Physik statt KI-Black-Box KI bestimmt den Gesundheitszustand von Lithium-Ionen-Batterien

Wie lässt sich der Gesundheitszustand einer Lithium-Ionen-Batterie präzise bestimmen, ohne einer KI blind zu vertrauen? Ein neuer Ansatz kombiniert künstliche Intelligenz mit physikalischen Alterungsbedingungen und senkt den Vorhersagefehler gegenüber rein datengetriebenen Modellen deutlich.

Der Gesundheitszustand einer Lithium-Ionen-Batterie lässt sich nicht direkt mit einem Sensor messen. Gleichzeitig hängt vom State of Health ab, wie viel Energie eine Batterie noch speichern kann, welche Leistung sie bereitstellt und wann sie ausgetauscht werden sollte. Forschende haben deshalb ein KI-Verfahren entwickelt, das Alterungsmuster aus Ladedaten erkennt, dabei aber nicht ausschließlich den Trainingsdaten vertraut. Physikalisch motivierte Randbedingungen sollen verhindern, dass das Modell zwar mathematisch plausible, für eine alternde Batterie jedoch unrealistische Ergebnisse liefert.

Warum der State of Health so schwer zu bestimmen ist

Bei einer neuen Lithium-Ionen-Zelle entsprechen verfügbare und ursprüngliche Kapazität weitgehend einander. Mit zunehmender Nutzung verändert sich die Zelle jedoch irreversibel. Die Solid Electrolyte Interphase wächst, aktives Lithium geht verloren, Elektrodenmaterialien degradieren, Elektrolyt wird verbraucht und der Innenwiderstand steigt. Dadurch sinken verfügbare Kapazität und Leistungsfähigkeit der Batterie.

Der State of Health, kurz SOH, beschreibt diesen Alterungszustand üblicherweise als Verhältnis zwischen aktuell verfügbarer und ursprünglicher beziehungsweise nomineller Kapazität. Für ein Batteriemanagementsystem ist dieser Wert von großer Bedeutung. Er fließt beispielsweise in die Lebensdauerprognose, Fehlererkennung und Bewertung einer möglichen Zweitnutzung ein.

Das Problem besteht darin, dass sich der SOH nicht direkt messen lässt. Ein Batteriemanagementsystem verfügt zwar über Größen wie Strom, Spannung und Temperatur. Aus diesen Signalen muss der Gesundheitszustand jedoch erst abgeleitet werden.

Klassische Verfahren zur SOH-Bestimmung haben dabei jeweils spezifische Nachteile. Kapazitätstests können einen zuverlässigen Referenzwert liefern, benötigen aber einen vollständigen Lade- und Entladevorgang. Elektrochemische Impedanzspektroskopie liefert Informationen über ohmsche Widerstände, Ladungstransfer und Diffusionsprozesse, erfordert dafür jedoch zusätzliche Messtechnik. Für die kontinuierliche Zustandsbestimmung in Fahrzeugen oder anderen Batteriesystemen sind solche Verfahren deshalb nur eingeschränkt geeignet.

Wenn die KI die Alterung aus den Daten lernt

Eine Alternative bilden datengetriebene Verfahren. Statt sämtliche elektrochemischen Vorgänge innerhalb der Zelle mathematisch abzubilden, suchen Machine-Learning-Modelle nach Zusammenhängen zwischen messbaren Signalen und dem tatsächlichen SOH.

Gerade Deep-Learning-Verfahren bieten hierfür interessante Möglichkeiten. Rekurrente Netze wie LSTM oder GRU können zeitliche Abhängigkeiten innerhalb einer Alterungssequenz erfassen. Transformer wiederum eignen sich dazu, komplexe Zusammenhänge zwischen unterschiedlichen Merkmalen zu modellieren.

Damit entsteht allerdings ein neues Problem: Ein rein datengetriebenes Modell weiß zunächst nichts über die Physik einer Batterie. Es optimiert seine Parameter so, dass die Trainingsdaten möglichst gut reproduziert werden. Messrauschen, veränderte Betriebsbedingungen oder lokale Capacity-Regeneration können dadurch als relevante Alterungseffekte interpretiert werden. Besonders bei begrenzten Trainingsdaten drohen Überanpassung und Vorhersagen, die zwar zum Datensatz passen, physikalisch aber wenig plausibel sind. Genau an dieser Stelle setzt die Arbeit von Yanyu Huang, Jianwei Huang, Wensheng Yu und Xiaoxian Yang an.

Fünf Merkmale verraten den Zustand der Batterie

Die Forschenden beschränken sich bei ihrem Ansatz nicht auf die reine Anzahl der Ladezyklen. Stattdessen analysieren sie Veränderungen während des Ladevorgangs. Dafür werden fünf Gesundheitsindikatoren aus der Konstantstrom-/Konstantspannungs-Ladung und der Incremental-Capacity-Kurve abgeleitet.

