用于锂离子电池健康诊断的退化自监督学习
机器学习
2025-03-12 v1 人工智能
摘要
锂离子电池的健康评估通常依赖于恒定充放电协议，往往忽略了电动汽车中普遍存在的涉及动态电流曲线的场景。传统的 LIB 健康指标也依赖于测量数据的均匀性，限制了它们在非均匀条件下的适应性。在本研究中，提出了一种基于自监督学习范式的估计 LIB 健康的新颖训练策略。利用一种多分辨率分析技术——经验小波变换，在频域中分解非平稳电压信号。这使得能够移除对健康评估模型无效的成分。Transformer 神经网络作为模型主干，并设计了一个损失函数来描述容量退化行为，其假设是在大多数工作条件下 LIB 的退化是不可避免且不可逆的。结果表明，该模型能够通过分析在不同时间间隔从同一 LIB 电芯获取的电压和电流曲线序列来学习老化特征。所提出的方法成功应用于源自电动汽车真实驾驶曲线的斯坦福大学 LIB 老化数据集。值得注意的是，该方法在评估的健康指标与实际容量退化之间达到了 0.9 的平均相关系数，证明了其在捕捉 LIB 健康退化方面的有效性。本研究强调了使用无标注 LIB 数据训练深度神经网络的可行性，提供了具有成本效益的手段并释放了测量信息的潜力。
关键词
引用
@article{arxiv.2503.08083,
title = {Degradation Self-Supervised Learning for Lithium-ion Battery Health Diagnostics},
author = {J. C. Chen},
journal= {arXiv preprint arXiv:2503.08083},
year = {2025}
}