[复材信息][复材信息]Joule：系统寿命预测设计基于锂电化阶段。

【选题背景】

在锂电池的设计和生产过程中，将其转化为阶段尤为重要，这与SEI和CEI的成膜过程有关。但是大家对界面膜的形成机制的了解还是比较有限的，需要近100天的时间来评价其功能的电池循环到失效的检测，这极大地影响了锂离子电池的高效设计和生产。

基于此，麻省理工学院Richard D. Braatz团队在那里 Joule上发表的标题是“Systematic feature design for cycle life prediction of lithium-ion batteries during formation"研究论文，作者提出了一个系统的特征设计框架，这个框架可以在化学过程中准确预测电池的循环寿命，几乎不需要领域知识。在没有额外循环测试的情况下，作者通过使用从化到数据提取的两个简单特征来完成循环寿命预测的平均误差仅为9.87。 %的结果。在没有额外循环测试的情况下，作者通过使用从化到数据提取的两个简单特征来完成循环寿命预测的平均误差仅为9.87。 %结果。作者的方法可以加快工业电池的研究，充分利用数据驱动的特性设计和功能机制之间的相关性，提高预测效率。

[图文介绍][图文介绍]

图1研究使用了Cui等人的数据集，包括186个单晶NMC532/人工石墨软包电池，使用了62个不同的方案(即每个方案对应三个电池)和相同的老化方案。该数据集中包括10种快速化方案，其中两个步骤充电过程中使用的倍数均超过10倍 C，这一方法最近因其在提高电池性能的同时降低成本而受到重视。在186个软包电池中，作者选择了178个到达生命周期的终点(即0.75) C恒电流（CC）在放电步骤中测得的放电容量低于其初始值的80%)且无试验故障(如短路极耳损坏)的电池。该数据集中有六个变量参数:第一次充电步骤中恒电流充电的两个电流(CC1和CC2)和两个恒电流充电之间的截止电压。（CV），第一个充电步骤和最后一个放电步骤之间的循环次数（nver），化为步骤中的温度（T），以及化为步骤后的静置时间。（tOCV）。通过超立方取样这六个参数（LHS）选择方法，这种方法能有效地探索参数空间。在所有62种方案中，作者定义了三个步骤(如图1所示)：第一次充电步骤(步骤A)、最后一次放电步骤(步骤B)和第一次放电步骤(步骤C)。化学方案之间的大部分变化都体现在步骤A上，而步骤B和步骤C在每个温度条件下选择相同的操作方案。

图1 生成数据集的生成协议示意图

图2本部分描述了系统化特征设计框架的工作流程，如图2所示。第一，作者从原始测量数据中提取数据输入。然后，基于自动机器学习（auto-ML）评价每一个备选项的潜力。在确定输入数据类型后，作者选择结合套索模型进行选择。（fused-lasso model）的惩罚项λ值。随后，基于套索模型指数的组合β设计特点，该指数将选择输入(步骤B中的Q(V)）映射到导出(循环寿命)。最后进行筛选，最后确定设计的特征值。

考虑到β对λ作者需要确定哪一种依赖性？λ值可以生成β，设计具有很强的预测性和可解释性的特点。所以，作者根据三个标准提出了决定λ值：预测性，鲁棒性和可解释性。就预测性而言，使用五个内部折叠。（inner folds）平均绝对百分比偏差（MAPE）以评估模型为代表指标，对未训练化的电池循环寿命进行预测。整齐的动态时间（DTW）用于量化鲁棒性的距离比指标(也就是β测试不同训练-分割中形状的一致性)。根据使用情况确定λ求解方程，得到最后一个。β。

