Улучшенный MobileNet на основе модифицированного алгоритма Poor and Rich Optimization для оценки состояния здоровья литий-ионных батарей

Почему важны более умные проверки батарей

Литий-ионные батареи бесшумно питают наши телефоны, ноутбуки, электромобили и даже части электросети. Но, как и люди, батареи стареют, и если их состояние ошибочно оценивают, последствия могут варьироваться от неприятной потери запаса хода до опасных отказов и пожаров. В этой статье предложен новый способ «проверки пульса» батарей с помощью компактной модели искусственного интеллекта, достаточно быстрой для реальных систем управления батареями, которая при этом оценивает состояние здоровья с удивительно низкой ошибкой.

Отслеживание реального состояния батареи

За батарейными блоками наблюдает система управления батареями (BMS), которая непрерывно следит за напряжением, током и температурой, чтобы держать все в безопасных пределах. Одна из её самых сложных задач — оценка состояния здоровья (SOH) — по сути, сколько полезной жизни осталось батарее по сравнению с новым состоянием. SOH нельзя измерить напрямую при обычной эксплуатации, поэтому его выводят по этим рутинным сигналам. Традиционные физически обоснованные модели могут быть точными, но они, как правило, сложны, медленны и чувствительны к конкретной конструкции батареи и условиям эксплуатации. Подходы на основе данных и машинного обучения обещают большую гибкость, но многие мощные модели глубокого обучения слишком тяжеловесны для запуска на маленьких энергоэффективных микрочипах внутри автомобилей или стационарных систем хранения.

От сырых сигналов к тонким признакам старения

Авторы начинают с тщательной обработки реальных экспериментальных данных по литий-ионным элементам из нескольких известных исследовательских наборов данных, включая широко используемые эксперименты по старению от NASA. Во время каждого цикла заряда–разряда они регистрируют напряжение, ток и температуру с частотой раз в секунду на протяжении тысяч циклов. Из этих сырых сигналов извлекают признаки, особенно чувствительные к старению. Например, анализируют форму кривой напряжения при зарядке с постоянным током и вычисляют инкрементные кривые ёмкости, которые выделяют малые смещения в том, сколько заряда проходит на каждом напряжении. По мере износа батарей эти кривые тонко изменяют форму и положение, создавая своего рода отпечаток внутренней деградации. В результате получается чистый, нормализованный набор одномерных временных рядов, пригодных для подачи в нейронную сеть.

Компактная нейросеть, адаптированная к сигналам батареи

Чтобы превратить эти сигналы в оценки SOH, исследование адаптирует семейство лёгких сетей для распознавания изображений, известных как MobileNet. Вместо работы с изображениями авторы переделывают модель вокруг одномерных свёрток, которые сканируют по времени, чтобы уловить паттерны в эволюции напряжения и тока во время заряда. Они также добавляют небольшие блоки внимания под названием «Squeeze-and-Excitation», которые помогают сети сосредоточиться на наиболее информативных частях сигнала, например на областях напряжения, заметно смещающихся при старении. Наконец, они формируют выход так, чтобы сеть предсказывала непрерывное значение SOH, а не категорию, и обучают её минимизировать разницу между предсказанным и истинным значением здоровья. Несмотря на эти улучшения, модель остаётся небольшой: около 1,1 млн параметров и среднее время предсказания всего в несколько миллисекунд.

Давать алгоритму настраивать параметры

У моделей глубокого обучения много проектных решений, или гиперпараметров: скорость обучения, число фильтров, сила dropout и прочее. Вместо ручной настройки авторы используют метаэвристический оптимизатор, называемый Modified Poor and Rich Optimization (MPRO). Вдохновлённый взаимодействиями между более богатыми и более бедными группами в обществе, этот алгоритм поддерживает популяцию кандидатов-набора гиперпараметров и итеративно улучшает их. «Богатые» кандидаты отдаляются от «бедных», в то время как «бедные» сдвигаются в сторону паттернов, наблюдаемых у успешных. Статья усиливает эту схему хаотическими математическими отображениями, улучшающими исследование пространства поиска. Для каждого кандидата модель MobileNet обучается и оценивается по ошибке на валидационных данных, и MPRO постепенно сходится к конфигурации, балансирующей точность и простоту.

Насколько хорошо это работает на практике?

Проверенная на нескольких батареях и трёх независимых наборах данных (NASA, CALCE и Oxford), комбинированная система MPRO–Improved MobileNet оценивает SOH со среднеквадратичной ошибкой примерно в полпроцентного пункта на данных NASA, опережая несколько сильных альтернатив, включая более крупные нейросети на базе Transformer, рекуррентные сети, случайные леса и опорные векторные машины. Даже наихудшая отдельная ошибка предсказания остаётся близкой к одному процентному пункту — уровень точности, полезный для управления гарантиями, планирования замены батарей и предотвращения небезопасной эксплуатации. Важно, что модель сохраняет такую производительность, потребляя значительно меньше памяти и вычислений, чем тяжёлые методы глубокого обучения, что делает её практичной для внедрения на встроенном оборудовании BMS в электромобилях и системах накопления энергии.

Что это значит для повседневного использования батарей

Для неспециалистов ключевое послание в том, что эта работа показывает, как умный, но эффективный ИИ может надёжно отслеживать, насколько «старой» на самом деле является батарея, используя только данные, которые стандартная система батареи уже измеряет. Лучшие оценки SOH позволяют автопроизводителям и операторам сетей безопасно продлевать срок службы батарей, планировать обслуживание до появления проблем и определять, когда использованные батареи ещё пригодны для вторичной жизни в менее требовательных ролях. Хотя методу ещё предстоит полевые испытания в более шумных реальных условиях, это шаг к системам батарей, которые понимают своё состояние с почти клинической точностью, тихо повышая безопасность, производительность и устойчивость в фоновом режиме.

Цитирование: Hajlaoui, R., Shalaby, M., Alfilh, R.H.C. et al. An improved MobileNet based on a modified poor and rich optimization algorithm for lithium-ion battery state-of-health estimation. Sci Rep 16, 7689 (2026). https://doi.org/10.1038/s41598-026-38275-3

Ключевые слова: литий-ионные батареи, состояние здоровья, системы управления батареями, глубокое обучение, MobileNet