基于数据-机理双驱动框架的新型异构动态融合模型用于自主水下航行器锂离子电池健康状态预测

《World Electric Vehicle Journal》：Novel Heterogeneous Dynamic Fusion Model Based on a Data-Mechanism Dual-Driven Framework for a State-of-Health Prediction of Lithium Batteries in Autonomous Underwater Vehicle Applications

　　

准确的锂离子电池健康状态（SOH）预测对于保障自主水下航行器（AUV）在海洋作业中的长航时与系统安全至关重要。然而，由于复杂的水下作业条件，AUV中的数据采集通常仅限于通信周期内的静置阶段，该阶段数据常伴有不完整性和高频传感器噪声。因此，现有电池SOH预测方法难以确保AUV应用中电池内部退化轨迹的估计精度与模型鲁棒性。本文提出一种基于数据-机理双驱动（DMDD）框架的新型异构动态融合模型，用于AUV应用中锂离子电池的SOH预测，创新性地利用放电后静置阶段提取的特征。首先，设计了一种基于四分位距截断与Savitzky–Golay算法的双滤波策略，有效消除原始数据中的瞬态尖峰和高频伪影。其次，开发了一种两阶段特征筛选架构，既能滤除统计冗余，又能阐明提取特征与电池退化之间的电化学机理。此外，构建了包含随机森林（RF）、支持向量回归（SVR）和门控循环单元（GRU）网络的异构融合模型。在此基础上，提出一种基于K近邻（KNN）与最小方差无偏估计（MVUE）的自适应动态融合策略，能够针对不同老化阶段的特性进行局部最优信用分配。实验验证全面证明了基于DMDD框架的异构动态融合模型在整个电池生命周期中的优越性能。具体而言，所提出的异构动态融合模型可实现决定系数（R²）超过0.99907，平均绝对误差（MAE）和均方根误差（RMSE）分别保持在0.33958%和0.56211%以内，显示出在AUV应用中电池SOH预测的满意精度。

论文解读文章

研究背景与问题

随着全球海洋勘探与开发的快速扩展，自主水下航行器（AUV）已成为海洋研究、海底资源勘探和海洋防御等领域不可或缺的核心装备。锂离子电池（LIB）系统作为AUV的关键部件，其长航时与可靠性直接决定海洋任务的成败。然而，水下环境中的强电磁噪声和动态负载波动会使LIB在反复充放电循环中不可避免地出现极化电阻增加和活性材料损失，导致性能渐进退化。因此，精确评估LIB的健康状态（SOH）至关重要。SOH不仅是当前可用容量的指标，也是早期故障预警、保障AUV潜航与上浮安全以及制定回收计划的关键依据。

现有SOH预测方法主要分为模型驱动和数据驱动两类。模型驱动方法依赖于复杂的内部电化学反应机理构建微分方程或等效电路，虽然结合递归滤波算法在理想实验室条件下能达到较高精度，但需要严格动态输入且计算开销大，难以适应AUV的严格机载约束。此外，模型驱动方法通常需要高频连续动态脉冲电流，而AUV由于水下通信障碍和声学静默要求，常处于长时间低功率静置或间歇巡航状态，使得依赖高频动态响应的传统方法难以应用。数据驱动方法虽无需先验物理模型且泛化能力强，但直接应用于AUV静置阶段SOH预测面临三个关键挑战：海洋噪声干扰与数据预处理不合理、静置阶段特征提取盲目且机理不可解释、单一或同质集成模型在有限静置数据下存在预测瓶颈。具体而言，AUV内部电磁环境会在静置阶段电压和电流数据中引入高频噪声和瞬态尖峰，传统全局平滑算法易将这些尖峰误判为退化特征；现有特征选择方法多基于浅层统计相关性，忽略了多维特征间的复杂非线性交互；传统数据驱动模型无法明确解释特征与电化学退化过程之间的机理；电池中后期非线性加速退化使得单一模型难以兼顾全局稳定性与局部敏感性；现有融合方法多采用同质基学习器，误差协方差大，易在复杂水下条件下出现集体预测失败。

研究内容与结论

针对上述问题，研究人员提出一种基于数据-机理双驱动（DMDD）框架的新型异构动态融合模型，专门针对LIB在AUV应用中静置阶段的SOH预测。该模型由随机森林（RF）、支持向量回归（SVR）和门控循环单元（GRU）三种异构基模型构成，并设计了基于K近邻（KNN）与最小方差无偏估计（MVUE）的自适应动态融合策略。实验采用双源数据集：公开的CALCE CS2电池数据集（含锂钴氧化物正极）以及自建的WB 18650锂电池多倍率放电老化数据集。结果表明，该模型在整个电池生命周期内具有优越性能，决定系数（R²）稳定保持在0.99907以上，平均绝对误差（MAE）和均方根误差（RMSE）分别保持在0.33958%和0.56211%以内，明显优于单一基模型和静态平均集成方法，展现出优异的工程适应性与泛化能力。

