上一回，我们用 JMP 和阿伦尼乌斯模型进行了LFP的寿命预测，结果全部失败。

文章发出后，有的同学私信我：“晓风老师，JMP 毕竟是传统统计软件，现在AI这么强为什么不上机器学习？用 Python 跑个随机森林或者 SVR，肯定比JMP强吧？”

AI 真的就是万能的解药吗？

今天，我们先来验证一下。不引入其他特征，只有**“容量-循环”数据能不能进行预测。**

为了公平起见，我们保持和上一篇完全一致的测试条件：

对象： MIT 数据集 Cell #10。
训练集： 前 500 圈
测试集： 500 圈以后
输入特征： 只有 “历史容量”

第一个问题来了，机器学习的方法有几十种：线性回归、决策树、随机森林、神经网络、Transformer……

选什么呢？这确实需要研究过，至少了解过数据挖掘才行。不在这边占用篇幅了，这边给大家一个简单的分类口诀：

**数据是图片/语音/文本吗？**是 -> **深度学习 (CNN/Transformer)**否（是 Excel/CSV 表格数据） -> 往下看
数据量有多大？>10万行 -> 深度学习/LightGBM<1万行 往下看
**我们要解决什么问题？****我要解释给老板听 -> **线性回归 / 决策树 我要追求最高精准度 -> XGBoost / CatBoost数据特别少且维度高->SVR (支持向量回归)

如果有具体的问题，可以星球咨询我。

对于我这种几十个样本的，而且是复杂曲线，没有什么比 SVR (支持向量回归)更合适的了。如果连 SVR 都搞不定，那其他轻量级模型基本也没戏。而且电池SOH估算的论文里面，SVM/SVR是出现频率最高的基准模型。

如果大家只学会了 from sklearn import SVR，那以后换个场景参数一变，大家可能会懵。我为各位星友准备了一篇“人话版 SVR 原理详解”，大家可以直接作为星球作业的补充阅读。

我们采用了“滑动窗口”策略：让 AI 根据过去 500 圈的容量趋势，去递归预测下一圈。

(核心代码如下，完整文件已上传星球(“4.1 不加入特征的机器学习.py”）

核心逻辑：滑动窗口defcreate_dataset_2d(series, window): X, y = [], [] for i in range(len(series) - window): # 用前50个点作为特征，第51个点作为标签 X.append(series[i:(i + window), 0]) y.append(series[i + window, 0]) return np.array(X), np.array(y) # 训练模型：SVR#C=1000 代表我们让模型非常努力地去拟合前500圈的数据model =SVR(kernel=‘rbf’, C=1000, gamma=0.1, epsilon=0.001)model.fit(X_train,y_train)#

我在代码里故意把惩罚系数 C 设成了 1000。这就好比我拿枪指着 AI 说：“前 500 圈的数据，你必须给我死记硬背下来，错一点点都不行！”

于是，SVR 为了满足我，它死死记住了前 500 圈的“平稳”。它把这种暂时的平稳当成了永恒的真理。

结果：比 JMP 还离谱..#

训练集： SVR 不愧是机器学习神器，在前 500 圈拟合得严丝合缝，连微小的抖动都学到了。
预测集：你看到的那个红色的弯曲，其实是 SVR 在背诵前 500 圈的“噪音”。电池容量虽然宏观上是平的，但微观上会有测量误差，忽高忽低（比如 1.08 -> 1.07 -> 1.09）。因为我们把 C 设成了 1000，SVR 以为这些“忽高忽低”是电池的固有规律，必须记下来。这其实是过拟合。当它开始预测未来时，它就把这种“忽高忽低”的节奏，像复读机一样一遍又一遍地播放出来。所以，那个红线其实是在循环播放前 500 圈的抖动模式。

结论：在只给容量数据的情况下，单体自回归预测——失败。

看到这里，肯定有专业的算法工程师会反驳：

“晓风老师，你这种单体递归预测本来就不科学！你只用这个电池的前半生去预测后半生，它又没见过跳水，当然预测不出来。正确的做法应该是：拿其他100个已经跑废了的电池做训练集（它们包含了跳水数据），来预测这第101个电池！”

