AI锂电·寿命预测03：为什么JMP和阿伦尼乌斯都搞不定LFP电池？

上回，我们一起找到了用于预测的数据集：2017-05-12_batchdata

我们先用常规的寿命预测方法来看看，为什么常规的预测方法失效了。

首先，我还是利用h5py对mat进行读取：

核心代码如下，完整代码和导出数据已上传星球。

summary_struct = f[ref]cycles = summary_struct[‘cycle’][:].flatten()capacity = summary_struct[‘QDischarge’][:].flatten()df = pd.DataFrame({‘Cycle’: cycles,‘Capacity_Ah’: capacity})output_csv = f’JMP_MIT_Cell_{target_cell_number}_FullLife.csv’df.to_csv(output_csv, index=False)

我们提取的是第10个cell，每一圈循环容量衰减如下：

我们的目标是给出500cyc，来预知后面600cyc的情况。

假如我们用JMP的退化分析行不行？

不熟悉JMP寿命预测功能的，可以和我一起操作一遍：

1.导入数据（小技巧：复制数据后，Ctrl+shift+V粘贴到JMP比较快）

2.把500cyc以上的数据排除，为了不放入计算但又要看得见。（这里不要选隐藏）

3.选择“分析”->“可靠性与生存”->“退化”

4.三列数据按照下图填充相应位置：

观察结果：由于循环跳水的原因，红色预测线和真实的情况差别太大了。

这是 JMP 默认会跑出来的结果。因为它只看到了前 500 圈“稳如老狗”的样子，它天真地以为电池会这样一直活下去。假如寿命下限是0.9。**JMP 预测寿命：**16,000 圈，误差16倍。

有人可能会说：“晓风老师，你选的是简单线性，如果是非线性呢？”

这就谈到本章中最有含金量的部分了。

首先，我先教大家找到非线性模型的入口：

可以拖动参数大小来进行拟合。

我们这份案例只有 Cycle（时间 X）和 Capacity（容量 Y）这两个参数。

在这种情况下：我们能用的就3种模型：

第一种：Exponential 3P (3参数指数模型)

它是工业界做寿命预测最通用的“万金油”公式。

是渐近线，是衰减幅度，是衰减速率

**结局：**必死无疑。 因为 LFP 前 500 圈太直了，模型会算出θ3=0，结果预测出来就是一条直线，完全预测不到跳水。

第二种：Logistic 3P / 4P (逻辑斯蒂/S形曲线)

形态： S 型曲线（像滑梯一样）

理论上“跳水”就是 S 形的下半段。因为前 500 圈还没有开始弯曲，S 形模型找不到拐点，它通常会报错说“不收敛”或者拟合出一条很平的线。这能证明：“没看到跳水前，S 形模型也瞎了”。

**第三种：**Gompertz 3P (冈珀茨模型)

形态： 也是一种非对称的 S 形曲线，常用于生物生长或设备磨损。

同上，没有拐点数据，它预测不出来。

还有一些模型虽然高级，但我们缺数据，选了也跑不通：

Arrhenius (阿伦尼乌斯)缺温度。它是用来描述温度对老化加速影响的。
Eyring (艾林模型)缺应力。比如电压应力或机械应力。

有的同学可能又会说，mat文件里面不是有温度嘛？

没错，是的，但是也没用。

说再多不如做一下，可以跟着我学一下传统寿命预测的方法。

第一步，提取csv文件，此时加入温度因子。

编写代码时要注意：

MIT 数据集的 Summary 里通常直接有 ‘Tavg’ (平均温度), ‘Tmin’, ‘Tmax’，我们优先取 Tavg，如果没有就取 Tmax。

核心代码（全代码和提取出来的csv见星球）：

if’Tavg’in summary_struct: temp = summary_struct[‘Tavg’][:].flatten() temp_col_name = ‘Temperature_Avg_C’ elif’Tmax’in summary_struct: temp = summary_struct[‘Tmax’][:].flatten() temp_col_name = ‘Temperature_Max_C’ else: temp = np.zeros_like(cycles) temp_col_name = ‘Temperature_Placeholder’

第二步，导入JMP，然后进行退化

注意：X因子选择温度，这是关键，告诉 JMP 温度是影响因子！

第三步，选择温度作为反应因子进行预测。

你会发现，预测出来的结果和线性区别不大。

其实原因很简单：前 500 圈因为电池很健康，温度几乎是恒定的。

JMP 会觉得：“哦，温度对寿命没啥影响嘛”。

结果它还是预测不出来后面的跳水。这就证明了：在 LFP 电池上，传统的物理模型（即使是阿伦尼乌斯）也因为缺乏“早期预警信号”而失效。

学过传统寿命预测技术的人可能会说：你这不是阿伦尼乌斯的用法，只有一个试验温度当然不行，要加上65℃、45℃的数据才行的。

可惜MIT的数据都是30℃的，CALCE的数据倒是有变温度，但那样做太花时间了。不过结论我可以告诉大家，也不行。

阿伦尼乌斯模型生效的前提是‘失效机理一致性’。但 LFP 电池在低温/常温下主要是 SEI 膜增厚和活性锂损失，而在高温（如 60°C+）下可能会发生电解液分解产气甚至粘结剂失效。机理变了，预测就失效了。、

另外，传统阿伦尼乌斯寿命预测/加速技术中，大家一定要记住：如果要用模型进行预测，必须失效机理是相同的前提，而我们日常做4M变更，往往改了材料、改了工艺，模型的条件已经变更了，就不适用传统的寿命预测模型了。

写到这里，我们似乎走进了一条死胡同。

我们尝试了简单的线性外推，被现实狠狠打脸；我们搬出了复杂的非线性公式，却因为缺乏拐点数据而无法收敛；我们甚至引入了温度作为物理参数，试图用阿伦尼乌斯来救场，却发现单一的宏观物理量根本无法感知电池内部的微观病变。

为什么传统方法在 LFP 电池上统统失效？

归根结底，是因为我们太依赖“时序数据”了。我们一直盯着“容量随时间的变化”看，这就好比只看一个人的年龄和体重，是根本查不出他体内潜伏的癌症的。

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”。这种变化在容量曲线上是看不见的，在温度曲线上是看不见的，甚至在电压曲线上也是肉眼难辨的。

但是，看不见不代表不存在。

在那些看似平平无奇的电压-容量曲线深处，其实隐藏着一种名为 dQ/dV（增量容量分析） 的微观指纹。它就像医生的 X 光片，能在电池“身体”还很健康的时候，就精准捕捉到内部“骨质疏松”的信号。

既然人眼看不出来，简单的数学公式算不出来，那我们就该请出能处理高维特征的“降维打击”武器了。

**下一章节，我们将正式进入“黑盒”内部：**如果不看容量，我们还能看什么？如何利用 Python 进行特征工程，提取出那个能够一眼看穿 LFP 寿命的特征？

推荐阅读

最新留言