Dazu gehören die Dauer der Konstantstrom-Ladephase, die mittlere Spannung während dieser Phase, der Spitzenwert der IC-Kurve, die Spannung an diesem IC-Peak sowie der mittlere IC-Wert. Diese Größen erfassen unterschiedliche Aspekte der Batteriealterung.

Mit zunehmender Alterung erreicht eine Zelle während der Konstantstromphase ihre Ladeschlussspannung tendenziell früher. Die Konstantstrom-Ladezeit nimmt daher ab. Gleichzeitig verschiebt sich das Spannungsniveau infolge zunehmender Polarisation nach oben.

Auch die IC-Kurve verändert sich. Ihr charakteristischer Peak nimmt ab und verbreitert sich, während sich seine Position zu höheren Spannungen verschiebt. Die Abschwächung des Peaks steht unter anderem mit dem Verlust aktiven Materials und einer abnehmenden reversiblen Reaktionskapazität in Verbindung. Auf diese Weise liefern die Lade- und IC-Kurven Informationen über Veränderungen, die mit dem Alterungszustand der Zelle korrelieren.

Die Beschränkung auf fünf Größen ist dabei bewusst gewählt. Zu viele ähnliche Merkmale würden zusätzliche Redundanz und Multikollinearität erzeugen.

Transformer und GRU übernehmen unterschiedliche Aufgaben

Für die Auswertung kombinieren die Forschenden zwei unterschiedliche Deep-Learning-Architekturen. Der Transformer untersucht vor allem die globalen Beziehungen zwischen den fünf Gesundheitsindikatoren. Er soll beispielsweise erkennen, wie sich verkürzte Ladezeiten, Veränderungen der Spannung und die Form der IC-Kurve gemeinsam entwickeln.

Die GRU übernimmt dagegen die zeitliche Perspektive. Sie verarbeitet die Alterungssequenz und soll sich merken, wie sich die relevanten Merkmale über aufeinanderfolgende Zyklen verändern.

Diese Arbeitsteilung beschreiben die Autoren selbst sinngemäß mit zwei unterschiedlichen Fragen: Der Transformer ermittelt, welche Gesundheitsmerkmale gemeinsam variieren, während die GRU erfasst, wie sich diese Veränderungen im Verlauf der Zyklen entwickeln.

Das Modell arbeitet dafür mit einem gleitenden Fenster aus jeweils drei aufeinanderfolgenden Zyklen. Die Gesundheitsindikatoren werden standardisiert und anschließend von den beiden Netzwerkzweigen verarbeitet.

Cross-Attention verbindet beide Sichtweisen

Die Ergebnisse von Transformer und GRU werden nicht lediglich hintereinandergehängt. Stattdessen verwenden die Forschenden einen Cross-Attention-Mechanismus. Dabei dient die vom Transformer erzeugte Repräsentation als Query, während die GRU-Repräsentation Key und Value liefert.

Vereinfacht ausgedrückt kann der Transformer dadurch anhand der aktuellen Kombination der Gesundheitsindikatoren gezielt diejenigen Informationen aus der zeitlichen Alterungshistorie auswählen, die für den momentanen Zustand besonders relevant sind. Eine nachgeschaltete Regressionsstufe berechnet daraus schließlich den SOH.

Die Physik greift in das Training ein

PI steht für „Physics-Informed“. Die Forschenden versuchen also, physikalisches Wissen über die Alterung einer Batterie in das Training des neuronalen Netzes einzubringen. Dazu wird der SOH nicht lediglich als unbekannte Funktion der Zykluszahl betrachtet. Stattdessen hängt er sowohl vom Zyklus beziehungsweise der Zeit als auch von den ermittelten Gesundheitsindikatoren ab. Zusätzlich führen die Autoren eine zweite Beziehung für die zeitliche Änderungsrate des SOH ein.

Da die tatsächliche Alterungsdynamik einer Batterie sehr komplex ist und sich beispielsweise mit Zelltyp und Alterungsphase verändert, wird auch diese Funktion nicht analytisch vorgegeben. Ein zusätzliches neuronales Netz approximiert stattdessen die Degradationsdynamik.

Während des Trainings werden die vom Hauptnetz vorhergesagte Änderung des SOH und die vom zusätzlichen Dynamikmodell ermittelte Änderungsrate miteinander verglichen. Aus der Differenz entsteht ein zusätzlicher Fehlerterm. Das Hauptmodell soll dadurch nicht nur einzelne SOH-Werte richtig treffen, sondern auch eine plausible lokale Entwicklung der Alterung erzeugen.

