リチウム電池寿命予測精度が向上した20%！上海交通大学のチームは、ラベルなしデータに隠された情報を抽出する半教師あり学習手法 PBCT を発表

リチウム電池は、エネルギー密度が高く、充放電速度が速く、耐用年数が長いという利点があり、水力発電所、火力発電所、風力発電所、太陽光発電所などのエネルギー貯蔵電源システムや電動工具などに広く使用されています。電気自動車、軍事機器、航空宇宙など多くの分野で重要な役割を果たしています。

しかし、リチウム電池が大規模に使用されるようになると、その潜在的な危険性が徐々に明らかになってきました。リチウム電池は過充電や放電に対する耐性が弱く、過充電や短絡が発生すると簡単に火災や爆発を引き起こす可能性があります。近年、電動自転車や新エネルギー車の充電異常やバッテリーの経年劣化による自然発火が多発しています。

バッテリーシステムの安全かつ持続可能な動作を確保するには、リチウムバッテリーの寿命を正確に予測し、健康状態を効果的に管理する必要があります。物理的および半経験的モデルに基づく従来の予測方法はエラーが発生しやすく、精度が非常に限られています。人工知能技術の発展に伴い、データ駆動型の予測手法の精度は向上しましたが、そのモデルの精度はラベル付きデータの不足によって制限されることがよくあります。

上記の課題に対応して、上海交通大学濮源未来技術学院のワン・ジアユ准教授のチームは、「説明可能な数ショット電池寿命予測のための半教師あり学習」と題する研究論文を国際的に権威のある学術誌ジュールに発表した。部分ベイジアン共訓練 (PBCT) と呼ばれる半教師あり学習技術が提案されています。リチウム電池のライフサイクル全体で生成される低コストで豊富なラベルなしデータを最大限に活用し、隠れた情報を抽出することでデータパターンの理解を深め、電池寿命予測の精度を大幅に向上します。

PBCTは既存の手法と比較して寿命予測の精度が大幅に向上するだけでなく、追加のデータ収集コストもほとんど必要ありません。

研究のハイライト:

* 半教師あり学習により、限られたデータを使用してバッテリー寿命を予測します

* ベイジアン コラボレーティブ トレーニング (PBCT) 半教師あり学習手法は、精度と解釈可能性の両方で優れたパフォーマンスを発揮します

* ラベル付きデータの必要性を減らすことで、経済コストを大幅に削減

用紙のアドレス:
https://doi.org/10.1016/j.joule.2024.02.020 

公式アカウントをフォローし、バックグラウンドで「リチウム電池の寿命」と返信すると、完全な PDF が表示されます

データセット: 124 セル、3 つのサブデータセット

この研究で使用されるデータセットは、Severson et al. によって提供されたオープンソース データセットであり、これには、平均寿命 806 サイクル (150 ～ 2,300 サイクルの範囲) の公称容量 1.1 Ah LiFePO4/グラファイト A123 APR18650M1A 円筒型セルの 124 個のセルが含まれています。等。）。

さまざまなカレンダーの経年劣化と急速充電プロトコルに従って、この研究で使用されたデータセットは 3 つのサブデータセットに分割されており、バッテリーの数は 41 (データセット 1)、43 (データセット 2)、および 40 (データセット) です。 3)、各データセットには、ドメイン知識に基づいて抽出された 20 の入力特徴が含まれています。

モデル アーキテクチャ: 高性能で完全なビュー モデルの構築

PBCT 法のアーキテクチャを次の図に示します。ここでは 2 つのモデルがそれぞれ確立されています。つまり、部分ビュー モデルと完全ビュー モデルです。

フルビュー モデルはすべての特徴を考慮するため、過剰適合する傾向があり、予測精度の低下につながる可能性があります。そこで研究者らは、重要な入力特徴のサブセットのみを含むサブセットに基づいて、ラベルのないデータの疑似ラベルを推定するための部分ビュー モデルを作成しました。

その後、最大事後最適化 (最大事後最適化) の原則に従って、完全なビュー モデルと再度共同でトレーニングされるため、部分ビュー モデルは、高性能の完全なビュー モデルを導出するのに役立つガイドとして機能します。最終的な使い方。

これにより、フル ビュー モデルはラベル付きデータとラベルなしデータから有用な洞察を得ることができ、より信頼性の高い予測が可能になります。

研究結果: PBCT がバッテリー寿命予測の新たな道を切り開く

性能評価実験では、データセット 1、データセット 2、データセット 3 をそれぞれ使用して実験を行い、各実験セットをさらにオフライン シナリオとオンライン シナリオに分けて、テスト データの二乗平均平方根誤差 (RMSE) を使用しました。トレーニングモデルの精度を評価します。実験環境ではラベル付きトレーニング データの量が不足しているため、研究者はベースラインとして Lasso や Elastic net など、サンプルが少ない状況に対処する古典的な回帰手法を採用しています。

オフライン シナリオに対応する実験結果を以下の図 A ～ C に示します。提案された PBCT 手法は、ラベル付けされたトレーニング データの量が異なる場合に、ベースライン手法よりも優れたパフォーマンスを発揮します。ラベル付きトレーニング データの数が 10 の場合、PBCT はデータ セット 1 ～ 3 でそれぞれ 9.8%、21.9%、および 18.3% だけ Lasso を上回ります。

オンライン シナリオでの実験結果を以下の図 D ～ F に示します。データ セット 2 と 3 のすべてのケースにおいて、PBCT 手法はベースライン手法よりも優れています。データ セット 1 のラベル付きトレーニング サンプルの数が少ない場合、PBCT 手法はベースライン手法よりも優れています。また、ほとんどの場合、ベースライン方法よりも優れています。