图2 系统特征设计框架极端初期循环寿命预测。

尽管图3A包含了19个界限，但并非所有界限都必须用来划分输入数据。在图3A中，作者发现，虽然界限J和界限K看起来很接近，但是无法删除。它突出了算法S1对特定电压范围内编码信息的敏感性。从图3B到图3D，作者在QB。(V)、dQB/dV(V)和d2QB/dV2(V)算法S1最终产生的划分界限在曲线图上绘制。从图中可以看出，这些界限更好地捕捉到了d2QB/dV2。(V)特别是在3.6左右的曲线特征 在V附近的电压范围内，这里可以识别出最大峰值和谷值(参照图3B到图3D中的粗斜线垂直线)。如果算法S1生成Nsec个段，总共会有2Nsec个特征(每个段的差值特征和平均特征)。这些特征可以根据算法S2中的相关性图进一步选择。第一，选择与循环寿命相关性最高的皮尔逊特征。接着，为了防止多重共线性，过滤掉与已选特征皮尔逊高度相关的特征(例如，>0.2)。在没有特征和导出之前，通过迭代这个过程(例如，>0.4)与皮尔逊有很高的相关性。最终，使用算法S2为外部折叠1选择了两个特征：QB(3.57 V) − QB(3.60 V)和QB(3.60 V) − QB(3.66 V)。d2QB/dV2选择的电压值和图3D(V)曲线峰值与谷值检索相匹配，表明设计的特点具有一定的物理意义。

图3 输入数据分区为特征设计。

从图4A可以看出，最佳设计模型(蓝星)的性能和最佳自动机器学习只有两个特点。（auto-ML）模型(黑叉号)相当，同时在平均值中。（mean）、HL和中位数（median）在指标上优于最佳无偏模型(红星)。这个结果特别明显，因为这个设计解决了其他方法的主要局限性:无偏模型局限于特定的方案格式，无法捕捉到电池之间的差异，而auto-ML模型是一个极端的情况，它可以通过牺牲模型的可解释性来获得更好的预测能力。相比之下，设计模型使用了两个简单的Q。(V)这些特征可以应用于不一定遵循Cui等人所采用的模板化方案。

图4B可视化了每个计划下电池的实际循环寿命和预测循环寿命，显示了三种模型在评估未经训练的计划时的准确性和可靠性。对于大多数循环寿命较长的解决方案(主要是非常规解决方案，包括快速解决方案和高温解决方案(即T=55)°C）），最佳无偏模型的预测往往与测试数据有较大误差。虽然一些方案中最好的auto-ML模型和设计模型会有很大的误差，但很多误差都反映在预测循环寿命范围内的较大变化(即较长的偏差条)。这一变化表明，对这种变化方案的评估可能不够可靠，因此进一步的电池测试可能会带来更好的评估结果。由于它不能捕捉到电池之间的差异，所以无偏模型不能为用户提供这样的指导，这也反映了无偏模型的局限性。最佳auto-ML模型在两个快速方案中显示出较大的预测误差(即超过250个循环)，尤其是对于循环寿命最长的方案，其预测误差达到约350个循环。所以，依靠auto-ML模型评估迅速转化为方案可能存在风险。方案34中最佳设计模型的预测误差约为250个周期，而该策略的平均周期寿命约为1000个周期，既不是快速变成方案，也不是高温变成方案。但是需要注意的是，这个方案中最好的auto-ML模型的预测误差也达到了200个左右的循环，所以这个不好的预测结果可能是因为只使用Q。(V)由于数据构建模型的局限性。

总的来说，最佳设计模型的预测误差在所有快速转化为高温的方案中都低于200个循环，同时可以捕捉到电池之间的差异，这表明它在评估跨越普遍转化为方案范围时具有良好的可靠性。

图4 无知论模型、自动ML模型和设计模型的预测性能

根据领域知识(如图5中红色箭头所示)，作者知道固体电解质界面是由温度和微粒电阻的异质决定的。（SEI）质量的主要因素，SEI的质量最终决定了电池的循环寿命。根据上述特征设计工作(如图5中蓝色箭头所示)，笔者了解到表4中设计特征中存在的三个电压值与步骤B中d2Q/dV2曲线的峰值和谷值一致。作者研究了图5中斜线绿色箭头所指示的缺乏阶段，以探索设计特征的物理意义。鉴于数据集中成为方案的广泛变化，准确解释这些特征的物理意义具有挑战性。所以，作者重点探索了CC1在0.05中低于0.05的特征，这是一个缓慢的特征。 C。这些变成了更容易预测的方案。这种稳定的SEI层是在这些缓慢的操作条件下形成的，因为长循环寿命体现在物理上，与稳定的SEI层密切相关。此外，这些稳定的SEI层可以被视为固定的锂损失，这使得更容易通过清除电极利用率变化带来的自由来研究它们。

