DOI: https://doi.org/10.1038/s41598-025-30849-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41526394
تاريخ النشر: 2026-01-12
المؤلف: Zhenglu Shi وآخرون
الموضوع الرئيسي: أبحاث تقنيات البطاريات المتقدمة
نظرة عامة
تقدم البحث إطار عمل مبتكر للتشفير وفك التشفير يدمج آليتين انتباه مزدوجتين مع شبكات وحدات متكررة بوابة ثنائية الاتجاه (BiGRU) للتنبؤ الدقيق بالعمر المتبقي المفيد (RUL) لبطاريات الليثيوم أيون (LIBs) المستخدمة في المركبات الكهربائية (EVs) والكراسي المتحركة. يعالج هذا النموذج قيود الاعتماد التقليدي على المدخلات التسلسلية في شبكات BiGRU من خلال استخدام وحدة BiGRU معززة بالانتباه داخل المشفر لتسليط الضوء على ميزات الشيخوخة الحرجة وآلية انتباه ثانوية لتحسين تسلسل المدخلات، مما يضمن الحفاظ على المعلومات الأساسية أثناء التشفير. يقوم فك التشفير، الذي تم هيكلته أيضًا كـ BiGRU، بتحديد مسارات تدهور السعة بشكل فعال.
تظهر تقييمات النموذج المقترح على مجموعات بيانات NASA وCALCE دقته التنبؤية المتفوقة، مع أخطاء مطلقة قدرها 1 و4 و0 و2 لبطاريات NASA B0005 وB0006 وB0007 وB0018 على التوالي، وأخطاء منخفضة مماثلة لبطاريات CALCE. قدرة الإطار على العمل دون هندسة ميزات يدوية تبسط خط أنابيب المعالجة المسبقة وتعزز قابليته للتطبيق. من خلال التقاط ديناميكيات التدهور على المدى الطويل وتحسين توقع المسار، يحقق هذا النموذج تقدمًا كبيرًا في أنظمة إدارة البطاريات، مما يعزز موثوقية التشغيل والسلامة في المركبات الكهربائية والكراسي المتحركة.
طرق
في هذا القسم، تبحث الدراسة في فعالية وظائف تسجيل الانتباه المختلفة ضمن آلية الانتباه (AM) للتنبؤ بالعمر المتبقي المفيد (RUL) عبر مجموعات بيانات البطاريات المتعددة. تم تحليل أربع وظائف تسجيل متميزة—الإضافية، والدمج، والنقطة، والعامة—استنادًا إلى أدائها في تجميع ميزات التدهور التسلسلي المستخرجة بواسطة BiGRU المشفر. تشير النتائج إلى أن وظيفة التسجيل الإضافية تتفوق باستمرار على الآخرين، محققة أدنى مقاييس خطأ (RMSE، MAE، MAPE، AE، RE) عبر جميع البطاريات المختبرة (B0005، B0006، B0007، وB0018). بالمقابل، تنتج وظيفة النقطة باستمرار أعلى قيم خطأ، مما يبرز قيودها في التقاط أنماط التدهور بشكل فعال.
علاوة على ذلك، يتم مقارنة النموذج المقترح مع طرق التنبؤ الحالية بالعمر المتبقي المفيد، مما يكشف عن أدائه المتفوق من حيث الدقة والموثوقية. على سبيل المثال، بينما يحقق نموذج هجين يجمع بين IPSO مع تصفية الجسيمات AE قدره 10 وRE قدره 0.081 لبطارية B0005، فإنه يعاني من قيود داخلية مثل تدهور الجسيمات. تظهر نماذج أخرى، بما في ذلك AST-LSTM وآلات التعلم المتطرفة المحسنة، درجات متفاوتة من النجاح ولكن غالبًا ما تفشل بسبب مشكلات مثل تدهور إشارة الخطأ السريع والاعتماد على هندسة الميزات اليدوية. بالمقابل، يحقق النموذج المقترح باستمرار قيم AE وRE أقل عبر جميع البطاريات، مما يبرز موثوقيته المحسنة وقدرته على التعميم لتطبيقات التنبؤ بالعمر المتبقي المفيد العملية.