这个问题问得非常专业。这确实是工业界更主流的“群体学习”思路。

但是，我可以直接告诉你结论：即便这么做，如果你依然只用“容量”做特征，效果依然好不到哪去。

为什么“大数据”也救不了你？#

这次我把所有电池都拿出来了。(代码上传星球：“4.2 无法预测.py”）

我们只看它们的前 500 圈。请问：你能从容量曲线上看出区别吗？

看不出来对吧。LFP 电池的特性决定了，在平台期，不管是好电池还是坏电池，它们的容量衰减曲线几乎重合。

这就好比你去医院体检：

病人 A：体内有早期肿瘤

病人 B：完全健康

特征： 只有“体重”

在早期，两个人的体重可能都是 65kg，且都很稳定。你哪怕拿 10000 个癌症病人的体重数据去训练，它也无法仅凭“体重 65kg”这一个特征，判断出病人 A 明年会病危。

这就是机器学习里的“Garbage In, Garbage Out”（垃圾进，垃圾出）

如果特征本身没有区分度，换再强的模型也是徒劳。

#

写到这里，我们似乎走进了一条死胡同：

统计学（JMP） 挂了，因为无法外推非线性。
机器学习（SVR） 挂了，因为输入特征没有区分度。

难道 LFP 电池的寿命真的无法预测吗？

大家都看到第4篇了，胃口也掉得差不多了。

现在我来揭晓答案：

LFP 电池的“跳水”，本质上不是一种简单的物理磨损，而是一场电化学层面的“相变”（涉及石墨负极的析锂、SEI 膜的增厚等）。

这种变化，在宏观的“容量-时间”曲线上是隐形的。但是，在微观的电压微分曲线上，它会引发峰值的偏移和变形。

我们需要一张能照出电池内部病变的“X 光片”。

这张 X 光片，就是 dQ/dV（容量增量分析）。

它可以把平平无奇的充电曲线，转化为反映内部电化学反应的“指纹”。哪怕在第 100 圈，容量还没掉的时候，dQ/dV 的峰值可能已经悄悄移动了 0.01V——这就是 AI 眼中的“绝症信号”！

我们要提取一种名为 dQ/dV 的微观特征，它能像 X 光一样照出电池内部的微小病变。

#

什么是 dQ/dV？—— 电池内部的“电化学指纹”#

很多做数据分析的同学可能对这个词很陌生，但在电化学领域，它是大名鼎鼎的“照妖镜”，学术上被称为容量增量分析 (Incremental Capacity Analysis, ICA)。

1. 基础概念拆解#

Q：容量 (Capacity)
V：电压 (Voltage)
dQ/dV：容量对电压的微分。

**一句话解释：**它代表在充放电过程中，电压每变化 1mV（dV），电池里究竟充进去了多少电量（dQ）？

#

2. 宏观类比：从“记录海拔”到“感知地势”#

为了理解它，想象你在爬山（充电过程），电压是海拔，充入容量是你走的路程。

普通电压曲线 (V-Q) —— 仅仅是“海拔记录”对于磷酸铁锂（LFP）电池，它的电压曲线就像是一个巨大的高原平台。你走了很久（充了很多电），但海拔（电压）几乎没变。光看海拔数据，你根本不知道自己走到了高原的哪一段。
dQ/dV 曲线 —— 敏锐的“坡度雷达”dQ/dV 实际上是在记录“地势的平坦程度”。哪怕海拔变化很小，但只要脚下的地势发生微小的改变，dQ/dV 曲线就会瞬间做出反应。对于 LFP 电池来说，电压曲线是“平淡无奇”的直线，但 dQ/dV 曲线却是“峰峦叠嶂”的指纹图谱。

#

3. 核心原理：为什么“平地”会变成“尖峰”？#

很多同学会有疑问：为什么电压越平的地方，dQ/dV 反而是一个巨大的峰？

这需要从数学和物理两个维度来解释：

① 数学视角：分母趋近于零看公式。在电压平台区，电池充入了很多电（分子很大），但电压几乎不升（分母趋近于 0）。分母越小，分数值越大。 所以，V-Q 曲线上的“大平地”，在 dQ/dV 曲线上就投射成了“摩天大楼”。

② 物理视角：著名的“冰水混合物”效应为什么充了电，电压却不升高？能量去哪了？这对应着电池材料内部的相变过程。

类比烧开水：水沸腾时，你持续加热（充电），但水温卡在 100°C 不动（电压不变）。因为热量没有用来升温，而是用来把液态水变成气态水（相变）。
回到电池：当 dQ/dV 出现峰值时，正极材料正在大规模转化为另一种相态。此时电池像个**“黑洞”**，疯狂吞噬电量却不提升电压。

