MI-SOH: модель зависимости признаков с несколькими индикаторами для оценки состояния здоровья литий-ионных батарей

Почему умный мониторинг состояния батареи важен

Электромобили и системы накопления энергии для дома всё чаще опираются на литий‑ионные батареи. Но, как и все аккумуляторы, они со временем изнашиваются. Знать, насколько «здоровая» батарея на самом деле, задолго до её отказа, критично для безопасности, затрат и удобства. В этой статье предлагается новый способ оценки состояния батареи, который одновременно учитывает множество сигналов и изучает, как меняются их взаимосвязи с возрастом батареи, что обещает более точный и надёжный мониторинг в реальных условиях.

Восприятие состояния батареи как нечто большее, чем одно число

Состояние батареи, часто называемое state-of-health, описывает, сколько полезной энергии батарея ещё может хранить по сравнению с новой. Традиционные методы оценки опираются на лабораторные измерения — например, внутреннее сопротивление или детальные электрохимические тесты — которые точны, но дорогие и сложные для постоянного применения в автомобиле. Новые подходы, основанные на данных, отслеживают простые измерения, такие как напряжение, ток и температура во время обычной зарядки, и используют машинное обучение для оценки здоровья. Однако большинство таких методов либо фокусируются на одном индикаторе, либо рассматривают несколько индикаторов так, будто их важность не меняется, несмотря на то, что поведение батареи явно эволюционирует в течение её жизни.

Одновременное прослушивание множества сигналов батареи

Авторы показывают, что ключевые сигналы батареи не сохраняют фиксированных отношений друг к другу по мере старения. Например, связь между признаком времени зарядки и пиком в диагностической кривой может резко ослабеть на поздних стадиях, в то время как некоторые пары, связанные с напряжением, меняют корреляцию с слабо отрицательной на сильно положительную. Чтобы справиться с этим изменчивым ландшафтом, они предлагают MI-SOH — фреймворк, который объединяет восемь различных индикаторов здоровья, извлекаемых из данных зарядки, включая длительность фаз постоянного тока и постоянного напряжения, скорость изменения напряжения и тока, насколько нагревается ячейка, и характеристики так называемого пика инкрементальной ёмкости, отражающего внутреннюю химию. Специальный этап взвешивания сочетает два вида корреляционного анализа, чтобы модель могла подчёркивать наиболее информативные индикаторы и ослаблять значение тех, которые становятся менее надёжными на разных этапах старения.

Обучение модели учитывать время и взаимодействия

После взвешивания индикаторы подаются в временную сверточную сеть, отлично выявляющую закономерности во времени — от отдельных циклов зарядки до долгосрочных трендов деградации. В отличие от традиционных рекуррентных сетей, такая архитектура вычисляется эффективно и избегает типичных проблем при обучении. Выход затем передаётся в инвертированный модуль трансформера, который меняет обычную перспективу: вместо фокуса на каждом моменте времени он рассматривает каждый индикатор как отдельный «канал» и учится, как эти каналы влияют друг на друга в полной истории. Это позволяет модели захватывать то, как напряжение, ток, температура и признаки инкрементальной ёмкости совместно отражают внутренний износ батареи.

Автоматический поиск лучших настроек

Современные глубокие модели имеют множество внутренних настроек — например, сколько слоёв и какой ширины — которые сильно влияют на качество. Ручная настройка или систематический перебор утомительны и часто непрактичны. Поэтому авторы добавляют уровень оптимизации, вдохновлённый поведением стай зебр, который ищет удачные комбинации настроек, чередуя этапы «поиска пищи» (доработка перспективных кандидатов) и «защиты» (поиск новых областей). Этот автоматический тюнер конфигурирует временные и трансформер-блоки, а также параметры обучения, такие как скорость обучения и размер батча, чтобы MI-SOH адаптировалась к разным типам батарей и условиям эксплуатации без исчерпывающего метода проб и ошибок.

Что показывают тесты на реальных батареях

Команда проверила MI-SOH на двух широко используемых публичных наборах данных: цилиндрических элементах NASA и призматических элементах CALCE, которые различаются по химии, размерам и времени жизни. В обоих случаях их метод точнее отслеживал состояние батареи по сравнению с несколькими сильными базовыми моделями, включая отдельные временные модели, отдельные трансформерные модели и простое сочетание двух без адаптивного взвешивания или автоматического тюнинга. В среднем MI-SOH снизила ошибки предсказания примерно на одну треть до трёх четвертей по сравнению с этими альтернативами, при этом демонстрируя очень высокое совпадение с истинной измеренной ёмкостью на протяжении сотен циклов. Абляционные тесты — где поочерёдно удаляли отдельные компоненты — подтвердили, что каждый строительный блок (адаптивное взвешивание, временное моделирование, внимание между индикаторами и автоматическая оптимизация) вносит существенный вклад в итоговую точность.

Ясные выводы для повседневных технологий

Для неспециалиста ключевой вывод таков: состояние батареи лучше понимать не по одному числу или фиксированному правилу, а по меняющемуся набору сигналов, которые изменяются по мере старения элемента. MI-SOH фиксирует эту сложность, выясняя, какие сигналы важны на каждом этапе жизни, как они эволюционируют во времени и как влияют друг на друга. В результате получается практичный инструмент, основанный на данных, который можно встроить в системы управления батареями для электромобилей и накопителей энергии. Более точные и надёжные оценки здоровья помогут предотвратить неожиданные отказы, продлить срок службы батарей и снизить общие затраты и риски при переходе на электромобильный и возобновляемый энергетический сектор.

Цитирование: Zhuo, S., Zou, F., Liao, L. et al. MI-SOH: a multi-indicator feature dependency model for lithium-ion battery state-of-health Estimation. Sci Rep 16, 12309 (2026). https://doi.org/10.1038/s41598-026-39986-3

Ключевые слова: состояние здоровья литий‑ионной батареи, оценка состояния здоровья, диагностика батарей, моделирование батарей на данных, батареи электромобилей