[논문 리뷰] GPINND: A deep-learning-based state of health estimation for Lithium-ion battery

Yuzhu Lei, Guanding Yu|arXiv (Cornell University)|2026. 02. 04.

Advanced Battery Technologies Research인용 수 0

한 줄 요약

GPINND는 하이브드 구동 대리 모델과 자가 감독 파라미터 식별 네트워크 및 SOH 추정기를 aSequential 학습 프레임워크로 결합하여 Li-ion 배터리에 대한 비반복 노화 파라미터 식별 및 고정밀 SOH 추정을 달성합니다.

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.

연구 동기 및 목표

• 강건하고 실시간인 SOH 추정을 목표로 하며 반복적 전기화학 파라미터 식벨의 계산 비용을 해결함으로써.
• 고충실도 전기화학 동역학을 딥러닝과 통합하는 물리적으로 정보가 반영된 미분 가능한 프레임워크를 개발한다.
• 해석 가능성을 갖춘 비반복 온라인 노화 파라미터 식별과 정확한 SOH 추정을 가능하게 한다.
• 이질적 작업을 공동 학습할 때의 수렴 문제를 순차 학습 전략으로 완화한다.
• 노화 파라미터를 물리화학적 건강 지표로 활용하여 SOH 추정의 해석 가능성과 정확도를 개선한다.

제안 방법

• 네 가지 독립적인 MLP 서브네트워크를 사용하여 네 가지 핵심 농도 역학을 예측하는 하이브드 구동 대리 모델을 구성한다.
• 의 시뮬레이션 고충실도 SPMe 데이터로 대리 모델을 학습하면서 대리의 학습에서 물리적 손실을 통해 PDE로부터의 제약을 적용한다.
• 외부 측정값(V, I, t)을 노화 파라미터로 매핑하는 자기 지도 파라메터 식별 네트워크를 개발하되 전압 재구성 오차를 최소화한다.
• 대리 모델을 고정하고 그 미분 가능 전압 재구성 커널을 사용해 전압 오차를 파라미터 식별 네트워크로 역전파한다.
• 식별된 노화 파라미터를 SOH로 매핑하는 MLP를 사용한 SOH 추정 네트워크를 구축하고, 출력에 Sigmoid를 두어 SOH를 [0,1]로 제약한다.
• 세 가지 작업(내부 동역학 예측, 파라미터 식별, SOH 추정)을 분리하고 강건한 수렴을 위해 순차 학습 전략을 채택한다.

실험 결과

연구 질문

• RQ1 하이브드 구동 대리 모델이 온라인 노화 파라미터 식별을 위한 차별화 가능하고 정확한 전기화학적 기초를 제공할 수 있는가?
• RQ2 미분 가능 물리 커널을 활용하여 외부 측정으로부터 비반복적으로 노화 파라미터를 식별할 수 있는가?
• RQ3 노화 파라미터가 SOH 추정의 정확도와 해석 가능성을 개선하는 강건한 물리화학적 지표로 작용할 수 있는가?
• RQ4 순차 학습 전략이 이질적 물리 기반 작업의 공동 학습에서 그래디언트 충돌 및 수렴 문제를 완화하는가?
• RQ5 GPINND를 사용한 전압 재구성 및 SOH 추정에서 전통적 방법에 비해 성능 향상이 있는가?

주요 결과

• 전압 재구성 RMSE가 0.0198 V로 달성된다.
• SOH 추정 RMSE가 0.0014로 달성된다.
• 순차 학습 전략이 이질적 작업을 효과적으로 분리하고 수렴을 개선한다.
• 하이브드 구동 대리 모델이 미분 가능성을 유지하면서 단순화된 제약으로 인한 체계적 바이어스를 줄인다.
• 온라인 노화 파라미터 식별이 반복적 최적화 없이 가능해진다.
• 식별된 노화 파라미터가 물리화학적 건강 지표로 작용하여 SOH 추정의 해석 가능성과 정확도를 향상시킨다.