近年来，全社会锂离子电池的使用量以惊人的速度增长，其凭借能量密度高、自放电率低、使用寿命长等优点，已成为各种便携式电子设备、电动汽车、航空航天等众多领域的主要储能器件。为确保锂电池安全可靠运行，对其进行退化建模和健康管理至关重要。然而，由于锂电池型号不一、化学成分各异、使用场景和用户使用习惯差异大，实现现实世界的退化建模和稳定准确的健康状态估计仍然充满挑战。

针对上述问题，西安交通大学机械工程学院陈雪峰、赵志斌团队提出了物理信息神经网络（PINN）驱动的电池退化建模和评估方法。相关成果以《利用物理信息神经网络进行锂离子电池退化的稳定建模与预测》（Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis）为题发表在Nature Communications上。

考虑到电化学方程的复杂性，该工作从电池退化经验方程和状态空间视角出发，提出了电池退化经验模型，并利用物理信息神经网络（PINN）捕捉电池降解动态。设计了一种通用特征提取方法，用于从电池完全充电前的短时间数据中提取特征，从而使该方法适用于不同的电池类型、使用场景和充放电协议（图1）。

图1 提出的用于锂离子电池健康状态评估的PINN流程图

(a)锂离子电池可能有不同的化学成分（如镍钴锰酸锂（NCM）、镍钴铝酸锂（NCA）和磷酸铁锂（LFP）等）。不同的用户采用个性化的电池放电策略，从而导致不同的衰减轨迹。(b)特征提取所选数据示意图。从电池充满电之前的短时间数据中提取特征。(c)提出的电池退化模型和PINN结构。

为了验证提出的方法，团队开展了锂电池退化实验，生成了一个由55个镍钴锰酸锂电池（NCM）组成的综合数据集；结合其他三个来自不同制造商的数据集，共使用了387只电池、310705个样本来验证提出的方法，平均绝对百分比误差(MAPE)为0.87%。与其他方法相比，提出的方法在常规实验、小样本实验和迁移实验中都表现出了卓越的性能。

该项研究把最新的“科学机器学习”（Scientific machine learning）技术与健康管理需求相结合，凸显了其在退化建模和健康状态评估方面的前景。通过小样本实验和迁移实验，证明了考虑物理知识有助于机器学习模型更快更好地从数据中学习有用知识。该方法可以利用现有少量数据和已有物理知识，促进下一代健康管理系统的快速开发。

西安交通大学为论文的唯一通讯单位，博士生王福金和副研究员翟智为论文共同第一作者，赵志斌助理教授及陈雪峰教授为本文的共同通讯作者。该工作由国家自然科学基金(No. 52105116, 92060302)、中央高校基本科研业务费专项资金(xzy022023060)的支持。

论文链接：https://www.nature.com/articles/s41467-024-48779-z

陈雪峰教授团队主页：/xjtu/smu_gr/web/chenxf

赵志斌助理教授主页：/xjtu/smu_gr/web/zhaozhibin0124