免诊断的车载电池健康评估

多样的使用模式导致锂离子电池产生复杂多变的衰老行为，使准确的健康诊断和预测变得复杂。通常使用独立的诊断循环来从先前复杂的衰老模式中理清电池当前的健康状态。然而，这些诊断循环同样会改变电池的退化轨迹，且耗时较长，无法在车载应用中实际执行。在本工作中，我们利用部分操作测量数据，结合可解释的机器学习模型，实现了无需离线诊断测试和历史数据要求的快速车载电池健康诊断和预测。我们在编码器-解码器架构内集成了机制约束，以在物理可解释的潜在空间中提取电极状态，并实现退化路径的改进重建。该健康诊断模型框架只需轻微微调即可灵活应用于各种应用需求。我们将该模型框架应用于包含 422 个电芯、在不同运行条件下的三个电池循环数据集，展示了其多功能性，突显了可解释的免诊断车载电池诊断与预测模型的实用性。