[论文解读] 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 6

一句话总结

本论文提出了一种基于物理信息神经网络（PINN）的框架，将半经验物理模型与数据驱动的深度学习相结合，用于锂离子电池的健康状态预测与管理（PHM）。通过将基于PDE的退化模型嵌入PINN，并利用深度隐式物理模型（DeepHPM）发现动力学规律，该方法提升了健康状态（SoH）估计与剩余使用寿命（RUL）预测的性能，在公开的LFP/石墨电池数据集上，SoH估计的均方根百分比误差（RMSPE）为7.9%，RUL预测的均方根误差（RMSE）为8.40个循环。

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.

研究动机与目标

• 为解决在退化动态变化多样时，融合经验性、物理性与数据驱动模型在电池健康状态预测与管理（PHM）中泛化能力有限的挑战。
• 开发一种灵活的信息融合框架，将先验领域知识（如Verhulst模型）与通过深度隐式物理模型（DeepHPM）实现的数据驱动发现相结合。
• 利用物理信息神经网络（PINN）提升锂离子电池健康状态（SoH）估计与剩余使用寿命（RUL）预测的准确性与鲁棒性。
• 提出一种基于不确定性的自适应加权机制，以在PINN训练过程中动态平衡多个学习任务（如PDE残差、数据损失）的损失项。

提出的方法

• 从Verhulst模型推导出一个半经验、半物理的偏微分方程（PDE），用于表征电池退化动态，整合了充放电特性与初始固态电解质界面（SEI）形成水平。
• 在先验知识有限时，采用DeepHPM从数据中发现潜在的控制动力学，实现对PDE结构的数据驱动发现。
• 将DeepHPM发现的动力学与半物理PDE模型在PINN框架内融合，通过PDE残差损失项强制实现物理一致性。
• 应用基于不确定性的自适应加权机制，动态平衡训练过程中数据拟合损失、PDE残差损失及其他约束项的损失权重。
• 采用包含数据损失、PDE残差损失及边界/初始条件强制项的多任务损失函数，对PINN进行端到端训练。
• 在公开的LFP/石墨电池数据集上评估模型性能，并通过消融实验分析网络架构与输入组合，验证其鲁棒性与泛化能力。

实验结果

研究问题

• RQ1 PINN框架能否有效融合半经验物理模型与数据驱动的DeepHPM，以提升电池SoH估计与RUL预测性能？
• RQ2 通过DeepHPM发现的PDE动力学是否能提升PHM模型的准确性与可解释性，相较于纯数据驱动或纯物理模型？
• RQ3 不同输入组合（如时间、状态、空间梯度）对PINN框架中DeepHPM性能有何影响？
• RQ4 基于不确定性的自适应损失加权机制如何提升多任务PINN训练中收敛性与泛化能力？
• RQ5 所提出方法在SoH与RUL预测任务中，相较于基线神经网络与现有融合策略，性能提升程度如何？

主要发现

• 所提出的PINN-DeepHPM框架在验证集上实现了7.9%的SoH估计均方根百分比误差（RMSPE），优于普通神经网络与基线PINN配置。
• 在Case A条件下，RUL预测的RMSE达到8.40个循环，表现出优于其他输入组合与基线模型的预测精度。
• 在DeepHPM输入中引入空间梯度（u_x）显著降低了性能，表明对噪声或不稳定的梯度估计具有高度敏感性。
• 将时间（t）、状态（x）与输入电流（u）作为DeepHPM的输入组合时性能最佳，实现7.9% RMSPE与8.40个循环RMSE，验证了时间与状态感知特征的重要性。
• 基于不确定性的自适应加权方法提升了训练稳定性与泛化能力，尤其在平衡多任务中冲突的损失项方面表现突出。
• 消融实验表明，SoH估计的最佳网络架构为2个隐藏层，每层128个神经元；而RUL预测在2层、每层128个神经元时表现最佳，有效抑制了过拟合。