PiDDM: Physics-Informed Differentiable Degradation Modeling for Lithium-Ion Battery State-of-Health Prediction

1. PiDDM: Physics-Informed Differentiable Degradation Modeling for Lithium-Ion Battery State-of-Health Prediction

论文基本信息

• 标题：PiDDM: Physics-Informed Differentiable Degradation Modeling for Lithium-Ion Battery State-of-Health Prediction
• DOI/URL：http://arxiv.org/abs/2607.29095v1；PDF：https://arxiv.org/pdf/2607.29095v1
• 期刊/会议/预印本平台：arXiv，cs.LG
• 发表日期：2026-07-31
• 作者和机构：Zeping Chen（University of Notre Dame），Ruda Jian（The University of Texas at Dallas），Sachin Sigdel（The University of Texas at Dallas），Guoping Xiong（The University of Texas at Dallas），Jian-Xun Wang（University of Notre Dame / Cornell University），Tengfei Luo（University of Notre Dame）
• 通讯作者：Tengfei Luo（tluo@nd.edu）
• 脚本评分：66
• 期刊指标核验：arXiv 预印本，不适用；未核验 JCR/JIF/CiteScore/SJR。

纳入理由和命中证据

• 主题直接命中电池 SOH/容量退化预测：标题包含 “State-of-Health Prediction”，摘要明确称 “SOH degradation prediction”。
• 全文证据显示，该工作面向锂离子电池老化和容量衰减，强调跨循环协议泛化、长时外推和避免非物理 capacity regeneration。
• 与普通材料或调度论文不同：核心输出是容量/SOH 轨迹，而不是储能套利、BMS 控制或材料合成。

创新点

• 将经验 Arrhenius 退化动力学、SEI 生长和 LLI 相关项作为可微退化模块嵌入神经网络训练，而不是只使用黑箱深度学习。
• 网络不直接输出 SOH 标量，而是输出 5 个有效、逐循环动力学参数，再结合温度、时间、DoD、Ah-throughput 等已知运行变量计算退化率，并递推得到容量/SOH 轨迹。
• 重点处理长期外推中的物理一致性问题，特别是减少预测轨迹中的非物理 SOH 上升和尖峰。

主要内容

• 论文提出 PiDDM 框架，用半经验退化率约束神经网络预测的容量衰减方向。
• 退化率由 SEI 相关时间项和 LLI 相关循环严苛度项构成，包含 Arrhenius 温度依赖、时间幂律、DoD 与累积 Ah-throughput 幂律。
• 模型通过一阶 forward-Euler 在循环坐标上积分，得到完整容量/SOH 轨迹。

模型架构/方法流程

• 输入：每个循环的 16 维归一化充电特征。
• 神经网络：PiDDM 主干为 [16, 60, 60, 60, 5]，输出 5 个有效退化参数。
• 可微退化模块：结合网络输出参数、全局可训练 kSEI/kLLI 和已知运行变量 T, t, DoD, Ah，计算容量衰减率。
• 轨迹生成：以首个实测容量作为初始条件，按每循环一步递推；除初始容量外，预测区间不把真实容量作为输入。
• Baseline/对比方法：MLP [16, 60, 60, 60, 1]；baseline PINN 包含 solution network 和 dynamics network。

输入特征与输出目标

• 输入特征：来自常规充电 CC/CV 片段的统计特征，包括均值、标准差、峰度、偏度、充电时间、累积充电量、曲线斜率、熵类描述符等。
• 输出目标：容量/SOH 退化轨迹；中间输出为有效动力学参数，不作为独立可测电化学参数解释。
• 标签定义：以实测 SOH/容量轨迹作为监督目标；EOL 阈值未作为主要标签定义。

数据来源/数据结构/电池类型/循环协议

• 电池体系：锂离子 NCM 电池。
• 数据来源：Wang et al. 公开数据集。
• 数据规模：55 节电池，6 种充放电协议。
• 协议：2C、3C、R2.5、R3、random-walk、geosynchronous Earth orbit satellite mission profile。
• 划分：3C 协议 15 节中 4 和 8 测试，其余训练；其他五个协议各 8 节中 4 和 8 测试，其余训练；总计 43 训练、12 独立测试。
• 外推设置：仅使用每条训练退化轨迹前 90%，后 10% 作为 unseen extrapolation region。

结果指标

• 标准预测：报告 MAPE、RMSE、MAE、MSE；PiDDM 平均 MSE 为 6.6271×10^-5，优于 baseline PINN 的 1.7702×10^-4 和 MLP 的 2.4187×10^-4。
• 时间外推：PiDDM 平均 MSE 为 1.1067×10^-4，优于 baseline PINN 的 2.4381×10^-4 和 MLP 的 8.2631×10^-4。
• 协议例外：R2.5 上 baseline PINN 的 MAPE/MAE 略低；R3 外推中 MLP 的四项点误差最低，但 PiDDM 轨迹更平滑、更符合单调退化预期。

Baseline/对比方法

• MLP：直接从 16 维充电特征映射到 SOH，无显式退化方程。
• PINN：参考 Wang et al. 2024 的 PINN 降解建模，使用 solution network + dynamics network + PDE residual + monotonicity penalty。
• PiDDM 的优势主要来自显式 Arrhenius–power-law 退化结构带来的外推稳定性和物理一致性。

泄漏风险/局限性/复现性

• 泄漏风险：中低。论文明确称归一化统计只由训练集计算，输入特征不直接包含 discharge capacity 或目标 SOH 轨迹；但仍需复查代码/数据处理是否严格按电池划分。
• 局限性：只在一个公开 NCM 数据集上验证；退化方程未显式区分 lithium plating、LAM、阻抗增长等机制；对局部 SOH 回升/测量噪声的拟合可能牺牲点误差。
• 复现性：中。全文给出架构、训练轮数、batch size、学习率、loss 权重和划分；但“Data and code are available upon request”，代码未直接开源。

对哥哥研究/落地的启发和后续动作

• 值得强烈跟进：可把“物理单调性/Arrhenius 温度先验 + 数据驱动外推”作为当前寿命预测模型的正则化模块。
• 后续动作：下载 PDF 入库；复查 Wang et al. 公开 NCM 数据集；尝试在现有 benchmark 上实现简化版 PiDDM；重点检查 90%/10% 外推设置是否能迁移到早期寿命预测场景。

---