《Results in Engineering》：An Agent-Coordinated Multimodal Framework for Battery State-of-Health Prediction Using Digital Battery Passport-Aligned Information with Explainable AI
编辑推荐：
锂离子电池越来越多地应用于电动出行和固定式储能应用，使得对电池健康状态的可靠估计对于安全性、维护、再利用和全生命周期管理至关重要。健康状态（State of Health, SoH）提供了退化的定量指标，因此成为本研究的主要预测目标。数据驱动方法，特别是循环和
锂离子电池越来越多地应用于电动出行和固定式储能应用，使得对电池健康状态的可靠估计对于安全性、维护、再利用和全生命周期管理至关重要。健康状态（State of Health, SoH）提供了退化的定量指标，因此成为本研究的主要预测目标。数据驱动方法，特别是循环和混合深度学习模型，已被广泛用于电池状态估计和预测，而最近的综述显示用于SoH估计的神经架构持续发展。与此同时，电池信息正变得越来越异构。与电池相关的全生命周期信息可包括电气测量、诊断、维护记录、运行条件、制造信息和可持续性相关信息。数字电池护照（Digital Battery Passport, DBP）概念被提出用于组织电池价值链上的此类信息。Berger等人描述了涵盖电池信息、可持续性与循环性、诊断/维护/性能以及价值链参与者的DBP信息需求。后续工作还强调了价值链参与者所需信息与实际可用信息之间的差异。自然语言处理（Natural-Language Processing, NLP）已独立发展为一种提取和组织技术信息的工具。BatteryBERT展示了电池领域语言模型在电池数据库增强中的应用，而ChemNLP则为材料化学文本数据提供了一个面向NLP的库。这些研究确立了NLP与电池相关科学信息的相关性，但它们本身并未建立经过验证的用于电池SoH预测的DBP文本模态。电池预测学也正朝着更复杂的时序和跨模态架构发展。基于变压器（Transformer）的SoH估计已利用增量容量信息进行了研究，综述性工作记录了越来越多的基于Transformer的方法用于电池状态估计。跨模态学习也已针对锂离子电池健康估计进行了探索，而最近的多源老化工作将异构老化信息与长短期记忆网络（Long Short-Term Memory, LSTM）和迁移学习相结合。这些进展意味着多模态或基于注意力的电池预测是一个活跃的研究领域，而非未探索的问题。本文所解决的空白更为狭窄且具有方法论性质。该研究探讨了如何将DBP对齐的文本表示与数值电池老化序列进行操作性耦合，同时显式控制跨电池泄漏、测试模态贡献、评估数据同步性，并报告与合成DBP信息相关的局限性。其贡献并非声称是一种新的基础神经架构，而是提供了一个经实验表征的智能体协同集成框架以及用于DBP对齐多模态SoH预测的受控评估协议。因此，使用DBP对齐表示的动机并非在于护照信息的每一项都必须直接被预测器使用。相反，DBP提供了一个结构化的信息环境，在此环境中异构的生命周期记录可与可测量的电池状态相关联。在本实验设计中，数值分支承载直接观测到的退化信号，而文本分支则被视为生命周期上下文信息的受控表示。这一区别很重要，因为可用的NASA数据库不包含真实的工业DBP记录。因此，该研究评估了多模态集成的机制，而不将合成文本呈现为现场生成的护照文档的等效替代品。第二个方法论考虑是跨电池泛化。在同一电池轨迹的训练集和测试集之间随机混合循环可能会产生乐观的估计，因为相邻循环共享电池特定的特征和退化历史。因此，本评估采用留一电池法（Leave-One-Battery-Out, LOBO）测试。每个被留出的电池完全处于训练过程之外，包括数值归一化和词频-逆文档频率（Term Frequency-Inverse Document Frequency, TF-IDF）词汇表构建。这种设计使实验问题更加具体：即学习到的关系是否能从三个观测到的电池轨迹转移到先前未见过的第四个轨迹。该研究还将预测贡献与系统贡献分开。预测贡献通过数值、纯文本、零文本多模态和完整多模态配置之间的比较，以及更强的时序和图基线来检验。系统贡献则通过显式的智能体消息、身份检查、同步检查和受控的模态错位实验来单独检验。这种分离防止了数据完整性的改进被错误地解释为预测精度的改进。
