Physics-Informed Transfer Learning for Cross-Condition State of Health Prediction of Lithium-Ion Batteries

约束(计算机辅助设计) 计算机科学 电池(电) 传递函数 学习迁移 特征(语言学) 人工智能 健康状况 控制理论(社会学) 传输(计算) 国家(计算机科学) 适应(眼睛) 电压 特征提取 功能(生物学) 均方误差 瞬态(计算机编程) 模式识别(心理学) 降级(电信) 温度测量 算法 模拟 实时计算 稳态(化学) 机器学习
作者
Jinghan Ma,Junjun Wang,Changru Rong,Changying Liu
出处
期刊:Electronics [Multidisciplinary Digital Publishing Institute]
卷期号:15 (17): 3883-3883 被引量:1
标识
DOI:10.3390/electronics15173883
摘要

Estimating lithium-ion battery state of health (SOH) across operating conditions is challenging because operating profiles, measurement characteristics, and degradation trajectories differ among domains. This study proposes a physics-informed transfer learning (PITL) framework that combines a common health descriptor space, parameter function decomposition, and PINN–DeepHPM regularization. Open-circuit voltage reconstruction is used before feature extraction for dynamic profiles, whereas constant-current data are processed directly in the same descriptor space. During target-domain adaptation, selected shared-representation layers are frozen and the predictor and dynamic constraint parameters remain trainable. In the predefined Cell_1# tests, the resulting feature transfer configuration reduced RMSE relative to full fine-tuning by 23.53% for 21700_Dynamics and 61.78% for CEPREI. In leave-one-cell-out validation, PITL and full fine-tuning had comparable mean RMSEs on 21700_Dynamics, whereas full fine-tuning was more accurate on CEPREI. Freezing approximately 48% of the parameters reduced adaptation time and peak GPU memory. Thus, partial freezing can lower adaptation cost, but its accuracy benefit is target dependent.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
在水一方的应助被Jennie369采纳,获得30
刚刚
1秒前
1秒前
1秒前
华仔的应助被n11采纳,获得10
2秒前
whisper完成签到,获得积分10
2秒前
爆米花的应助被清辉影采纳,获得30
2秒前
AAA建材王哥完成签到,获得积分10
2秒前
2秒前
大个的应助被123采纳,获得10
3秒前
3秒前
3秒前
哈47发布了新的文献求助10
3秒前
领导范儿的应助被ZZ采纳,获得10
3秒前
Gaara0504发布了新的文献求助10
3秒前
Ava的应助被石愚志采纳,获得10
4秒前
emy发布了新的文献求助10
4秒前
受伤雨南完成签到,获得积分10
4秒前
酷波er的应助被石愚志采纳,获得10
4秒前
Lisheng000发布了新的文献求助10
4秒前
田浩阳发布了新的文献求助10
4秒前
5秒前
今后的应助被xiang采纳,获得20
5秒前
KP完成签到,获得积分10
5秒前
aaaaa发布了新的文献求助10
5秒前
我是老大的应助被Rony采纳,获得10
5秒前
dildil发布了新的文献求助10
6秒前
6秒前
Ava的应助被Chelseacyh采纳,获得10
7秒前
7秒前
7秒前
8秒前
8秒前
dd完成签到,获得积分10
9秒前
Dc完成签到,获得积分10
9秒前
李健的应助被小马采纳,获得10
9秒前
JackieLiu的应助被默默惜霜采纳,获得10
9秒前
科研通AI6.2的应助被默默惜霜采纳,获得10
9秒前
ephemeral发布了新的文献求助10
9秒前
元吉的应助被默默惜霜采纳,获得10
9秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
八旗制度の研究 600
Improving the wear resistance of vehicle gear oil by oil soluble LaF3 nanoparticles and typical additives of gear oil 500
Boundaries and Bodhisattvas 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8183204
求助须知:如何正确求助?哪些是违规求助? 9572434
关于积分的说明 21825655
捐赠科研通 7779988
什么是DOI,文献DOI怎么找? 3433852
关于科研通互助平台的介绍 2558060
邀请新用户注册赠送积分活动 2480148