نتائج
تظهر نتائج الدراسة تأثير نقاط الاختيار (SPs) على أداء التنبؤ بالعمر المتبقي المفيد (RUL) لبطاريات الليثيوم أيون عبر مجموعات بيانات مختلفة. بالنسبة لمجموعات بيانات NASA، تم تقييم SPs عند الدورة 33 و67 و100 للبطاريات B0005 وB0006 وB0007، بينما تم تقييم البطارية B0018 عند الدورة 33 و54 و80 بسبب مدة تدهورها الأقصر. تم تحليل مجموعات بيانات CALCE عند الدورات 160 و320 و480. توضح منحنيات التنبؤ الموضحة في الأشكال 12 و13 أن النموذج يتبع عن كثب الاتجاهات الفعلية للتدهور، خاصة بالقرب من نهاية العمر (EOL)، ويلتقط التقلبات المبكرة بشكل فعال. من الجدير بالذكر أن SPs اللاحقة، مثل الدورة 100 لـ B0005، تعزز موثوقية التنبؤ من خلال التخفيف من آثار تجديد السعة.
تظهر النتائج الكمية أن SPs المثلى تحسن بشكل كبير من دقة التنبؤ. بالنسبة لمجموعة بيانات NASA، انخفضت قيم جذر متوسط مربع الخطأ (RMSE) عند SP الدورة 100 إلى 1.503 و1.947 و1.388 و3.681 من قيم الدورة 33 التي كانت 2.069 و4.345 و2.224 و4.509 على التوالي. وبالمثل، لمجموعة بيانات CALCE، أسفرت SPs المثلى عن قيم RMSE قدرها 3.783 و2.895 و1.639 و1.587، مع أخطاء مطلقة (AEs) مرتبطة قدرها 2 و3 و9 و2 دورة. تؤكد هذه النتائج دقة التنبؤ القوية للنموذج وقدرته على التعميم عبر أنواع البطاريات المختلفة وملفات التدهور، مما يؤكد فعاليتها في ظروف التشغيل المختلفة.
مناقشة
في هذا القسم، يناقش المؤلفون وصف مجموعة البيانات، وطرق المعالجة المسبقة، وتطوير نموذج هجين مزدوج الانتباه لتقدير العمر المتبقي المفيد (RUL) لبطاريات الليثيوم أيون. يتم تعريف RUL على أنه عدد دورات الشحن والتفريغ المتبقية قبل أن تصل البطارية إلى عتبة نهاية عمرها (EOL)، والتي يتم تعيينها عادة عند 70% أو 80% من سعتها الأولية. تستخدم الدراسة مجموعتين من البيانات متاحة للجمهور من NASA وCALCE، مع استخدام إجراءات إحصائية منهجية لمعالجة البيانات عن طريق إزالة القيم الشاذة وتطبيع بيانات تدهور السعة. يتم تطبيق نهج النافذة المنزلقة لتقسيم البيانات لتنبؤ RUL التلقائي، مما يعزز كفاءة تدريب واختبار النموذج.
يجمع النموذج الهجين مزدوج الانتباه المقترح بين وحدة متكررة بوابة ثنائية الاتجاه (BiGRU) مع آليتين انتباه مزدوجتين لتحسين دقة التنبؤ بالعمر المتبقي المفيد. يلتقط النموذج كل من الاعتماد الزمني وميزات التدهور البارزة من بيانات السعة، مما يسهل فهمًا أكثر قوة لديناميات تدهور البطارية. تعالج بنية المشفر-فك التشفير تسلسلات المدخلات لاستخراج الميزات ذات الصلة، بينما تضمن طبقات الانتباه الحفاظ على المعلومات الحرجة طوال عملية التشفير. يتم التحقق من أداء النموذج من خلال مقاييس مختلفة، مما يظهر قدرات تنبؤية متفوقة مقارنة بالشبكات المتكررة التقليدية، مما يبرز إمكانياته للتطبيقات الواقعية في مراقبة صحة البطارية والصيانة التنبؤية.
DOI: https://doi.org/10.1038/s41598-025-30849-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41526394
Publication Date: 2026-01-12
Author(s): Zhenglu Shi et al.
Primary Topic: Advanced Battery Technologies Research
Overview
The research presents an innovative encoder-decoder framework that integrates dual attention mechanisms with bidirectional gated recurrent unit (BiGRU) networks for the accurate prediction of Remaining Useful Life (RUL) of lithium-ion batteries (LIBs) used in electric vehicles (EVs) and wheelchairs. This model addresses the limitations of traditional sequential input reliance in BiGRU networks by employing an attention-augmented BiGRU module within the encoder to emphasize critical aging features and a secondary attention mechanism to refine the input sequence, ensuring that essential information is preserved during encoding. The decoder, also structured as a BiGRU, effectively delineates capacity degradation trajectories.
