锂离子电池老化拐点早期预测：一项跨化学体系的机器学习研究

一、 研究团队与发表信息

本研究的主要作者包括来自美国特拉华大学机械工程系的Xijun Tan、Shuguo Sun、Bo Rui和通讯作者Jun Xu（同为特拉华大学能源力学与可持续性实验室成员），来自多佛-谢伯恩高中的Nathan Zeng，以及来自特拉华大学计算机与信息科学系、生物医学工程系和数据科学研究所的Yixiang Deng。该研究成果以题为“Early-cycle prediction of battery aging onset across chemistries”的论文形式，发表于Journal of Energy Chemistry期刊的第105卷（2025年），并于2025年2月13日在线发布。该论文隶属于该期刊“AI4Batteries”特刊的一部分。

二、 学术背景与研究目标

本研究的科学领域聚焦于锂离子电池（LIB）的健康状态管理与寿命预测，具体关注电池老化过程中的一个关键现象——“拐点”（Knee Point）。拐点标志着电池容量从缓慢、线性的衰减阶段进入加速、非线性的急剧衰减阶段，是电池寿命终结的预警信号。准确预测拐点出现的循环次数，对于电动汽车和固定式储能系统中电池的优化管理、维护策略制定以及安全性保障具有至关重要的意义。

然而，电池老化是一个涉及电化学、力学、热学等多物理场耦合的复杂过程，这给基于物理原理的模型和传统机器学习模型带来了巨大挑战，往往导致预测精度不足。现有研究大多集中于预测电池的整体循环寿命，仅有少数工作尝试预测拐点，且这些模型通常存在局限性：它们往往针对特定电池化学体系开发，需要大量的历史循环数据（如数百个循环）或依赖大量特征，且特征选择缺乏清晰的物理解释。

因此，本研究旨在解决上述挑战，其核心目标是：开发一种能够仅利用早期循环数据（如前50-200个循环），即可跨不同电池化学体系（如磷酸铁锂LFP和镍钴锰酸锂NCM）高精度预测老化拐点循环次数的数据驱动模型。 研究希望通过从早期循环的电压曲线中提取具有明确物理背景的新特征，结合机器学习算法，实现对电池加速老化起始点的早期、通用化预警。

三、 详细研究流程

本研究的工作流程系统而严谨，主要包含以下几个关键步骤：

1. 数据集构建与拐点定义： 研究首先整合了来自两个来源的电池循环老化数据集，形成了一个跨化学体系的综合性数据集。一是作者实验室生成的EMSLab数据集，包含20个镍钴锰酸锂（NCM613）/石墨电池，在0.5-1 C倍率下循环。二是来自公开的斯坦福-麻省理工数据库的商业磷酸铁锂（LFP）/石墨电池数据集，包含162个电池（分为117个电池的“主要数据集”和45个电池的“次要数据集”），在3-6 C的快充倍率下循环。所有电池的拐点循环次数分布在100至1000次之间，涵盖了广泛的衰减行为。

为了进行定量分析，研究需要对“拐点”进行数学定义。由于实际电池容量衰减数据是离散且带有噪声的，直接计算曲率最大值（二阶导数）困难且不准确。因此，本研究采用了Kneedle算法进行离线拐点检测。该算法的原理是：在容量衰减曲线上连接起点和终点形成一条直线，然后寻找衰减曲线到这条直线垂直距离最大的点，该点即被定义为拐点。这为后续的模型训练提供了准确的监督学习标签（即每个电池真实的拐点循环数）。

2. 特征工程与提取： 这是本研究的创新核心。为了仅用早期循环数据实现预测，研究者从每个循环的放电电压-容量（V-Q）曲线中，精心设计并提取了五个具有强物理背景的特征。这些特征旨在捕捉电池老化初期微妙的电化学状态变化，这些变化可能早于明显的容量衰减。