Damit unterscheidet sich das Verfahren wesentlich von einem rein datengetriebenen Ansatz: Nicht ausschließlich der Abstand zwischen Vorhersage und Messwert entscheidet darüber, ob eine Lösung während des Trainings als gut bewertet wird.

Eine Batterie altert nicht rückwärts

Eine zweite Randbedingung betrifft die grundsätzliche Richtung der Alterung. Über einen längeren Zeitraum nimmt die verfügbare Kapazität einer Lithium-Ionen-Batterie im Allgemeinen ab. Ein Modell, dessen vorhergesagter SOH ständig zwischen höheren und niedrigeren Werten springt, würde deshalb ein fragwürdiges Ergebnis liefern.

Eine strikt monoton fallende Kurve wäre allerdings ebenfalls problematisch. In realen Messreihen können lokale Kapazitätserholungen auftreten, beispielsweise aufgrund von Temperaturänderungen, Ruhephasen oder Messeffekten.

Die Autoren verwenden deshalb eine schwache Monotoniebedingung. Steigt der vorhergesagte SOH zwischen zwei aufeinanderfolgenden Zyklen, wird dies während des Trainings mit einem zusätzlichen Fehlerterm bewertet. Solche Anstiege werden jedoch nicht grundsätzlich verboten.

Die gesamte Optimierung besteht damit aus drei Komponenten: dem klassischen Datenfehler, einem Fehler für die Konsistenz der Degradationsdynamik und der schwachen Monotoniebedingung. Die physikalischen Bedingungen werden ausschließlich während des Trainings benötigt. Bei der späteren SOH-Bestimmung benötigt das Modell lediglich die Gesundheitsmerkmale und den Zyklusindex.

Drei Datensätze stellen das Modell auf die Probe

Zur Validierung verwenden die Forschenden sechs Batterien aus drei öffentlichen Datensätzen von Oxford, CALCE und NASA. Die Auswahl ist deshalb interessant, weil sich deren Alterungsverläufe deutlich unterscheiden. Die beiden Oxford-Zellen umfassen jeweils mehr als 8.000 Zyklen und zeigen eine vergleichsweise gleichmäßige Abnahme des SOH. Die CALCE-Zellen umfassen jeweils 620 Zyklen und weisen deutlichere nichtlineare Veränderungen auf. Die NASA-Zellen kommen dagegen auf 166 Zyklen, zeigen eine schnellere Degradation und lokale Capacity-Regeneration.

Für die regulären Versuche verwenden die Forschenden die ersten 40 % der Zyklen als Trainingsdaten und die verbleibenden 60 % zum Testen. Zehn Prozent des Trainingsanteils werden wiederum für die Validierung reserviert. Als Vergleich dienen eine reine GRU, ein Transformer, das kombinierte CTG-Modell ohne physikalische Randbedingungen sowie das vollständige PI-CTG.

Physics-informed AI reduziert den Fehler deutlich

Die Kombination der verschiedenen Ansätze macht sich in den Ergebnissen bemerkbar. Die reine GRU erreicht über die sechs untersuchten Batterien einen durchschnittlichen RMSE von 0,0228. Beim Transformer sinkt dieser auf 0,0199. Werden Transformer und GRU über Cross-Attention zum CTG-Modell verbunden, reduziert sich der Wert auf 0,0132.

Mit den zusätzlichen physikalischen Bedingungen erreicht PI-CTG schließlich einen durchschnittlichen RMSE von 0,0072. Der durchschnittliche MAPE beträgt 0,7768 %, R² liegt bei 0,9730. Damit reduziert PI-CTG den mittleren RMSE gegenüber GRU um rund 68 %, gegenüber dem Transformer um rund 64 % und gegenüber dem bereits kombinierten CTG-Modell um knapp 45 %.

Auch die Einzelwerte der sechs untersuchten Batterien bleiben beim RMSE unter 0,01. Das Modell kann dabei sowohl relativ gleichmäßige Alterungskurven als auch nichtlineare Verläufe und lokale Capacity-Regeneration nachvollziehen.

Eine Ablationsanalyse unterstützt zudem die Annahme, dass nicht nur das komplexere Netz für die Verbesserung verantwortlich ist. Beim untersuchten NASA-Datensatz B0006 erreicht CTG ohne physikalische Bedingungen einen RMSE von 0,0156. Wird ausschließlich die Bedingung für die Degradationsdynamik hinzugefügt, sinkt er auf 0,0101. Allein die Monotoniebedingung reduziert ihn auf 0,0115. Mit beiden Bedingungen und einer Gewichtung von jeweils 0,5 erreicht das Modell 0,0091. Eine Gewichtung von 0,7 für die Degradationsdynamik und 0,3 für die Monotonie verbessert den Wert in diesem Versuch sogar auf 0,0081.

