2022年7月27日，湖南省長沙市成功舉辦了“2022汽車技術(shù)與裝備國際論壇”。英國拉夫堡大學(xué)航空和汽車工程系助理教授張元建博士在題為“新能源汽車安全技術(shù)創(chuàng)新”第五分論壇上通過遠程視頻作了“基于人工智能的鋰離子電池健康狀態(tài)估計”的報告，分享了其團隊在人工智能及人工智能鋰離子電池健康觀測方面的研究工作。

圍繞鋰離子電池健康狀態(tài)的觀測，從以下三個方面著手研究：

1、驗證和探究輸入特征對于不同智能人工模型對電池健康狀態(tài)觀測精度的影響；

2、對于不同數(shù)據(jù)集規(guī)?；谌斯ぶ悄艿碾姵亟】禒顟B(tài)觀測的影響；

3、不同的人工智能模型在遷移學(xué)習能力的驗證。

01、人工智能應(yīng)用于電池健康觀測

對于驗證和探究輸入特征對于不同智能人工模型對電池健康狀態(tài)觀測精度的影響方面，當前的人工智能應(yīng)用于電池健康觀測可分為淺層機器學(xué)習模型和深度學(xué)習模型，兩種模型對數(shù)量和類別的敏感度是不同的，如何讓兩種模型的潛力得到最大的發(fā)揮，是其研究的關(guān)注焦點。

不同的人工智能模型在遷移學(xué)習能力的驗證，人工智能模型需要大量的訓(xùn)練集，訓(xùn)練集的獲取和成本耗時高，探究一種能小樣本、低成本且獲得較好驗證結(jié)果的模型對應(yīng)用人工智能具有重大意義。當前大量的人工智能的訓(xùn)練使用實驗室環(huán)境獲得數(shù)據(jù)集，涵蓋的電池數(shù)據(jù)變化范圍低于實際使用過程。

02、獲取電池研究的訓(xùn)練集和測試集

在數(shù)據(jù)的獲取與前處理方面，團隊歷時兩年多進行充放電循環(huán)實驗數(shù)據(jù)收集，數(shù)據(jù)記錄已到20位，每隔固定的循環(huán)次數(shù)記錄一次充放電過程，并對電池的變化特征進行相關(guān)的記錄。選取充放電過程中一段容量呈線性關(guān)系變化的區(qū)域根據(jù)對應(yīng)的電壓區(qū)間，截取電池相關(guān)數(shù)據(jù)特征處理，獲取特征向量來組成電池研究的訓(xùn)練集和測試集。

03、機器學(xué)習訓(xùn)練過程及結(jié)果分析

機器學(xué)習訓(xùn)練過程是根據(jù)輸入特征和輸出特征構(gòu)成一個映射函數(shù)，來實現(xiàn)學(xué)習的過程和對于電池健康狀態(tài)的觀測。

團隊研究了幾種目前常有的機器學(xué)習方法和機器學(xué)習模型，包括線性回歸（LR)、高斯過程回歸(GPR)、支持向量回歸(SVR)、隨機森林(RF)。

機器學(xué)習結(jié)果分析，圖中訓(xùn)練集紅色框標注區(qū)域為前450個充放電循環(huán)，測試集為450個循環(huán)之后的剩余充放電循環(huán)，從開始到850個循環(huán)后電池出現(xiàn)衰減。機器學(xué)習模型基本上能反映電池衰減趨勢，有些模型難以貼合實際工況。測試集中黃色點表示原始數(shù)據(jù)，綠色點表示預(yù)測數(shù)據(jù)，可以看到線性回歸（LR）和原始森林（GPR）難以反映實際衰減的容量變化過程。

04、深度學(xué)習模型及其優(yōu)勢

深度學(xué)習模型也是構(gòu)建一個輸入和輸出的映射函數(shù)，其輸入特征是將多個特征并排排列輸入，處理多個特征之間的關(guān)系，具有更高的潛力來完成電池容量預(yù)測的任務(wù)。