• 特征1：能量差（ΔEnergy）：计算特定两个循环之间（如第10循环与第50循环）放电电压曲线所围成的面积差（即能量差）。公式为：ΔEnergy{10-50} = ∫{U{CL}}^{U{CH}} Q{10}(V)dV - ∫{U{CL}}^{U{CH}} Q_{50}(V)dV。这个特征直接关联于电池活性锂离子（Li+）的损失，而活性锂损失是导致电池老化的核心机制之一（如固体电解质界面膜SEI增厚、锂沉积）。
• 特征2：单位循环能量差（ΔE）：分析能量差随循环次数的变化率。研究发现，在初期循环（如前210次）中，能量差与循环数近似呈线性关系。因此，ΔE被定义为该线性关系的斜率（d(ΔEnergy)/d(Cycle)），它反映了能量损失的速率。
• 特征3：容量差方差（Var(ΔQ50–10(V))）：此特征借鉴自先前文献，但被赋予了新的物理内涵。它计算第10循环与第50循环之间，电压-容量曲线差值ΔQ(V)在整个电压范围内的方差。方差的大小反映了能量耗散随电压变化的非均匀程度，与电池内部的动力学过程或开路过程相关。
• 特征4：容量差最小值（Min(ΔQ50–10(V))）：计算上述容量差曲线ΔQ(V)的最小值。在放电曲线上，该最小值点通常对应放电平台结束、电压开始快速下降的转折点电压（约3V）。该特征能够可靠地反映电池平台容量区域的衰减信息。
• 特征5：容量差方差的二阶导数（d²(Var(ΔQ50–10(V)))/d(Cycle²)）：研究者发现容量差方差随循环次数的变化率（一阶导数）呈线性增长。因此，他们进一步计算了其二阶导数，作为描述这一变化加速度的特征。

研究对所有电池计算了上述五个特征，并分析了它们与拐点循环数之间的关系。结果显示，所有特征与拐点循环数之间均呈现幂律关系趋势，并且NCM和LFP两种不同化学体系的电池数据都遵循相同的趋势。这证明了这些特征具有跨化学体系的普适性，为构建通用模型奠定了基础。

3. 机器学习建模与训练： 研究采用基于特征的方法，使用多层感知器（MLP） 人工神经网络来构建预测模型。在尝试了支持向量机、随机森林和线性回归等算法后，MLP在本任务中表现出最佳性能。 模型构建分为两种类型： * 单特征模型：仅使用五个特征中的一个作为输入，来预测拐点循环数。 * 多特征模型：组合多个特征作为输入。为了提高预测精度，在特征输入模型前，对每个特征值进行了加权处理（权重系数通过优化确定）。

在训练策略上，研究者将EMSLab数据集和主要LFP数据集（共137个电池）随机划分为训练集（80%，110个电池）和测试集（20%，27个电池）。所有特征在训练前均进行归一化处理。模型训练完成后，首先用预留的测试集进行评估。随后，整个次要LFP数据集（45个电池）被用作独立的验证集，以严格测试模型在未见过的同体系数据上的泛化能力。最后，EMSLab数据集的测试部分用于评估模型在完全不同化学体系（NCM vs LFP） 上的迁移预测能力。

4. 模型验证与性能分析： 研究者系统地评估了使用不同周期数数据（前50、100、200个循环）和不同特征组合的模型性能，以平均绝对百分比误差（MAPE）作为主要评价指标。

5. 物理解释与机理探究： 为了深入理解模型成功预测的物理根源，特别是ΔEnergy和ΔE特征的良好表现，研究对EMSLab数据集中的NCM电池进行了补充分析。他们通过低倍率（C/10）的充电曲线，进行了增量容量分析（dQ/dV分析），以量化两种关键的退化模式：活性材料损失（LAM） 和锂离子库存损失（LLI）。通过追踪dQ/dV峰位的偏移，他们发现： * 在循环初期（1-50次），LAM和LLI与拐点循环数没有明确关系，这是因为负极相对于正极有过量容量，初期的退化不会立即体现为整体容量损失。 * 在50-100次循环后，随着电池容量开始下降，LAM和LLI开始对退化产生贡献，并显示出与拐点循环数相关的趋势。 这一分析表明，ΔEnergy和ΔE特征之所以能在容量明显衰减之前就具有预测能力，是因为它们通过电压曲线的变化，敏感地捕捉到了由负极电位偏移所反映的早期负极退化（如LAM），即使此时电池的整体容量由于负极过量设计而尚未下降。

四、 主要研究结果

1. 早期预测的高精度实现：本研究提出的模型仅利用电池循环早期的数据，就实现了对拐点循环数的高精度预测。

   • 使用前50个循环的数据和全部五个加权特征，模型在测试集上的总MAPE达到10%。
   • 使用前200个循环的数据，预测精度进一步提升，总MAPE降至7%。
   • 令人印象深刻的是，即使是单特征模型，仅使用ΔEnergy或Var(ΔQ50–10(V))这两个特征之一，并仅基于前50个循环数据，也能取得约13%的MAPE，展示了单个强物理特征的有效性。

2. 跨化学体系的泛化能力：模型在LFP电池（主要和次要数据集）上表现良好。更重要的是，它在完全不同的NCM化学体系（EMSLab测试集）上也展现出了一定的预测能力。尽管由于化学体系差异和拐点周期较短，对NCM电池的预测误差（MAPE约20%）高于LFP电池，但使用ΔEnergy特征的模型在NCM数据集上取得了相对最好的结果。这证明了基于物理背景的特征有助于模型捕捉跨体系的共性老化信号。