主要关键技术方法

研究人员构建了双源数据集：其一为马里兰大学CALCE公开数据库的CS2-35、CS2-36、CS2-37电池样本（标准恒流恒压充放电协议，静置时间185.2秒）；其二为自建WB 18650电池多倍率放电老化数据集，在25°C恒温箱中，分别以0.5C、1C、2.5C倍率恒流放电，静置时间120秒。关键技术包括：（1）双滤波策略：采用四分位距截断算法消除非高斯脉冲尖峰，再通过Savitzky–Golay（SG）算法滤除高频噪声，重构高保真SOH序列；（2）两阶段特征筛选架构：先基于Spearman秩相关进行粗筛，剔除相关性极低的微分特征，再采用SHapley加法解释（SHAP）机制进行细筛，保留具有电化学机理支撑的6维核心特征（ΔV_pol、V_reb、dV/dt、V_1min、V_end、V_mean等）；（3）异构融合模型：结合RF（Bagging集成）、SVR（核方法）和GRU（深度循环网络）三种数学范式差异显著的基模型，并通过基于KNN的非参数信用分配与MVUE准则动态计算局部最优权重。

研究结果

验证CALCE数据集：在CS2-35、CS2-36、CS2-37三个电池样本上，研究人员将80%生命周期数据作为训练集、20%作为测试集（按SOH分位数分层采样）。通过SOH预测跟踪曲线、残差演化曲线、误差分布小提琴图及联合核密度散点图分析，单一基模型在局部非线性波动处出现明显滞后和偏差，而所提DMDD框架能精确拟合真实SOH曲线，残差具有强零均值回复特性，误差分布集中接近零，预测域与真实标签域分布高度一致。

验证WB数据集：在WB-0.5C、WB-1C、WB-2.5C三种倍率放电条件下，随倍率增加电池寿命明显缩短且退化轨迹随机波动加剧。所提模型在温和退化（0.5C）和陡峭非线性退化（2.5C）场景下均表现出优异的跟踪性能，残差演化显示绝对误差集中在0.001附近，方差小且分布紧凑，有效抑制了传统模型在极端高倍率负载下的局部发散和长尾误差。

定量比较：所提DMDD框架在全部六个案例中均取得最优MAE、RMSE和R2。基于轨迹划分协议，即使在最严峻的WB-2.5C工况下，MAE和RMSE仍维持在0.29536%和0.41983%以下（原文具体数值需查表），R2高达0.99907以上。

与既有及静态融合方法比较：研究人员复现了Li等人（文献[23]）的区间融合方法（K-means划分五个老化区间，从ELM、SVR、CNN-LSTM、RVM中按最低MAE选择基模型）以及RF、SVR、GRU等权静态平均集成。六种案例上，所提方法平均MAE为0.17040%，RMSE为0.26447%；而区间融合方法平均MAE为0.25996%，RMSE为0.35330%；静态平均集成平均MAE为0.19400%，RMSE为0.28283%。动态KNN-MVUE加权较静态平均降低平均MAE 12.16%，较文献融合基线降低34.45%；平均RMSE分别降低6.49%和25.15%。这表明样本级动态权重能从局部历史误差中获取额外适应性，优于单纯异构集成。

消融研究：为隔离各架构贡献，设置三种配置：完整DMDD、无IQR-SG预处理（保留六特征）、仅Spearman粗筛（保留八特征）。完整DMDD架构平均MAE和RMSE分别为0.17040%和0.26447%。相对于无双滤波配置，双滤波使平均MAE降低45.80%、平均RMSE降低41.69%；相对于仅Spearman筛选，后续SHAP阶段使平均MAE降低8.42%、平均RMSE降低18.95%。完整架构在5/6、6/6、6/6测试案例中分别取得最佳MAE、RMSE、R2。

讨论与结论

讨论部分指出，双滤波策略主要抑制尖峰和高频测量噪声污染，SHAP阶段则移除通过单调相关筛选但条件敏感或冗余的输入，二者互补效应验证了DMDD框架的新颖性。研究结论总结为：（1）DMDD框架能从电池静置阶段提取高保真且物理可解释的特征，双滤波策略精确重建真实老化轨迹，两阶段特征筛选架构从博弈论视角阐明静置特征对SOH退化的驱动机制；（2）异构动态融合模型打破固定权重的同质集成瓶颈，RF、SVR和GRU的互补性结合KNN-MVUE策略实现不同老化阶段的自适应动态信用分配，成功规避单一模型在加速退化区的局部失效；（3）实现了电池内部轨迹划分下高精度SOH预测与强鲁棒性，R2稳定高于0.99907，MAE和RMSE分别保持在0.33958%和0.56211%以内，为AUV提供算法冗余支持。研究也指出实际部署的挑战：任务中放电间静置时间随机且不一致，标准化静置特征提取困难；多模型动态融合框架在资源受限的嵌入式BMS硬件上存在计算内存和延迟约束。未来工作将扩展变静置时长的动态老化实验，并探索模型量化与压缩以实现AUV机载轻量化实时边缘部署。基于DMDD框架的异构动态融合模型能有效满足复杂海洋作业条件下非线性电池老化特性的精确跟踪需求，在AUV应用的SOH预测领域展现出显著的工程应用价值。