《Energy and AI》：Degradation-aligned self-supervised learning for state of health estimation of lithium-ion batteries under label sparsity
编辑推荐：
准确估计健康状态（state of health, SOH）是电池系统安全与优化使用的基础。尽管数据驱动的SOH估计模型颇具吸引力，但其通常需要大量高质量标注的循环数据，而在实际应用中，这些标签在数量与覆盖范围上往往十分稀疏。因此，本研究提出一种基于卷积神经网
准确估计健康状态（state of health, SOH）是电池系统安全与优化使用的基础。尽管数据驱动的SOH估计模型颇具吸引力，但其通常需要大量高质量标注的循环数据，而在实际应用中，这些标签在数量与覆盖范围上往往十分稀疏。因此，本研究提出一种基于卷积神经网络-门控循环单元（convolutional neural network-gated recurrent unit, CNN-GRU）模型的退化对齐自监督学习（self-supervised learning, SSL）框架，通过循环顺序排序目标作为预训练的前置任务，从未标注数据中学习与老化一致的表示，从而在稀疏标注数据上微调后实现稳健的SOH估计。测试结果表明，所提出的基于排序的SSL方法能够从无标注数据中赋予预训练模型退化感知能力，微调后的模型即使在仅有1%分布不均匀的标注训练数据可用时，仍能实现准确、稳健的SOH估计，在测试电芯上平均绝对误差（mean absolute error, MAE）达1.718%，均方根误差（root mean square error, RMSE）达2.329%。此外，研究人员还对标签分布的影响和跨电芯鲁棒性进行了深入分析。该研究可为锂离子电池的标签高效SOH估计提供新思路，满足电池管理中的实际需求。
**论文解读：基于退化对齐自监督学习的锂离子电池健康状态估计方法**
**一、研究背景与问题**
在全球气候变化日益严峻的背景下，清洁可持续能源系统的转型加速推进。锂离子电池凭借高能量密度、高功率密度、低自放电率和长寿命等优势，广泛应用于便携式电子设备与电动交通等领域。无论具体应用场景如何，准确估计电池健康状态（state of health, SOH）都是电池管理系统（battery management system, BMS）的核心功能之一。SOH通常基于容量或内阻定义，容量型SOH定义为当前实际容量与额定容量之比。SOH的准确确定对于剩余使用寿命评估、维护提前调度、防止意外故障以及提升电池系统整体寿命利用率均具有重要作用。
然而，SOH与复杂的电化学过程密切相关，难以直接测量，必须通过运行过程中的可测信息进行估计。现有的SOH估计方法可分为三类：直接测量方法、基于模型的方法和数据驱动方法。直接测量方法需要标准化放电容量测试，在工程实际中难以实现；基于模型的方法需要深入的专业领域知识和特定的表征测试进行参数化；数据驱动方法旨在直接从运行数据中捕获退化模式，无需电池电化学动力学的先验知识，近年受到广泛关注。
数据驱动方法虽然具有优势，但其依赖大量高质量标注的电池循环数据，其中SOH标签通常需要通过覆盖电池全寿命周期、在受控条件下进行的标准化检查测试获取。这类校准测试耗时耗资，在实验室中也不便进行，实际部署场景中更难开展。此外，寿命后期SOH标签的采集本质上更为困难，因为达到深度退化阶段需要长时间的大量循环和显著的实验成本，导致电池寿命周期内标签分布明显失衡。因此，实际应用场景中电池老化数据常面临标签稀疏问题——数量和覆盖率均不足，而大量无标注的运行循环数据则可获得。
自监督学习（self-supervised learning, SSL）作为机器学习的一个分支，正是针对此类挑战而设计。SSL方法通过利用数据底层结构或从无标注数据本身自动构造前置任务，使模型无需人工标注即可学习有意义的数据表示。然而，现有SOH估计领域的SSL方法大多关注基于重建的前置任务，所学的表示不一定与SOH估计任务最相关的电池退化过程对齐。相较而言，循环之间的相对老化顺序提供了更直接、更任务相关的自监督信号，因为电池老化本质上是一个有序过程。基于此，研究人员提出了一种直观的退化对齐SSL框架。
**二、研究方法概述**
研究人员提出的退化对齐SSL框架基于CNN-GRU模型架构。该模型由编码器和头部组成：编码器包含两个堆叠的CNN块和一个GRU层，CNN负责从输入充电曲线提取局部模式，GRU用于顺序整合提取的特征以捕获其时序依赖；头部则用于完成目标任务，自监督预训练和SOH回归使用相同的头部结构但不同的损失函数和输出尺寸。研究中利用恒流（constant current, CC）充电段电压测量值作为模型输入。