研究背景与问题
锂离子电池在电动出行和固定式储能中的广泛应用，使得对其健康状态（State of Health, SoH）的可靠估计成为保障安全、优化维护、促进再利用和实现全生命周期管理的关键。数据驱动的深度学习方法，尤其是循环神经网络和混合架构，已成为SoH估计的主流手段。然而，电池相关的生命周期信息日益异构，涵盖电气测量、诊断记录、运行条件、制造信息等，而数字电池护照（Digital Battery Passport, DBP）概念虽被提出以整合此类信息，但其在实际预测任务中的应用仍缺乏系统验证。现有研究多聚焦于单一模态（如时序数据）或高级神经网络架构（如Transformer），较少探讨如何将DBP对齐的文本模态与数值老化序列进行可控、无泄漏的集成。此外，跨电池泛化能力常因训练测试数据混洗而被高估。因此，该研究旨在开发并实验评估一个智能体协同的多模态框架，以实现基于DBP对齐信息的电池SoH预测，重点解决模态集成、数据泄漏控制和跨电池泛化等问题。
研究方法与技术路线
研究人员采用了一个由五个功能智能体构成的协同框架：数据采集智能体负责验证NASA电池数据集中的循环数据和DBP对齐合成文本记录的配对关系；自然语言处理（NLP）智能体利用词频-逆文档频率（TF-IDF）算法对合成文本进行向量化编码；多模态融合智能体将长短期记忆网络（LSTM）提取的数值时序特征与TF-IDF文本特征进行晚期拼接；预测智能体通过全连接层完成SoH回归；可解释性智能体通过扰动敏感性分析评估模态贡献。数值输入为每放电周期的电压、电流、温度和归一化时间（256点序列），文本为基于DBP字段模板合成的结构化描述。评估采用留一电池法（LOBO），确保被留出电池完全脱离训练过程，包括数值归一化和TF-IDF词汇表构建。
研究结果
3.1 框架概述
研究人员提出了一个由五个功能智能体（数据采集、NLP处理、多模态融合、预测、可解释性）组成的协同框架，通过结构化消息传递实现记录身份验证、对齐检查和融合前的同步。该框架并非实现自主决策，而是演示了受控的多模态数据处理流程。
3.2 数值输入表示
数值输入限制为放电过程中的可用变量（电压、电流、温度、归一化时间），排除容量、SoH、电池标识符和循环编号以避免信息泄露。每个LOBO折中，训练电池确定归一化统计量，并应用于被留出电池。放电区域通过电流阈值（I < -1A）提取，线性重采样至256点。
3.3 DBP对齐合成文本表示
由于NASA数据集缺乏真实工业DBP记录，研究人员为每个循环合成了一个结构化文本记录，涵盖化学体系、应用场景、制造批次、配置、充电条件、使用模式、环境条件、维护事件等DBP对齐字段。文本生成基于模板且独立于实测SoH、容量等目标变量。电池ID和制造批次被排除在NLP输入之外以防止记忆。
3.4 文本处理与融合
采用晚期特征融合策略：LSTM（64隐藏单元，dropout 0.30）编码数值序列为定长表示；TF-IDF文本向量经全连接层（16单元，ReLU激活，dropout 0.30）投影。两者拼接后通过32和16单元的全连接层，最终输出归一化SoH。目标归一化仅基于训练折统计量。
3.5 数学公式化
研究人员给出了完整的数学定义：数值编码由LSTM64实现，文本表示通过TF-IDF加全连接层获得，两者拼接形成多模态表示，再经预测头映射为归一化SoH。训练目标为均方误差（MSE）。所有报告指标均转换回原始SoH百分比单位。
讨论与结论
该研究通过受控实验验证了DBP对齐多模态SoH预测框架的可行性。核心发现包括：多模态融合在留一电池法（LOBO）下展现出优于单模态数值模型的预测稳定性；文本模态的加入在特定条件下改善了跨电池泛化性能，但需严格防止数据泄漏；智能体间的显式同步和身份检查有效避免了模态错位问题。研究强调，所使用的DBP文本为合成数据，不能替代真实工业护照记录，因此实验结果应视为多模态集成机制的证明而非工业级验证。未来工作需在真实DBP数据环境下进一步验证框架的有效性。研究结论指出，该智能体协同框架提供了一种透明、可复现的方法来整合异构电池信息，并为电池全生命周期管理中的可解释预测奠定了基础。
