[論文レビュー] GPINND: A deep-learning-based state of health estimation for Lithium-ion battery

Yuzhu Lei, Guanding Yu|arXiv (Cornell University)|Feb 4, 2026

Advanced Battery Technologies Research被引用数 0

ひとこと要約

GPINNDはハイブリッド駆動の代理モデルと自己教師付きパラメータ同定ネットワークおよびSOH推定機をSequential訓練フレームワークで組み合わせ、Liイオン電池の老化パラメータを非反復識別し高精度なSOH推定を実現する。

ABSTRACT

Electrochemical models offer superior interpretability and reliability for battery degradation diagnosis. However, the high computational cost of iterative parameter identification severely hinders the practical implementation of electrochemically informed state of health (SOH) estimation in real-time systems. To address this challenge, this paper proposes an SOH estimation method that integrates deep learning with electrochemical mechanisms and adopts a sequential training strategy. First, we construct a hybrid-driven surrogate model to learn internal electrochemical dynamics by fusing high-fidelity simulation data with physical constraints. This model subsequently serves as an accurate and differentiable physical kernel for voltage reconstruction. Then, we develop a self-supervised framework to train a parameter identification network by minimizing the voltage reconstruction error. The resulting model enables the non-iterative identification of aging parameters from external measurements. Finally, utilizing the identified parameters as physicochemical health indicators, we establish a high-precision SOH estimation network that leverages data-driven residual correction to compensate for identification deviations. Crucially, a sequential training strategy is applied across these modules to effectively mitigate convergence issues and improve the accuracy of each module. Experimental results demonstrate that the proposed method achieves an average voltage reconstruction root mean square error (RMSE) of 0.0198 V and an SOH estimation RMSE of 0.0014.

研究の動機と目的

• 反復的な電気化学パラメータ同定の計算コストに対処し、堅牢でリアルタイムなSOH推定を動機づける。
• 高忠実度の電気化学動力学を深層学習と統合する物理情報を持つ微分可能なフレームワークを開発する。
• 非反復のオンライン老化パラメータ同定と解釈性を伴う正確なSOH推定を実現する。
• 連結学習の収束問題をSequential訓練戦略によって緩和する。
• 老化パラメータを物理化学的 Health 指標として活用し、SOH推定の解釈性と精度を向上させる。

提案手法

• 内部動力学を予測する4つの独立MLPサブネットワークを用いたハイブリッド駆動代理モデルを構築する。
• 代理モデルを高忠実度のSPMeデータで訓練し、代理モデルの訓練時に物理損失を導入してPDE由来の制約を課す。
• 外部測定値（V, I, t）を老化パラメータへマッピングし、電圧再構成誤差を最小化する自己教師付きパラメータ同定ネットワークを開発する。
• 代理モデルを凍結し、その微分可能な電圧再構成カーネルを用いて電圧誤差をパラメータ同定ネットワークへ逆伝播させる。
• 識別された老化パラメータをMLPでSOHへマッピングし、出力を0〜1に制約するシグモイドを用いたSOH推定ネットワークを構築する。
• 内部動力学予測、パラメータ同定、SOH推定の3タスクを順次訓練して、収束性を高める戦略を採用する。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド駆動の代理モデルはリアルタイム老化パラメータ同定のための differentiable で正確な電気化学的基盤を提供できるか。
• RQ2 differentiable な物理カーネルを活用して外部測定から非反復で老化パラメータを同定できるか。
• RQ3 老化パラメータはSOH推定の精度と解釈性を向上させる頑健な物理化学指標となり得るか。
• RQ4 Sequential訓練戦略は異種の物理駆動タスクの勾配干渉と収束問題を緩和するか。
• RQ5 GPINNDを用いた場合の電圧再構成とSOH推定のパフォーマンス向上は従来手法と比べてどの程度か。

主な発見

• 電圧再構成RMSEは0.0198 Vを達成。
• SOH推定RMSEは0.0014を達成。
• 逐次訓練戦略は異種タスクを効果的に分離し、収束性を改善。
• ハイブリッド駆動代理モデルは、単純化された制約のみの系統的バイアスを減少させつつ微分可能性を維持。
• オンライン老化パラメータ同定を反復最適化なしで実現。
• 識別された老化パラメータは物理化学的健康指標としてSOH推定の解釈性と精度の向上に寄与。