该研究的核心创新在于提出了一种循环顺序排序目标作为前置任务。该目标在无标注数据上进行预训练，具体而言，对于每个采样的迷你批次，样本首先根据电芯ID分组，仅在组内进行排序，避免跨电芯的不可靠比较；组内构建随机样本对，并排除循环数差小于阈值或循环数相同的样本对；通过配对逻辑排序损失函数鼓励预测老化分数与循环相对顺序一致。整体工作流程为：数据预处理后，无标注数据用于SSL预训练，稀疏标注子集用于下游SOH估计任务的微调，验证电芯仅用于超参数和模型选择，测试电芯则严格保留用于最终评估。数据来自马里兰大学先进生命周期工程中心（Center for Advanced Life Cycle Engineering, CALCE）公开数据集，选取CX2-34、CX2-36、CX2-37、CX2-38四个电芯，CX2-37和CX2-38用于训练，CX2-36用于验证，CX2-34用于测试。
**三、研究结果与分析**
**预训练模型退化对齐评估**：通过比较预训练模型在无标注数据上预测的老化评分与真实退化过程，研究人员发现老化评分与容量衰减轨迹整体呈清晰单调趋势，机械一致性良好。四个电芯上老化评分与真实SOH之间的Spearman秩相关系数分别为?0.997、?0.998、?0.996和?0.997，均极度接近?1，表明基于排序的SSL方法能够有效从无标注数据中提取退化对齐信息。
**标签稀疏下模型性能比较**：在仅标注80% SOH以上数据、标注比例从1%到100%变化的设置下，研究人员比较了所提出的基于排序的SSL（SSL-Rank）、基于重建的SSL（SSL-Recon）、多目标SSL（SSL-MO）、纯监督学习（SL）和岭回归基线模型的性能。结果显示，SSL-Rank在所有标注比例下均优于其他模型，即使在仅1%标注数据时，测试电芯上仍可实现MAE为1.718%、RMSE为2.329%、R2为0.970的良好性能。纯SL模型在标注数据低于40%时完全失效，表明SSL预训练赋予模型的退化感知先验知识对下游任务至关重要。
**标签分布影响分析**：研究人员进一步考察了均匀、随机、仅早期和仅晚期四种标签分布对SSL-Rank模型的影响。结果显示，仅晚期分布（低于60% SOH）的标签在相同标注预算下性能最佳，MAE在1.320%至1.369%之间；而仅早期分布（高于85% SOH）的标签在标注比例降至5%以下时导致模型失效，原因是早期充电曲线多样性不足。这表明当标注预算有限时，优先覆盖更具信息量的退化后期阶段比均匀分布或集中于早期阶段更有利。
**跨数据划分和微调策略鲁棒性分析**：研究人员通过轮流将各电芯作为测试电芯验证了框架的鲁棒性。结果显示，仅冻结预训练编码器并微调头部（Head策略）在所有测试场景下均表现良好，包括退化程度最深的CX2-38作为测试电芯的外推场景；而全模型微调（Full策略）在所有情况下均失败，表明全微调破坏了预训练编码器获得的退化感知知识。
**工业适用性研究**：研究人员对模型的关键工业应用指标进行了评估。所提出的CNN-GRU模型包含97,473个可训练参数，模型大小仅384.55 KB；输入长度为300的CC电压序列时，单次前向传播需4.3763×10?次浮点运算（floating-point operations, FLOPs）；在通用CPU上的平均推理延迟为15.323 ms。鉴于SOH估计属于低频诊断任务，该轻量级模型适合资源受限的车载计算单元或云辅助BMS平台。
**四、研究结论与展望**
本研究针对数据驱动SOH估计面临标签稀疏的现实问题，提出了一种退化对齐SSL框架，通过循环顺序排序前置任务从无标注CC充电曲线中学习与老化一致的表示，并开发CNN-GRU模型实现准确的SOH估计与自监督预训练。在CALCE数据集上的综合实验表明，所提出的SSL-Rank方法不仅在预训练阶段赋予了模型退化感知能力（Spearman相关系数极度接近?1），即使在仅1%分布不均匀的标注训练数据可用时仍能实现MAE为1.718%、RMSE为2.329%的准确SOH估计。标签分布分析揭示，优先覆盖退化后期的信息丰富区域有利；跨电芯鲁棒性分析确认了冻结编码器微调策略的有效性；工业适用性评估表明模型计算开销与存储需求保持在轻量级水平。
研究人员指出，目前仅研究了实验室条件下单一循环工况的单电芯模型，尚未充分验证对不同电芯化学体系、温度或运行协议的泛化能力。未来工作应扩展到更能反映实际应用变异性的跨电芯、跨条件设置，并进行更系统的最小循环间隔超参数敏感性分析。此外，深度退化区域较大的最大绝对误差提示在部署前需要进一步验证和安全导向校准，不确定性感知扩展有助于识别模型在标签稀疏或深度退化区域中可能不太可靠的预测，从而使该框架更适合安全关键的BMS部署。该研究成果发表在《Energy and AI》期刊上。
