.1488%，四种策略的细胞平均误差相近。在CEPREI上，对应LOCO RMSE分别为0.4522±0.2512%、0.7926±0.4929%、0.8108±0.6309%和0.7402±0.5291%，完全微调获得最低平均RMSE，其他三种方法表现出较大的细胞间变异性。

小样本适应实验：使用20%和30%的非留出目标细胞轨迹数据。在21700_Dynamics上，20%数据时完全微调和PITL的RMSE分别为0.5686%和0.6292%，30%时分别为0.5611%和0.6017%；在CEPREI上，两种方法在20%时分别为1.2078%和1.3315%，30%时分别为1.0949%和1.1863%。增加目标数据比例在CEPREI上带来了适度平均改进。

MMD敏感性与额外基线公平性：在4×3网格的损失权重和核带宽尺度上评估MMD，验证RMSE在21700_Dynamics上为0.4878%–0.6772%，在CEPREI上为0.5755%–3.1758%。验证选择了21700_Dynamics的权重0.01和带宽尺度0.25，CEPREI的权重0.1和带宽尺度4。统一潜在空间实现下，平均LOCO R2在21700_Dynamics上为0.9488±0.0299，CEPREI上为0.9515±0.0876。

计算负担：在NVIDIA GeForce RTX 5070 GPU上测量，PITL冻结了16,512个参数，占21700_Dynamics模型的48.1%和CEPREI模型的47.6%。21700_Dynamics上完全微调平均适应时间为6.97秒，PITL为6.74秒；CEPREI上分别为17.64秒和15.36秒。完全微调/PITL的峰值分配GPU内存为21700_Dynamics上6.32/5.40 MB，CEPREI上8.44/6.93 MB。推理延迟为每样本0.0118–0.0157毫秒。

五、讨论与结论

研究结果表明，部分冻结在固定电池测试中带来了显著的RMSE降低，但在更广泛的LOCO验证中优势减弱，说明其精度收益具有目标域依赖性。适应性能取决于可用的目标数据和对齐设置。本研究的证据局限于4个和6个目标电池、固定的物理输入配置以及每个LOCO折内的单次运行训练，随机变异性未与细胞间变异性分开评估。未来工作将考察嵌套配置选择、重复运行以及更多化学体系和温度条件。研究结论为：PITL框架实现了动态和恒流条件下的SOH预测，公共描述符空间支持使用统一特征空间，但优选物理输入仍取决于运行条件；部分冻结在预定义测试中显著降低RMSE，LOCO结果则提供了更谨慎的结论，表明部分冻结提供了有用的精度-成本选项，不应被视为统一优于完全微调。