物理神经网络健康评估

无监督少数据可用

基于等效电路模型的无监督神经网络，能在传感器信号有限时给出可解释的电池健康评估。

彭朝琴 · Haini, Zhang · Qicong, Li · Yingzhang, Xiao · 马云鹏

IEEE Transactions on Instrumentation and Measurement 2025

技术优势

少数据也能训练

利用退化动态模型作为物理先验指导神经网络，减少对大量全寿命周期实验数据的依赖。

传感器少也能评估

通过等效电路模型提取具有物理意义的退化特征，不再依赖多样化的观测信号构建可解释指标。

比现有PINN表现好

在公开锂离子电池数据集上验证，性能优于现有物理信息神经网络。

应用场景

• 电池健康管理：用物理引导的神经网络实现可解释的健康指标构建，替代依赖大量传感器或实验数据的方法。
• 电池状态估计：利用等效电路模型特征提取，在有限传感器信号下提供物理一致的退化状态估计。
• 锂离子电池运维：基于运行数据无监督地评估健康状态，为维护决策提供可解释的退化指标。
• 储能系统监控：集成到储能系统监控中，在传感器配置受限时仍能准确跟踪电池健康。
• 传感器受限诊断：无需多样化传感器，通过物理先验重建可解释的健康指标，直接应对传感器部署受限场景。