[論文レビュー] Physics-Informed Neural Networks for Prognostics and Health Management of Lithium-Ion Batteries

Pengfei Wen, Zhi‐Sheng Ye+4 more|arXiv (Cornell University)|Jan 2, 2023

Advanced Battery Technologies Research被引用数 6

ひとこと要約

本論文は、リチウムイオン電池の予後管理（PHM）のため、半経験的物理モデルとデータ駆動型ディープラーニングを融合するPhysics-Informed Neural Network（PINN）ベースのフレームワークを提案する。PDEに基づく劣化モデルをPINNに埋め込み、Deep Hidden Physics Models（DeepHPM）を用いて動的挙動を発見することで、State of Health（SoH）推定とRemaining Useful Life（RUL）予測の両方を向上させた。公開のLFP/グラファイト電池データセットを用いた評価では、SoH推定で7.9%のRMSPE、RULプロジオスティクスで8.40サイクルのRMSEを達成した。

ABSTRACT

For Prognostics and Health Management (PHM) of Lithium-ion (Li-ion) batteries, many models have been established to characterize their degradation process. The existing empirical or physical models can reveal important information regarding the degradation dynamics. However, there are no general and flexible methods to fuse the information represented by those models. Physics-Informed Neural Network (PINN) is an efficient tool to fuse empirical or physical dynamic models with data-driven models. To take full advantage of various information sources, we propose a model fusion scheme based on PINN. It is implemented by developing a semi-empirical semi-physical Partial Differential Equation (PDE) to model the degradation dynamics of Li-ion batteries. When there is little prior knowledge about the dynamics, we leverage the data-driven Deep Hidden Physics Model (DeepHPM) to discover the underlying governing dynamic models. The uncovered dynamics information is then fused with that mined by the surrogate neural network in the PINN framework. Moreover, an uncertainty-based adaptive weighting method is employed to balance the multiple learning tasks when training the PINN. The proposed methods are verified on a public dataset of Li-ion Phosphate (LFP)/graphite batteries.

研究の動機と目的

• 劣化ダイナミクスにわたる一般化が限定的な状況において、経験的・物理的・データ駆動型モデルを統合する課題に対処すること。
• ドメイン知識（例：Verhulstモデル）を事前知識として統合し、Deep Hidden Physics Models（DeepHPM）によるデータ駆動型発見を組み合わせた柔軟な情報統合フレームワークを開発すること。
• Physics-Informed Neural Networks（PINN）を用いて、リチウムイオン電池のState of Health（SoH）推定とRemaining Useful Life（RUL）プロジオスティクスの精度とロバスト性を向上させること。
• PINN学習中に複数の学習タスク（例：PDE残差、データ損失）をバランスさせるために、不確実性に基づく適応的重み付け方式を導入すること。

提案手法

• Verhulstモデルから導出された半経験的・半物理的偏微分方程式（PDE）を用いて、充電・放電プロファイルと初期SEI形成レベルを組み込んだ電池劣化ダイナミクスを表現する。
• 事前知識が限られる状況では、DeepHPMを用いてデータから支配的挙動を発見し、PDE構造のデータ駆動型発見を可能にする。
• DeepHPMで発見された動的挙動をPINNフレームワーク内に統合し、PDE残差損失によって物理的一致性を強制する。
• 学習中のデータ適合、PDE残差、その他の制約の損失項を動的にバランスさせるために、不確実性に基づく適応的重み付け機構を適用する。
• データ損失、PDE残差損失、境界条件・初期条件の強制を含むマルチタスク損失関数を用いて、エンドツーエンドでPINNを学習する。
• モデルの性能は、公開のLFP/グラファイト電池データセットを用いて評価され、ネットワークアーキテクチャおよび入力組み合わせのアブレーションスタディにより、ロバスト性と一般化性能を検証した。

実験結果

リサーチクエスチョン

• RQ1 PINNフレームワークは、半経験的物理モデルとデータ駆動型DeepHPMを効果的に統合し、電池のSoH推定とRUL予測を向上させることができるか？
• RQ2 DeepHPMを用いて発見されたPDE動的挙動の統合は、完全にデータ駆動型または完全に物理的モデルと比較して、PHMモデルの精度と解釈可能性をどのように向上させるか？
• RQ3 時間、状態、空間勾配などの異なる入力組み合わせが、PINNフレームワーク内でのDeepHPMの性能に与える影響は何か？
• RQ4 不確実性に基づく適応的損失重み付けは、マルチタスクPINN学習における収束性と一般化性能をどのように向上させるか？
• RQ5 提案手法は、SoHおよびRUL予測タスクにおいて、ベースラインニューラルネットワークや既存の統合戦略をどの程度上回るか？

主な発見

• 提案されたPINN-DeepHPMフレームワークは、検証セットで7.9%のRMSPEを達成し、ヴァナイルニューラルネットワークやベースラインPINN設定を上回った。
• ケースAにおけるRULプロジオスティクスでは8.40サイクルのRMSEを達成し、他の入力組み合わせやベースラインモデルと比較して優れた精度を示した。
• DeepHPMの入力に空間勾配（u_x）を含めると性能が著しく低下した。これは、ノイズが多いまたは不安定な勾配推定に敏感であることを示唆している。
• 時間（t）、状態（x）、入力電流（u）をDeepHPMの入力として組み合わせた場合が最良の性能を示し、7.9%のRMSPEと8.40サイクルのRMSEを達成した。これは、時間的および状態に依存する特徴の重要性を裏付けた。
• 不確実性に基づく適応的重み付け手法は、複数タスクにおける矛盾する損失項のバランスを取ることで、学習安定性と一般化性能を向上させた。
• アブレーションスタディにより、SoH推定には2層・128ニューロン/層の最適なネットワークアーキテクチャが、RUL予測には2層・128ニューロン/層が最良であり、過学習を最小限に抑えることが確認された。