结论：每一个 dQ/dV 的峰，都对应着电池内部一种特定的化学相变。

#

4. 实战价值#

为什么我们要费劲看这个图？因为它是电池健康的微观探针。普通电压曲线看不出电池老化的细节，但 dQ/dV 可以：

峰位移动：说明内阻变了或电极电位变了。
峰值降低：说明活性锂损失了（LLI）或者材料结构塌陷了（LAM）。

在数据分析中，它是我们从电化学数据中提取特征的金矿。

【关于 dQ/dV 的技术实现】

原理听起来很简单，但在工程实现上其实有一个巨大的坑：噪声。

我把这片电池的dq/dv用Excel算了一下放电阶段的特征峰，大家可以看到实际图和理论图还是有很大差别的。

真实的电池数据，电压采集往往带有细微的抖动。如果我们直接用 Python 进行微分（求导），得到的曲线会像锯齿一样乱飞，根本找不到峰值。

很多同学做不出来，就是死在了这一步。

**这就需要用到信号处理中的“平滑滤波”技术。**比如，是选用高斯滤波还是 B-样条插值？参数怎么调才能既把毛刺磨平，又不改变峰值的真实位置？

这一块涉及到比较复杂的数学处理和代码调试。为了不影响大家的阅读体验，我把完整的dQ/dV 去噪与特征提取代码以及参数调试心得，放在了知识星球里。

滤波后效果如下：

感兴趣的同学可以去下载直接用，剩下的同学只需要理解上面的“原理”即可，不影响我们继续往下看结果。

为什么说它是神之特征？请看下面这张对比图：

我们对这两条曲线做微分处理，画出 dQ/dV 图。

第 10 圈的波峰是绿色，而第 300和500 圈的波峰，悄悄向左移动了 0.02V，并且高度降低了 5%！这就是“癌变信号”！

虽然电池表面看着很健康（容量没掉），但内部的“骨骼”（负极材料）已经开始移位了。

这个微小的峰值方差和峰值位置，就是我们梦寐以求的强特征。

#

现在，我们重新把 AI 请回来。

还是同一个模型（SVR），还是同一块电池（Cell 10），还是只用前 500 圈训练。

唯一的区别是：

昨天： 输入 X = [容量, 电压]
今天： 输入 X = [dQ/dV方差, dQ/dV最小值]

全部代码上传星球“4.3神之特征.py”(核心代码片段)

插值 & 微分v_grid = np.linspace(2.8, 3.5, 500)f_interp = interp1d(V_clean[::-1], Q_clean[::-1], kind=‘linear’, fill_value=“extrapolate”)q_interp= f_interp(v_grid)dq= np.gradient(q_interp)dv= np.gradient(v_grid)with np.errstate(divide=‘ignore’, invalid=‘ignore’): dqdv = dq / dvdqdv = np.nan_to_num(dqdv, nan=0.0)dqdv_smooth = gaussian_filter1d(dqdv, sigma=10)#

见证奇迹的时刻：

(红线紧紧咬住了黑色的真实数据，完美预测出了大跳水！)

结果分析：

不再是直线： 预测曲线呈现出漂亮的抛物线形状，精准地在 800 多圈开始向下弯曲。
未卜先知： 此时电池才跑到 500 圈，容量根本没掉。但算法却通过 dQ/dV 峰值的微小变形，提前 300 圈 预判了死刑！

总结：数据决定上限#

很多人沉迷于研究 Transformer、LSTM 这种复杂的网络结构，觉得模型越深越好。

但今天的案例告诉我们：如果在特征工程上偷懒，再深的网络也救不了你。

JMP 没做错， 它只是没看到数据。
SVR 没做错， 它只是没吃到好的饲料。
真正的英雄是 dQ/dV。 它用物理学的智慧，捅破了那一层窗户纸。

AI + Science (科学智能)，绝不是把数据丢进黑盒那么简单。它需要我们既懂代码，又懂电化学。这，才是未来电池工程师的核心竞争力。

既然单体预测已经攻克，下回我们要来玩点更大的了。

我们能不能训练一个通用的“电池算命模型”？只要新电池跑个 100 圈，就能算出它还能活多久？

下一回，我们将复现Nature Energy 的终极大法：基于群体数据的早期寿命预测模型。

本文实战所需所有样本数据、代码及逐行注释、参数心得均已上传星球：

来我星球，不仅能解锁所有公众号发布的所有设计、工艺、质量、数据分析、AI、DOE等硬核付费文章，还可以获得专家1v1技术支持&答疑及相关几千份行业资料。

推荐阅读

最新留言