特斯拉电池更换成本：Model 3/S/X/Y

（更多新能源行业资讯，尽在知乎“”小明来电，欢迎交流讨论~）结合电池模型的机器学习监督式机器学习在现场应用中，电池的资质评估是确保产品质量、性能和可靠性的关键。最近一项采用决策树和支持向量机的研究表明，当基于物理的数值建模与机器学习方法相结合时，基于特征的模型可以以超过95%的准确率(电压误差<0.1mV)将电芯分为四个安全风险级别：正常电芯、缺陷电芯、无潜在热失控的短路电芯和有潜在热失控的短路电芯，在预测前仅需5分钟的数据收集(图9)。正如前面所强调的，异常的容量退化预示着潜在的故障风险，而即使是正常的容量退化也会带来安全问题。通常，当容量下降到初始值的80%时，由于电池系统的安全性和可靠性考虑，它被标记为EOL。因此，关于容量或循环寿命的寿命估计和预测是评估电池老化和异常检测的工具。一个突出的例子涉及早期预测模型，该模型利用正则化技术从初始电压曲线预测LFP/石墨电池的循环寿命。一个包含124个商用电池的数据集，这些电池经历了不同的快速充电条件(充电速率为4℃、6℃和8℃；4℃恒放电；稳定温度30◦C)。将其分为41个电芯的训练集，以细化模型细节和系数，以及两个测试集(43和40个电芯)来评估模型。为了扩大功能，基于领域专业知识，设计了三个模型：(a)第10次和第100次循环之间的容量差异，(b)最初100次循环放电的电压和电流数据，以及(c)进一步的温度和电阻细节。这些模型，虽然不适合物理化学老化的细节，准确地预测和分类循环寿命。具体来说，他们对前100个周期的寿命预测的测试误差为9.1%，而在仅使用5个周期按预期寿命对电芯进行分类时，测试误差为4.9%。该预测模型和数据集随后有助于快速充电协议的优化(图10a)，与后续研究中的贝叶斯优化方法保持一致。深度强化学习为了优化电池预防性维护，深度强化学习可以用于连续状态-行为空间的预测和智能健康管理。基于Arrhenius动力学的经验模型考虑了平均荷电状态、荷电状态偏差、Ah充电容量和工作温度等变量。由于网络的近似能力和可扩展性，该智能体使用蒙特卡罗进行集后更新，使用深度神经网络进行树搜索引导，显示出熟练和一致的决策。此外，还开发了一些模型，利用基于软行为者评价深度强化学习的电热模型和基于ddpg的方法来理解多物理场电池系统。考虑热的产生和电学参数对温度的依赖关系，设计了由等效电路电学模型和热学模型组成的耦合电热模型。这些模型熟练地捕捉电池SOC，终端电压，表面和关键的核心温度，反映潜在的故障风险。此外，基于云的数据框架提供了可定制的无线门户，增强了电气和热安全性，同时减少了能量损失和老化成本，利用了对真实车辆数据的预测分析(图11)。大数据集的机器学习在电气化运输或固定能量存储的大规模应用中，为了提供足够的动力和能量，数千甚至数百万个电池将以串并联结构连接起来。在这种情况下，手动注释这么大的数据库是非常繁重和低效的。在电池诊断和预后中，我们面临的一个严峻的共同挑战是有限的标记数据(故障或风险)和大量未标记的时间序列数据。在这种情况下，机器学习方法在从少量带注释的样本中学习的同时，最大限度地利用大规模未整理的数据集，可能会产生更理想的结果。本节将使用三种不同的机器学习方法来关注这个任务，如图12所示。每种学习范式的特点和优点在表3中进行了简要总结。利用未标记数据的半监督学习半监督学习通过将稀疏的标记数据与丰富的未标记数据相结合，补充了现实世界电池挑战的解决方案。一个相关的例子是为大规模电动汽车电池组故障预测设计的混合机器学习框架(图13)。大规模时间序列数据的自监督学习最近Transformer网络的兴起展示了一种新的自我监督学习。这些最先进的神经网络在各个领域都表现出色，从语言表示到图像识别、音频分类和生物序列设计。它们的功效引起了时间序列界的注意。由于它们的自注意机制和位置编码，Transformer能够熟练地捕捉短序列和长序列的相互作用，使它们有望用于时间序列预测。最近，基于变压器的模型在捕捉电池内部复杂的电化学动力学和进化方面表现出了非凡的能力。具体地说，时空自关注Transformer网络，称为双向编码器表示从Transformer电池(BERTtery)，已经成为一个强有力的工具。他们熟练地捕捉电池系统中的远程时空特征，利用位置和操作嵌入，结合双编码器：通道和时间(图14)。机器学习应用于有限的注释数据机器学习已经成为预测非线性多物理场系统演化的一种很有前途的方法。然而，相关的训练数据在机器学习建模中起着举足轻重的作用。据我们所知，目前还没有一种高效的方法可以在电池故障的情况下生成足够的、真实的高分辨率数据。因此，在小数据体系中具有良好泛化的机器学习技术更有利，并且可能有潜力实现准确预测电池健康和故障的目标。为此，本节讨论了两种策略(图15)：(i)使用迁移学习或生成模型等解决少镜头问题，以及(ii)在机器学习中嵌入物理-即物理信息机器学习。从小数据集中进行少量的学习人类具有非凡的思考和行动能力，尤其是在信息非常少的情况下。然而，尽管深度学习在许多领域都取得了成功，但数据是机器学习技术做出预测和决策的关键输入。为了改善障碍，在过去的几年里，几次学习(通常少于5次)开始得到很多关注。从那时起，已经提出了大量的机器学习技术来解决以少量方式进行预测任务的挑战(表4)，包括迁移学习，生成建模，嵌入学习和元学习。基于物理的机器学习PINNs在预测材料内部结构和缺陷方面显示出前景。为了解决固体力学中几何参数和材料参数不确定的几何识别问题，引入了通用的PINN框架(图16)。制定了三种材料模型的六种特定平面应变挑战，以评估PINNs破译各种未知结构(包括内部缺陷)的能力。为了反向精确定位孔隙/包裹体的几何形状，研究人员探索了不同载荷下的大量位移数据。这种基于物理的方法将力学定律与神经网络相结合，结合了诺伊曼(牵引)和狄利克雷(位移)边界条件。它允许不断更新定义孔隙/夹杂几何形状的参数。利用Adam算法进行优化，并通过迁移学习启动模型，提高了求解精度，为电池制造过程中缺陷的识别迈出了关键一步，从而提高了电池的安全性。展望近年来，在使用机器学习(包括深度技术)进行电池性能建模和预测方面取得了重大进展。工业4.0彻底改变了电池PHM，提高了电动汽车电池的可靠性、安全性和效率。然而，由于不确定的失效和老化机制、不同的电芯化学和不同的滥用情况，预测仍然是难以捉摸的。在现实世界的应用中，完善智能机器学习以实现更快的训练、更好的泛化和更高的预测准确性是一个持续的挑战。关键的障碍包括有限的注释数据，缺乏标准化的预测模型，以及需要连接材料，机制和观测数据的计算环境。认识到挑战的艰巨规模，了解如何利用机器智能来创新电化学系统的非破坏性评估，并在时空尺度上提高材料、电池和电池组水平的电池安全性，表明需要更多的见解。（完结~）小明来电⚡为你充电，我们下期再见，拜拜~来源：小明来电