Funktioniert das Modell auch mit unbekannten Zellen?

Für eine praktische Anwendung reicht es nicht aus, die Alterungskurve einer Zelle vorherzusagen, deren frühere Zyklen bereits Bestandteil des Trainings waren. Deshalb führen die Autoren zusätzlich Leave-one-battery-out-Experimente innerhalb der jeweiligen Datensätze durch.

Dabei wird beispielsweise eine Oxford-Zelle zum Training und die zweite zum Test verwendet. Das gleiche Prinzip wenden die Forschenden auf CALCE und NASA an.

Bei Oxford erreicht das Modell dabei einen RMSE von 0,0038 und ein R² von 0,9951. Bei CALCE beträgt der RMSE 0,0075 und R² 0,9907. Für die NASA-Zellen steigt der RMSE auf 0,0110, während R² bei 0,9905 liegt. Die Autoren führen den höheren Fehler unter anderem auf die stärkeren Capacity-Regeneration-Effekte und Unterschiede zwischen den NASA-Zellen zurück.

Die Ergebnisse zeigen damit zumindest innerhalb desselben Datensatzes, dass die gelernten Zusammenhänge auf eine zuvor nicht für das Training verwendete Zelle übertragen werden können.

Welche Messgrößen sind tatsächlich entscheidend?

Mit einer guten Vorhersage allein bleibt allerdings ein typisches Problem neuronaler Netze bestehen: Warum kommt das Modell zu einem bestimmten Ergebnis? Um diese Black Box zumindest teilweise zu öffnen, verwenden die Forschenden SHAP. Damit lässt sich abschätzen, welchen Beitrag einzelne Eingangsmerkmale zur Vorhersage des Modells leisten.

Über alle untersuchten Batterien hinweg spielen vor allem die Konstantstrom-Ladezeit, der IC-Peak und der mittlere IC-Wert eine wichtige Rolle. Ihre Rangfolge unterscheidet sich allerdings zwischen den Zellen. Bei einer Oxford-Zelle erreicht beispielsweise die Konstantstrom-Ladezeit den höchsten Beitrag, während bei einer NASA-Zelle der mittlere IC-Wert dominiert.

Interessant ist dabei der Unterschied zwischen Korrelation und tatsächlichem Beitrag zum Modell. Ein Merkmal kann sehr stark mit dem SOH korrelieren und trotzdem nur einen vergleichsweise kleinen zusätzlichen Informationsbeitrag liefern. Ursache sind teilweise stark korrelierte Gesundheitsindikatoren. So liegt die Korrelation zwischen Konstantstrom-Ladezeit und mittlerem IC-Wert bei rund 0,94. Enthalten beide ähnliche Informationen über die Alterung, kann das Modell einen Großteil davon bereits über eines der Merkmale erhalten.

Die SHAP-Werte dürfen deshalb nicht als Rangliste elektrochemischer Alterungsmechanismen verstanden werden. Sie beschreiben, welche Informationen das konkrete Modell für seine Vorhersage nutzt.

Vom Forschungsmodell zum Batteriemanagementsystem

Die Ergebnisse zeigen das Potenzial des Ansatzes, gleichzeitig aber auch seine derzeitigen Grenzen. Untersucht wurden sechs Batterien aus etablierten Forschungsdatensätzen. Ein reales Batteriesystem ist mit deutlich größeren Variationen bei Zellchemie, Temperatur, Ladeleistung, Nutzung und Zellstreuung konfrontiert.

Genau hier sehen auch die Autoren Yanyu Huang, Jianwei Huang, Wensheng Yu und Xiaoxian Yang weiteren Forschungsbedarf. Künftig sollen unter anderem Temperatur, Innenwiderstand und C-Rate als zusätzliche Betriebsgrößen berücksichtigt werden. Außerdem sollen Transfer-Learning-Verfahren die Übertragung zwischen unterschiedlichen Materialsystemen sowie Lade- und Entladeprotokollen verbessern. Modellkompression und Online-Updates sollen schließlich eine praktische Implementierung in Batteriemanagementsystemen ermöglichen. Zwischen detaillierten elektrochemischen Modellen auf der einen und rein datengetriebenen neuronalen Netzen auf der anderen Seite entsteht eine dritte Möglichkeit. Das neuronale Netz darf komplexe Zusammenhänge selbst aus Messdaten lernen, bekommt während des Trainings aber Grenzen gesetzt, die aus dem bekannten Alterungsverhalten der Batterie abgeleitet sind.

Damit wird die Physik nicht durch künstliche Intelligenz ersetzt. Sie übernimmt die korrigierende Rolle, welche verhindert, dass ein datengetriebenes Modell bei der Suche nach der mathematisch besten Lösung die physikalische Realität aus den Augen verliert. (mr)

(ID:50928416)