魏学哲教授团队在Cell子刊《Cell Reports Physical Science》发表封面论文

2024年1月17日，同济大学汽车学院2021级硕士生项越以第一作者身份，在Elsevier旗下高影响力的Cell子刊《Cell Reports Physical Science》在线发表了题为“Semi-supervised deep learning for lithium-ion battery state-of-health estimation using dynamic discharge profiles”的研究性论文, 并被选为2024年第一期封面文章！该生导师为戴海峰教授。朱建功副教授和戴海峰教授为本文共同通讯作者，同济大学为第一完成单位。

研究背景 

锂离子电池（LIB）在清洁交通、储能系统、电子产品等领域发挥着越来越重要的作用。然而，由于外部使用环境和内部物理和化学因素的影响，锂离子电池的性能下降是不可避免的。健康状态的准确估计不仅直接影响电量的准确计算和驾驶策略，还关系到电池整个生命周期的报废和回收阶段，使其成为车载LIB退化领域的核心问题之一。数据驱动模型为老化估计领域提供了更多的路线，不需要了解电池的内部状态，而是通过海量的电池使用数据来估计健康状态。

研究成果 

针对现有数据驱动模型在复杂使用环境下标签依赖性严重、准确率低的问题，本研究提出了一种针对动态放电工况的容量老化状态估计模型。通过输入时间序列随机游走放电数据，构建四维健康指标向量作为中间约束, 采用深度半监督学习方法，实现容量健康状况的高精度估计。该模型在多组随机放电数据集和不同化学体系电池循环数据集上进行了训练和测试。训练时只需要整个训练集中1.5%~15%的标记数据，并且使用大量的未标记数据来训练模型。在测试过程中，只需来自随机放电过程的 10 分钟电流电压-温度数据就能实现 2.9% 的测试误差，而较长的时间序列有助于模型达到 <2%的测试误差。测试结果还表明，在训练过程中补充标记输入数据有效提高了估计精度。此外，在不同工况和不同材料的电池数据集上采用了多样化的迁移学习方法，并且取得了较高的准确率，验证了该模型的普适性。

图1 半监督深度学习模型结构

研究团队

本研究由同济大学主要完成，研究得到国家自然科学基金（U20A20310, 52107230）、上海市学术带头人项目（22XD1423800）的支持。详细研究描述请参阅论文原文（点击文末【阅读原文】获取）。

供稿｜朱建功

审核｜赵俊秀

责编｜葛   畅 史静远

推荐阅读

相关链接：汽车骨干青年说｜李泽凡：最美不过志愿红

相关链接：同车关注｜《人民日报》：汽车强国建设迈上新起点