[論文レビュー] Hybrid physics-based and data-driven modeling with calibrated uncertainty for lithium-ion battery degradation diagnosis and prognosis

Jing Lin, Yu Zhang+1 more|arXiv (Cornell University)|Oct 25, 2021

Advanced Battery Technologies Research参考文献 23被引用数 7

ひとこと要約

本稿では、物理ベースのモデルとデータ駆動型モデルを統合したハイブリッドモデルを提案し、リアルタイムでのリチウムイオン電池の劣化診断および予測を実現する。物理的劣化ダイナミクスと統計的学習を統合することで、解釈可能性、一般化能、不確実性のキャリブレーションを向上させる。この手法により、限られたデータと現実世界のばらつきがある状況下でも、高精度でオンラインでのSOH推定およびRUL予測が可能となり、不確実性が適切にキャリブレートされる。

ABSTRACT

Advancing lithium-ion batteries (LIBs) in both design and usage is key to promoting electrification in the coming decades to mitigate human-caused climate change. Inadequate understanding of LIB degradation is an important bottleneck that limits battery durability and safety. Here, we propose hybrid physics-based and data-driven modeling for online diagnosis and prognosis of battery degradation. Compared to existing battery modeling efforts, we aim to build a model with physics as its backbone and statistical learning techniques as enhancements. Such a hybrid model has better generalizability and interpretability together with a well-calibrated uncertainty associated with its prediction, rendering it more valuable and relevant to safety-critical applications under realistic usage scenarios.

研究の動機と目的

• 劣化メカニズムの理解が不十分であることが、バッテリの耐久性と安全性の主要な障壁となっていることに対処する。
• 過去のサイクリングデータに依存するのを最小限に抑えつつ、既知の物理的原則を活用して一般化能と解釈可能性を向上させるモデルを開発する。
• 現実の使用パターン下で、オンラインでの診断（SOH推定）および予測（RUL予測）を可能にする。
• 安全が求められるアプリケーションにおいて、予測の不確実性が適切にキャリブレートされることを保証する。
• 完全にデータ駆動型のモデルと完全に物理ベースのモデルの間のギャップを埋めるために、原理的な方法で物理的知識と機械学習を統合する。

提案手法

• 物理的劣化ダイナミクスを基盤とし、未モデル化された効果を捉えるためにデータ駆動型成分（例：ガウス過程や機械学習モデル）を残差項として追加するハイブリッドモデリングフレームワークを構築する。
• 物理的原則（例：多孔質電極理論、副反応キネティクス）を踏まえた、θでパrameter化された動的システムを用いて劣化の進化を明示的にモデル化する。
• 未知の関数的依存関係（例：SOCおよび温度依存性）を確率過程または学習された関数として扱い、モデルの不確実性を組み込む。
• 逐次観測を用いて状態変数とモデルパラメータを同時に更新するオンラインフィルタリングおよびデータ同化フレームワークを適用し、リアルタイムでの適応を可能にする。
• スパース回帰およびモデル選択技術を用いて、サイクリングデータから関連する劣化モードを自動的に同定する。
• 統計的推論を用いてパラメータ推定および予測の不確実性をキャリブレートし、データが不足している状況や現場のノイズ下でも信頼性を確保する。

実験結果

リサーチクエスチョン

• RQ1 物理的劣化ダイナミクスとデータ駆動型残差を統合したハイブリッドモデルは、完全にデータ駆動型または完全に物理ベースのモデルに比べ、予測精度と一般化能を向上させることができるか？
• RQ2 不確実性が適切にキャリブレートされたモデルは、安全が求められるアプリケーションにおける信頼性の高いオンライン診断および予測をどのように支援できるか？
• RQ3 物理的知識を組み込むことで、バッテリ劣化モデリングにおける大規模な過去のサイクリングデータセットの必要性はどの程度低減できるか？
• RQ4 残差のデータ駆動型成分（例：ガウス過程）は、既存の物理モデルがカバーできない劣化パターンを効果的に捉えることができるか？
• RQ5 フィルタリングを用いた状態とパラメータの同時オンライン推定は、現実のデータばらつき下でのSOHおよびRUL予測のロバストネスをどの程度向上させるか？

主な発見

• 既知の物理的劣化メカニズムを組み込むことで、完全にデータ駆動型モデルに比べ、一般化能と解釈可能性が向上したハイブリッドモデルが得られた。
• 適切にキャリブレートされた不確実性を有する予測により、限られたデータやノイズの多い現場データ下でも、安全が求められるアプリケーションにおける意思決定がより信頼性あるものとなった。
• 物理的知識を統合することで、トレーニングに必要なデータ量が削減され、多様な使用パターン下でもモデルのロバストネスが向上した。
• 残差のデータ駆動型成分（例：ガウス過程）は、物理ベースのモデルがカバーしないモデルバイアスや未モデル化された劣化ダイナミクスを効果的に捉えた。
• ハイブリッドモデルをオンラインフィルタリングフレームワークに統合することで、リアルタイムかつ適応可能な状態とパラメータ推定が可能となり、時間の経過とともに予測精度が向上した。
• 本手法は、実際の現場データへの広範な適用性を支持し、信頼性の高いSOH推定により、リユース電池の応用の可能性を開く。