对锂电池系统的缓慢形成，长期以来假设SEI增长是容量衰减的主要机制。长期以来，由于溶剂分子通过SEI层扩散，这种机制具有自我约束能力。已经提出了SEI增长的动态变化，从反应限制到扩散限制，大致对应经典的两层SEI增长模式，其中密集的无机初级SEI层延续缓慢，厚而多孔的二级SEI层延续扩散限制。近几年来，关于化为过程中存在两种增长制度的证据日益增多，这表明在化为初期就产生了大量与SEI相关的容量。初级SEI层被认为是缓慢化为方案的良好形成。化为结束后，系统饱和于降解产品，不同化为方案中通过SEI生产消耗的锂总量基本相同。

图5 如何在物理调查的基础上指导系统的特征设计框架，找出所设计特征的物理意义？

作者可以使用五个自由参数来模拟跨不同温度的过程B曲线，通过模拟每个电极的颗粒电荷传输电阻，并使用以对数正态分布为特征的平均值和标准差。将图6C和图6D中的模拟结果与图6A和图6B中的测试数据集进行比较。作者发现，d2Q/dV2曲线在局部极大值和极小值位置的显著相似性以及随温度变化的趋势。作者推断，这些相似之处包括两种相关电极均值电阻的信息，以及复杂微观系统状态下的潜在电阻异质。前一种是通过更简单的特性(例如给定状态的微分电阻)获得的，后一种是设计特性所独有的，并且可能导致高性能。这一隐性异质性可能是SEI质量的结果，而SEI质量不能直接从化为方案参数值中提取。总的来说，作者假设设计模型的性能优于无偏模型，因为设计特性不仅编码了一些无偏模型的参数值(如化为温度)，还编码了微粒电阻的潜在异质。这一异质因电池而异，并在化学过程中转化为电化学特性。

图6 具体检测结果

【总结与展望】

"预测循环寿命需要多少数据？"这一问题一直困扰着电池寿命预测领域。尽管大部分研究都集中在老化阶段的早期循环寿命预测上，但是作者的工作表明了如何只使用数据来实现这一预测。预测未经训练化为战略的极早循环寿命是可能的，作者的工作有望加速到过程的优化。作者在本研究中开发了一个系统的特征设计框架，以最少的领域知识和用户输入实现了极早的循环寿命预测。利用作者的框架，从化为方案的最后一个放电步骤设计了两个简单的Q(V)特点。这类特征不需要额外的诊断循环，而且在比较不同温度下化为方案时表现出色，而且温度被称为影响SEI层质量的关键参数。作者将通过基于物理的研究，由特征设计框架指导，设计Q(V)对dQ/dV和d2的学习化为温度和微观颗粒电阻异质的特性的预测能力Q影响/dV2曲线的能力。就预测性、鲁棒性和可解释性而言，这两种设计特点适用于在化为步骤中评估未训练化为方案。

尽管本研究的主要关键是预测SC-NMC532/AG电池的早期循环寿命，但工业界可能会根据其应用对不同的电池化学成分、电池性能参数和循环条件感兴趣。对于上述任何特定设置，作者的框架都没有量身定做，所以预计可以制作出适合各种应用的预测特性。设计特征的可解释性使得作者能够利用数据驱动的特征设计和对相关应用的反射理解之间的相互作用，从而为进一步拓展工业化进程的领域知识提供了机会。

免责声明:中国复合材料协会微信微信官方账号发布的文章仅用于复合材料理论知识和市场信息的交流与分享，不用于任何商业目的。如果任何个人或组织对文章版权或其内容的真实性和准确性有疑问，请尽快联系我们。我们会及时处理。

继续滚动阅读下一个轻触阅读原文。

学会向上滑动中国复合材料，看下一个。

原标题：“复材信息”Joule：以锂电化为基础的系统寿命预测设计

阅读原文

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com