團隊對幾種深度學(xué)習方法進行相關(guān)研究，包括前饋神經(jīng)網(wǎng)絡(luò)（FNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（GRU）。訓(xùn)練集和測試集相對和機器學(xué)習模型一致，通過對比可知，深度學(xué)習模型比機器學(xué)習模型表現(xiàn)更好一些，對電池衰減過程的模擬更接近實際值，深度學(xué)習模型具有更好的應(yīng)用潛力。

05、任務(wù)一：驗證輸入特征的影響

通過輸入特征對于不同模型的影響驗證可知，機器學(xué)習型模型將特征展開成為一個一維向量集進行輸入相關(guān)函數(shù)關(guān)系的，向量過長對于訓(xùn)練的效果不佳，要求我們選擇合適的特征類別和特征數(shù)量輸入。對于深度學(xué)習模型來說，由多個向量并排進行輸入，理論上具備更好的多特征處理能力，對特征的數(shù)量和敏感度稍微降低一些。

特征工程研究中，對訓(xùn)練集的處理使用了歸一化。不同歸一化方法對于特征學(xué)習模型的研究有較大的影響。通過CNN深度學(xué)習模型來驗證不同的歸一化方法對于特征影響的相關(guān)研究發(fā)現(xiàn)，均值方差歸一化效果最好。

06、任務(wù)二：驗證數(shù)據(jù)集大小的影響

數(shù)據(jù)集大小的影響研究主要是對不同深度學(xué)習模型進行比較分析，在完成小樣本訓(xùn)練的情況下得到較好的電池健康狀態(tài)觀測效果。其方法為選取不同的訓(xùn)練集規(guī)模，比較不同深度學(xué)習模型在不同訓(xùn)練集規(guī)模的情況下具備的能力，最終篩選出一種較好的深度學(xué)習模型。通過電池規(guī)模對于深度學(xué)習模型電池觀測精度影響研究可知，RseMLP模型在第4個循環(huán)的時候其效果已經(jīng)得到較好的發(fā)揮，具備較好的小樣本的訓(xùn)練和應(yīng)用能力。

全新電池開始調(diào)節(jié)數(shù)據(jù)訓(xùn)練集在數(shù)據(jù)集的構(gòu)建上是不合理的，老化的數(shù)據(jù)和相對較新的數(shù)據(jù)存在一定的差異，導(dǎo)致結(jié)果的誤差。每個電池都由全新的開始記錄每一次充放電數(shù)據(jù)在實際過程中是不可能實現(xiàn)的，為模擬日常使用工況，電池并不是每次進行一個完整的充放電循環(huán)，隨機挑選數(shù)據(jù)中任意老化階段的充放電數(shù)據(jù)作為數(shù)據(jù)集，選擇不同的比率來驗證在不同測試集和實驗集比率下深度學(xué)習模型的表現(xiàn)情況。不同的訓(xùn)練集和測試集比率所帶來的影響研究表明，訓(xùn)練集越多，效果表現(xiàn)越好。

07、任務(wù)三：驗證模型遷移學(xué)習的能力

從相關(guān)研究中了解到，要保持較好的預(yù)測結(jié)果，不只需要一定的充放電次數(shù)，也需要一定的工況數(shù)量。重新訓(xùn)練新的模型可以通過小樣本模型訓(xùn)練結(jié)果減少實驗成本和時間成本。

通過一些選擇的實驗室數(shù)據(jù)完成深度學(xué)習模型的訓(xùn)練，具備較好的擬合能力，達到最初的研究設(shè)想。高效人工智能模型訓(xùn)練可進行遷移學(xué)習，先進行源數(shù)據(jù)的構(gòu)建，分為源數(shù)據(jù)的訓(xùn)練集、驗證集和預(yù)測集。進行模型初步訓(xùn)練，將獲取目標訓(xùn)練集后以小樣本目標數(shù)據(jù)集進行相關(guān)遷移訓(xùn)練，完成最終模型的遷移應(yīng)用。此方法適合于將人工智能模型應(yīng)用在電動汽車的BMS系統(tǒng)中。