Evaluation of the proposed model on the NASA and CALCE datasets demonstrates its superior predictive accuracy, with absolute errors of 1, 4, 0, and 2 for NASA batteries B0005, B0006, B0007, and B0018, respectively, and similarly low errors for CALCE batteries. The framework’s ability to operate without manual feature engineering simplifies the preprocessing pipeline and enhances its applicability. By capturing long-term degradation dynamics and improving trajectory prediction, this model significantly advances battery management systems, reinforcing operational reliability and safety in EVs and wheelchairs.
Methods
In this section, the study investigates the effectiveness of various attention-scoring functions within an attention mechanism (AM) for predicting Remaining Useful Life (RUL) across multiple battery datasets. Four distinct scoring functions—Additive, Concat, Dot, and General—are analyzed based on their performance in aggregating sequential degradation features extracted by an encoder BiGRU. The results indicate that the Additive scoring function consistently outperforms the others, achieving the lowest error metrics (RMSE, MAE, MAPE, AE, RE) across all tested batteries (B0005, B0006, B0007, and B0018). In contrast, the Dot function consistently yields the highest error values, highlighting its limitations in capturing degradation patterns effectively.
Furthermore, the proposed model is compared with existing RUL prediction methods, revealing its superior performance in terms of accuracy and robustness. For instance, while a hybrid model combining IPSO with particle filtering achieves an AE of 10 and RE of 0.081 for battery B0005, it suffers from inherent limitations such as particle degeneracy. Other models, including AST-LSTM and improved extreme learning machines, demonstrate varying degrees of success but often fall short due to issues like rapid error signal decay and reliance on manual feature engineering. In contrast, the proposed model consistently achieves lower AE and RE values across all batteries, underscoring its enhanced reliability and generalization capability for practical RUL prediction applications.
Results
The results of the study demonstrate the impact of selection points (SPs) on the prediction performance of remaining useful life (RUL) for lithium-ion batteries across various datasets. For the NASA datasets, SPs were evaluated at the 33rd, 67th, and 100th cycles for batteries B0005, B0006, and B0007, while battery B0018 was assessed at the 33rd, 54th, and 80th cycles due to its shorter degradation duration. The CALCE datasets were analyzed at the 160th, 320th, and 480th cycles. The prediction curves illustrated in Figures 12 and 13 indicate that the model closely follows actual degradation trends, particularly near the end of life (EOL), and captures early fluctuations effectively. Notably, later SPs, such as the 100th cycle for B0005, enhance prediction reliability by mitigating the effects of capacity regeneration.
Quantitative results reveal that the optimal SPs significantly improve prediction accuracy. For the NASA dataset, the root mean square error (RMSE) values at the 100th cycle SP decreased to 1.503, 1.947, 1.388, and 3.681 from the 33rd cycle values of 2.069, 4.345, 2.224, and 4.509, respectively. Similarly, for the CALCE dataset, optimal SPs yielded RMSE values of 3.783, 2.895, 1.639, and 1.587, with associated absolute errors (AEs) of 2, 3, 9, and 2 cycles. These findings underscore the model’s robust prediction precision and generalizability across different battery types and degradation profiles, confirming its effectiveness in various operational conditions.
Discussion
In this section, the authors discuss the dataset description, preprocessing methods, and the development of a dual attention hybrid prediction model for estimating the Remaining Useful Life (RUL) of lithium-ion batteries. The RUL is defined as the number of charge-discharge cycles remaining before a battery reaches its end-of-life (EOL) threshold, typically set at 70% or 80% of its initial capacity. The study utilizes two publicly available datasets from NASA and CALCE, employing systematic statistical procedures to preprocess the data by removing outliers and normalizing capacity degradation data. A sliding window approach is applied to segment the data for auto-regressive RUL prediction, enhancing model training and testing efficiency.
The proposed dual attention hybrid model integrates a bidirectional Gated Recurrent Unit (BiGRU) with dual attention mechanisms to improve RUL prediction accuracy. The model captures both temporal dependencies and salient degradation features from the capacity data, facilitating a more robust understanding of battery degradation dynamics. The encoder-decoder architecture processes the input sequences to extract relevant features, while the attention layers ensure critical information is preserved throughout the encoding process. The model’s performance is validated through various metrics, demonstrating superior predictive capabilities compared to traditional recurrent networks, underscoring its potential for real-world applications in battery health monitoring and predictive maintenance.