邱健蓄电池使用对比学习和知识引导电压松弛的电池使用无关多任务诊断
2026-04-17 20:51:41 点击：次
现代电池系统日益需要完成多种可靠性任务，特别是在电池历史和使用条件未知的实际应用场景中。为应对这些挑战，我们提出一个仅需电压弛豫数据的统一框架，可同步实现容量估计、健康状态诊断和正极材料分类。通过引入知识引导等效电路模型（KG-ECM）提取具有物理解释性的特征，该模型提供的退化信息比传统统计描述符更为丰富。基于多任务学习架构，该模型通过学习共享且具有判别性的嵌入表示，能够同步完成健康状态诊断和正极材料识别。实验结果表明，所提出的KG-ECM显著提升了容量预测精度：在单任务场景下均方根误差为0.0026，多任务学习模式下为0.0108。该框架还实现了94.6%的健康状态分类准确率和99.6%的正极材料识别准确率。所提出的方法仅需10次弛豫循环，即可提供适用于实际储能系统（ESS）、电动汽车（EV）及梯次利用电池场景的可解释且与使用场景无关的解决方案。
锂离子电池（LIBs）因其高能量密度和长循环寿命特性，已广泛应用于电动汽车（EVs）、储能系统（ESS）及便携式电子设备领域[1]。随着应用场景的拓展，精确评估电池容量、健康状态（SOH）及材料特性等任务，对于保障系统安全性和运行可靠性变得至关重要[2][3]。
当前大多数数据驱动方法严重依赖电压、电流和温度曲线等信号测量指标[4][5][6][7][8]。由于这些信号易受使用模式、读档条件和循环历史的影响，所学习的特征往往缺乏对实际应用场景的迁移能力。黑箱其既往使用信息未知的电池系统。
近期基于深度学习的研究进一步拓展了这一理念，不仅直接从电信号中学习，还处理源自统计分析和电化学分析的特征[7][8]。这些研究日益聚焦于提取具有物理意义和统计信息量的特征，以支持基于深度学习的电池诊断。例如，Piao等人提出了锂离子电池健康状态估计的统计特征提取框架[9]，而Shu等人文献[10]对基于信号的特征提取技术进行了全面综述。Jorge等人从电流、电压和温度曲线中设计了时间序列描述符，以提高健康状态(SOH)预测精度[11]。类似地，Zhou等人与Liu团队开发了多性向特征融合网络，通过结合统计特征与电化学参数来增强不同运行条件下的泛化能力[12][13]。然而，统计描述符缺乏直接物理意义，而基于物理驱动的特征通常需要详细的循环数据，这类数据在实际应用中往往难以获取。因此，这些方法无法完全满足可解释性与使用场景无关的普适性这一双重需求。
除了鲁棒的特征提取外，实际电池应用日益需要同时执行多个诊断任务，包括容量估算、SOH分类和正极材料识别。然而，大多数现有学习框架仅针对单任务目标设计，这导致冗余、低效且无法利用任务间的共享信息。
为克服这些局限性，我们提出一种从本征电压弛豫行为中提取特征的框架，并开发知识引导的等效电路模型(KG-ECM)；该模型生成的特征既具有物理解释性，又天然与使用场景无关。本研究中，knowledge-guided指通过在特征表示层面融入电化学先验知识，利用等效电路模型从电压弛豫行为中提取具有物理解释性的参数。
现有基于等效电路模型的深度学习方法主要聚焦于捕捉受控或使用依赖工况下的电池动态特性，通常被设计为单任务诊断框架[14][15][16]。与此同时，近期用于电池健康状态估计的多性向学习框架主要依赖原始信号级输入，这类方法在表征层面往往缺乏结构化的电化学可解释性[17][18][19]。
基于此基础，我们提出了一种统一的多任务监督对比学习框架[20][21]，该框架能够在单一架构内同时执行容量估算、健康状态(SOH)诊断与阴极材料识别。该框架通过学习共享表征来捕获电化学特性与退化特征，同时保持任务特异性判别能力[22]。
本研究的主要贡献可概括如下：
引言
当前大多数数据驱动方法严重依赖电压、电流和温度曲线等信号测量指标[4][5][6][7][8]。由于这些信号易受使用模式、读档条件和循环历史的影响，所学习的特征往往缺乏对实际应用场景的迁移能力。黑箱其既往使用信息未知的电池系统。
近期基于深度学习的研究进一步拓展了这一理念，不仅直接从电信号中学习，还处理源自统计分析和电化学分析的特征[7][8]。这些研究日益聚焦于提取具有物理意义和统计信息量的特征，以支持基于深度学习的电池诊断。例如，Piao等人提出了锂离子电池健康状态估计的统计特征提取框架[9]，而Shu等人文献[10]对基于信号的特征提取技术进行了全面综述。Jorge等人从电流、电压和温度曲线中设计了时间序列描述符，以提高健康状态(SOH)预测精度[11]。类似地，Zhou等人与Liu团队开发了多性向特征融合网络，通过结合统计特征与电化学参数来增强不同运行条件下的泛化能力[12][13]。然而，统计描述符缺乏直接物理意义，而基于物理驱动的特征通常需要详细的循环数据，这类数据在实际应用中往往难以获取。因此，这些方法无法完全满足可解释性与使用场景无关的普适性这一双重需求。
除了鲁棒的特征提取外，实际电池应用日益需要同时执行多个诊断任务，包括容量估算、SOH分类和正极材料识别。然而，大多数现有学习框架仅针对单任务目标设计，这导致冗余、低效且无法利用任务间的共享信息。
为克服这些局限性，我们提出一种从本征电压弛豫行为中提取特征的框架，并开发知识引导的等效电路模型(KG-ECM)；该模型生成的特征既具有物理解释性，又天然与使用场景无关。本研究中，knowledge-guided指通过在特征表示层面融入电化学先验知识，利用等效电路模型从电压弛豫行为中提取具有物理解释性的参数。
现有基于等效电路模型的深度学习方法主要聚焦于捕捉受控或使用依赖工况下的电池动态特性，通常被设计为单任务诊断框架[14][15][16]。与此同时，近期用于电池健康状态估计的多性向学习框架主要依赖原始信号级输入，这类方法在表征层面往往缺乏结构化的电化学可解释性[17][18][19]。
基于此基础，我们提出了一种统一的多任务监督对比学习框架[20][21]，该框架能够在单一架构内同时执行容量估算、健康状态(SOH)诊断与阴极材料识别。该框架通过学习共享表征来捕获电化学特性与退化特征，同时保持任务特异性判别能力[22]。
本研究的主要贡献可概括如下：
- •
We propose knowledge-guided feature extraction by modeling voltage relaxation behavior through an equivalent circuit representation. The extracted electrochemical parameters provide interpretable and robust inputs for neural networks, achieving an RMSE of 0.0026, representing 230% improvement over conventional statistical descriptors [23]. - •
We propose a unified multi-task learning framework. Specifically, a supervised contrastive multi-task learning model is developed to jointly perform capacity estimation, health diagnosis, and cathode material classification. This unified model achieves strong performance across tasks, including 94.6% accuracy in SOH diagnosis and 99.6% accuracy in cathode identification without requiring separate models for each task objectives. - •
The proposed method operates solely on voltage relaxation curves, independent of drive cycles or charging protocols. Using only ten relaxation cycles, the framework enables early, reliable, and chemistry-aware diagnostics suitable for real-world ESS and EV systems, which demonstrates its usage-agnostic early diagnostic capability.