西安交大团队提出新型PINN算法，实现电池退化精准预测

西安交大团队提出新型PINN算法，实现电池退化精准预测

近年来，随着电动汽车的普及，电池管理技术成为影响电动汽车性能和寿命的关键因素。西安交通大学机械工程学院陈雪峰、赵志斌团队在这一领域取得了重要突破，他们提出的物理信息神经网络（Physics-Informed Neural Network，简称PINN）算法，为电池退化建模和健康管理提供了新的解决方案。

创新算法：物理信息神经网络（PINN）

赵志斌团队的这项研究发表在Nature Communications上，论文题目为《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》。研究团队针对锂电池退化建模的挑战，提出了基于PINN的电池退化建模和评估方法。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。

通用特征提取方法

研究团队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。这一创新使得算法能够处理不同化学成分的电池数据，如镍钴锰酸锂（NCM）、镍钴铝酸锂（NCA）和磷酸铁锂（LFP）等。

高精度验证

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。

应用前景

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。

这一研究成果不仅提高了电池寿命预测和电池寿命管理系统的准确性，还能优化电动汽车的电池使用策略和电池维护策略，为电动汽车行业的发展提供了有力的技术支撑。