経済解析実験では、提案するPBCT手法の電池寿命予測における利点を定量的に実証するために、研究者らは、オフラインシナリオ実験の結果に基づいて、各手法に必要なデータサンプリングにかかる時間とコストを分析した。

研究者らは、200 回の反復実験のサイクル コストの中央値を推定しました。その結果、以下の図 A ～ C に示すように、同じ精度を達成するには、PBCT 手法ではラベル付けされたトレーニング データが少なく、サイクル コストが低いことがわかりました。

図 D に示すように、目標精度 RMSE% 0.10 を達成するために、PBCT は Lasso 法と比較してより低いサイクル コストを必要とします。データセット 2 では、ターゲット精度 RMSE% 0.10 を達成するために、PBCT は 7,700.5 サイクル (サイクル数が 7,700.5 の場合、RMSE は 0.099) を必要としますが、Lasso は 10,537 サイクルを超える必要があります (サイクル数が 10,537 の場合、RMSE は 0.105)。

* サイクルとは、バッテリーが完全に充電されてから完全に放電され、その後再び完全に充電されるまでの回数を指し、バッテリーの寿命を評価するために使用されます。
*RMSE は二乗平均平方根誤差の略で、二乗平均平方根誤差としても知られ、値間の差異を表す一般的に使用される尺度であり、値が低いほど優れています。

したがって、PBCT アルゴリズムを適用するだけで、Lasso 法と比較して最大 28,36.5 サイクル、つまり 4,685.1 米ドルを節約できます。これは、Lasso 法を使用する総経済コストの 26.9% に相当します。

全体として、PBCT は既存の手法と比較して、追加のデータ取得コストをほとんど発生させることなく、寿命予測精度が最大 20% 向上します。したがって、同じ予測精度を前提とすれば、PBCT はデータ収集コストを大幅に削減できます。

さらに、この研究では、ラベルなしデータをトレーニング プロセスに組み込むことで、ラベル付きデータのみを分析する場合には見落とされがちな、バッテリー寿命に影響を与える重要な要素を明らかにするのに役立つことがわかりました。したがって、半教師あり学習テクノロジーである PBCT は、効率的で解釈可能なデータ駆動型のバッテリー状態推定のための新しい道を切り開きます。

上海交通大学深層エネルギー研究所は困難を乗り越え続ける

公式報告によると、この研究成果は主に濮園未来技術研究所と上海交通大学深層エネルギー研究所の研究チームによるものだという。

この研究グループの研究の方向性は、主にエネルギー貯蔵デバイスと材料、高度な製造、および人工知能との交差点です。これまでに、80 を超える SCI 論文が、Science、Nature サブジャーナル、Cell サブジャーナルなど、エネルギーと材料の分野で国際的に有名な学術誌に掲載され、合計 11,000 件以上が引用されています。 H-factor は 48 であり、その研究結果は多くの国内外の有名メディアで記事やレポートを執筆されています。

研究グループのWan Jiayu准教授は、米国真空協会の全米博士賞（世界で1年に1名）の「ドロシー・M・アンド・アール・S・ホフマン賞」、「優秀な私費学生のための全国奨学金」も受賞している。 「海外」は、中国奨学会とスタンフォード大学の世界トップ 2% 科学者の年次リスト (2020 ～ 2022 年) によって授与されました。彼は、National Science Open、 Materials Today Energy、eScience、Carbon Energy、China Chemical Express、Rare Metals およびその他の雑誌の青少年編集委員を務めています。

上記の研究結果に加えて、研究チームはリチウム電池の分野での困難を克服するために懸命に努力を続けてきました。

2023年5月、研究チームは「次世代リチウム金属電池のための自己組織化単層にインスピレーションを受けた安定した人工固体電解質界面設計」と題する研究論文を、国際的に有名な学術誌Nano Lettersに発表した。

リチウム金属は、高エネルギーリチウムイオン電池にとって理想的な負極ですが、その高い反応性と壊れやすい界面により、その用途が制限されます。特に市販の炭酸塩電解質システムでは、リチウム金属の性能の低さが、二次電池での幅広い用途の大きな妨げとなっています。この研究では、リチウム金属を 3-メルカプトプロピルメチルジメトキシシラン (3MPDMS) 溶媒に浸漬し、それによって無機成分が豊富な均一な SEI 層を形成し、さらに、カーボネート電解質中で、低い過電圧でリチウム金属の均一な析出/剥離サイクルを形成するというシンプルで効果的な戦略を提案しています。 500回以上達成されました。

2023年6月、チームはリチウムイオン電池リサイクル分野における正極材料の超高速リサイクルに関する最新の研究結果を発表した。これによって開発された超高速修復方法は、使用済みの電池正極材料 (LCO) を 8 秒以内に効率的かつ直接修復することができ、修復された正極材料の電気化学的性能は、新しく調製された正極材料と同等になります。リチウムイオン電池の正極材料の修復に関するこの研究は、リチウムイオン電池の再生可能開発と資源再利用のための効率的で省エネルギーな方法を提供します。

有力チームのリーダーシップのもと、人工知能に代表される先端技術は今後もエネルギーや素材の分野で深化し、産業の持続可能な発展に貢献していきます。

参考文献:
1.https://www.cell.com/joule/abstract/S2542-4351(24)00103-X
2.https://news.sjtu.edu.cn/jdzh/20240326/195130.html
3.https://www.x-mol.com/groups/deepenergy/news/44033
4.https://newsletter.x-mol.com/groups/deepenergy/news/46631