3. 数据量对预测精度的影响：分析表明，使用前100个循环数据与前50个循环数据的预测精度相近。然而，当数据量增加到前200个循环时，所有模型的预测误差均显著降低约3%。研究者将这一现象归因于电池退化机制的阶段性：在前100个循环内，退化主要由SEI膜的生长主导，容量相对稳定；而在100次循环后，负极可能开始出现微裂纹，并逐渐成为主导的退化机制，容量开始明显衰减。前200个循环的数据包含了“裂纹萌生”这一新机制的信息，从而大幅提升了预测准确性。

4. 特征权重的启示：在多特征模型中，优化后的特征权重（ΔEnergy: 0.15， ΔE: 0.20， Min(ΔQ): 0.25， Var(ΔQ): 0.25， d²(Var(ΔQ)): 0.15）表明，从电压曲线中直接衍生的容量/能量相关特征（Min(ΔQ)、Var(ΔQ)）以及具有明确能量损失物理意义的特征（ΔE）对预测的贡献更大。

五、 研究结论与价值

本研究的结论是：通过从早期循环的放电电压-容量曲线中提取具有清晰物理背景的特征，并结合多层感知器机器学习模型，可以仅利用少量早期循环数据（如50-200次），即可实现对锂离子电池老化拐点循环数的早期、高精度预测，且该方法适用于NCM和LFP两种不同的主流电池化学体系。

该研究的科学价值在于： * 方法论创新：提出了一种融合物理机理与数据驱动的电池老化预测新范式。它不再依赖黑箱式的大量特征或循环数据，而是通过设计具有物理可解释性的特征，使机器学习模型能够“理解”电池内部的早期退化信号。 * 机理关联：成功地将机器学习模型的预测能力与电池内部具体的退化机制（如活性锂损失、活性材料损失）联系起来，增强了模型的可靠性和可信度。 * 跨体系通用性：证明了通过整合多化学体系数据集和选取普适性特征，可以开发出超越单一化学体系限制的通用预测模型，为电池智能管理的标准化工具开发提供了思路。

其应用价值显著： * 早期预警：能够在电池容量发生明显跳水之前，提前数百个循环预测其加速老化起点，为电池系统（尤其是电动汽车和储能电站）的预防性维护、寿命评估和梯次利用决策提供关键时间窗口。 * 降低测试成本：大幅减少了对电池进行全寿命周期测试所需的时间和成本，有望加速新电池材料、配方和工艺的研发评估流程。 * 在线管理：所依赖的仅是充放电过程中常规采集的电压-容量数据，无需额外的昂贵检测设备，易于集成到电池管理系统中，实现实时的健康状态监测与寿命预测。

六、 研究亮点

1. 特征工程的物理洞察力：本研究的核心亮点在于从电压曲线中提取的五个特征，尤其是ΔEnergy和ΔE，具有明确的物理意义（与活性锂损失直接相关），而非单纯的数据拟合。这使模型具备了机理层面的可解释性。
2. “小数据、早预测”的高性能：仅使用前50个循环的数据就能实现约10%误差的拐点预测，前200个循环数据可将误差降至7%，性能优于许多需要更多数据或针对特定电池类型的现有方法。
3. 跨化学体系的验证：研究不仅在大量LFP电池数据上验证了模型，还特意在化学体系、倍率、循环寿命均不同的NCM电池上进行了外部测试，初步证明了方法的普适潜力，这是迈向实际应用的关键一步。
4. 工作流程的严谨性：研究包含了完整的数据集构建、特征设计与物理解释、多种模型对比、严格的训练-验证-测试划分（特别是使用独立来源的次要数据集进行验证），以及深入的结果分析与机理论证，体现了高度的学术严谨性。

七、 其他有价值的内容

研究在讨论部分提出了一个前瞻性的观点：为了实现跨电池化学体系的准确预测，未来的机器学习算法应致力于捕捉超越特定化学行为的、共享的退化模式。整合来自不同化学体系的数据集有助于开发能够捕捉核心退化特征的通用模型。同时，基于物理的特征选择（将已知的电化学行为作为约束或先验知识融入）可以进一步提高模型的可解释性并提供更现实的预测。这指明了该领域未来研究的一个重要方向：即数据驱动方法与物理模型更深层次的融合。

这项研究展示了数据驱动建模在变革锂离子电池诊断、预测和优化方面的巨大潜力。它表明，当数据驱动方法与深刻的物理理解相结合时，可以极大地推动电池全生命周期管理的进步，为实现更安全、更可靠、更具成本效益的储能解决方案铺平道路。