Для испытаний литий-ионных аккумуляторов на циклический ресурс используйте MAE и RMSE для количественной оценки ошибки прогнозирования, а затем сообщайте откалиброванные интервалы неопределенности — обычно 68% и 95% — для емкости, состояния здоровья (SOH) и остаточного срока службы (RUL). Подбирайте распределения неопределенности к результатам испытаний повторяющихся ячеек, но не предполагайте нормальное распределение без проверки; эмпирические, бутстреп-методы или интервалы на основе квантилей часто более надежны при сильно нелинейной деградации и поведении в конце срока службы.
Важнейшая комбинация — это показатели точечной ошибки плюс калибровка неопределенности: MAE показывает типичную ошибку, RMSE штрафует за крупные сбои, а интервалы прогнозирования показывают, насколько можно доверять каждому прогнозу.
Что должна измерять система тестирования
Сохранение емкости и SOH
Основной переменной отклика обычно является сохранение емкости:
[ \text{Сохранение емкости}=\frac{Q_k}{Q_0} ]
где (Q_0) — начальная измеренная емкость, а (Q_k) — емкость на цикле (k).
SOH можно определить на основе емкости, сопротивления или того и другого, но определение должно оставаться неизменным для разных ячеек, химических составов и протоколов испытаний.
Дополнительные индикаторы деградации
Только емкость может скрывать важные механизмы отказа. Оборудование также должно отслеживать:
- Омическое и внутреннее сопротивление
- Напряжение поляризации
- Кулоновскую эффективность
- Ток саморазряда
- Энергию заряда и разряда
- Температуру и температурные градиенты
- Дисбаланс тока в параллельных или модульных конфигурациях
- Состояние заряда и глубину разряда
Эти переменные могут использоваться как предикторы затухания емкости и RUL или как отдельные выходные данные деградации.
Качество измерений и повторяемость
Ошибка прогнозирования не может быть правильно интерпретирована, если неизвестна ошибка измерения. Поэтому система тестирования должна поддерживать калибровочные проверки, повторные измерения, синхронизированный сбор данных о напряжении, токе и температуре, а также прослеживаемую интеграцию заряда и разряда.
Показатели для количественной оценки ошибки прогнозирования
Средняя абсолютная ошибка
Средняя абсолютная ошибка (MAE) измеряет среднюю величину ошибки прогнозирования:
[ \text{MAE}=\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i| ]
где (y_i) — измеренное значение, а (\hat{y}_i) — прогнозируемое значение.
MAE легко интерпретировать в таких единицах, как Ач, Втч, процентные пункты сохранения емкости или циклы RUL. Как правило, это лучший основной показатель для передачи типичной точности прогнозирования.
Среднеквадратичная ошибка
Среднеквадратичная ошибка (RMSE) равна:
[ \text{RMSE}= \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} ]
RMSE придает больший вес крупным ошибкам. Это полезно, когда модель иногда выдает серьезную ошибку прогноза времени отказа или емкости.
Большой разрыв между RMSE и MAE указывает на наличие выбросов или небольшого количества особенно плохих прогнозов.
Смещение и знаковая ошибка
MAE и RMSE не показывают, постоянно ли модель завышает или занижает прогноз. Также сообщайте среднюю ошибку или смещение:
[ \text{Смещение}=\frac{1}{n}\sum_{i=1}^{n}(\hat{y}_i-y_i) ]
Для прогнозирования срока службы аккумулятора систематическое завышение циклического ресурса обычно более тревожно, чем консервативное занижение, поскольку оно может привести к небезопасным или вводящим в заблуждение решениям о квалификации.
Относительные и нормализованные показатели
При сравнении ячеек с разной емкостью или химическим составом используйте нормализованный показатель, такой как:
[ \text{NRMSE}=\frac{\text{RMSE}}{\text{эталонная шкала}} ]
Эталонной шкалой может быть начальная емкость, наблюдаемый диапазон емкости или заданный инженерный допуск.
MAPE следует использовать с осторожностью. Он становится нестабильным, когда целевое значение приближается к нулю, что может произойти в некоторых формулировках деградации или остаточных величин. Для сохранения емкости и RUL показатели MAE, RMSE, нормализованная ошибка и смещение обычно более обоснованы.
Показатели специально для прогнозирования циклического ресурса и RUL
Ошибка в прогнозируемом цикле окончания срока службы
Определите инженерный порог окончания срока службы, например, заданный предел сохранения емкости, и рассчитайте:
[ e_{\text{EOL}}=\hat{N}{\text{EOL}}-N{\text{EOL}} ]
Сообщайте MAE, RMSE, смещение и процентильные ошибки (e_{\text{EOL}}) по ячейкам.
Порог должен быть определен до оценки. Его изменение после просмотра результатов может исказить сообщаемую производительность.
Прогнозирование на нескольких горизонтах прогноза
Оценивайте прогнозы в нескольких точках, например, в начале, середине и конце срока службы. Модель может хорошо работать ближе к концу срока службы, но плохо во время раннего скрининга, или наоборот.
Полезные точки для отчетности включают:
- Ошибка после фиксированного количества циклов
- Ошибка на фиксированной доле наблюдаемого срока службы
- Ошибка в прогнозируемой емкости на будущих циклах
- Ошибка в прогнозируемом RUL на разных горизонтах наблюдения
Точность пересечения порога
Для принятия квалификационных решений оцените, правильно ли модель идентифицирует ячейки, которые пересекут порог окончания срока службы в пределах заданного цикла.
Полезные меры включают точность (precision), полноту (recall), частоту ложноположительных и ложноотрицательных результатов, особенно когда система тестирования используется для скрининга или раннего обнаружения неисправностей.
Статистические методы для количественной оценки неопределенности
Интервалы нормального распределения
Если ошибки прогнозирования или выходные данные RUL приблизительно нормальны, подобранное нормальное распределение может обеспечить:
- 68% интервал, приблизительно (\mu \pm 1\sigma)
- 95% интервал, приблизительно (\mu \pm 1.96\sigma)
Эти интервалы полезны для краткой инженерной отчетности и соответствуют основному справочному материалу.
Однако нормальность следует проверять, а не предполагать. Данные о деградации аккумуляторов могут быть асимметричными, иметь «тяжелые хвосты», гетероскедастичность или быть усеченными на пороге окончания срока службы.
Анализ остатков
Рассчитайте остатки:
[ r_i=y_i-\hat{y}_i ]
Затем изучите графики остатков по отношению к:
- Номеру цикла
- Прогнозируемой емкости или RUL
- Температуре
- C-рейту
- Глубине разряда
- Состоянию заряда
- Химическому составу ячейки и производственной партии
Ищите тренды, изменение дисперсии, автокорреляцию и выбросы. Случайные остатки со стабильной дисперсией подтверждают обоснованность простых моделей неопределенности; структурированные остатки указывают на неадекватность модели или отсутствие физических переменных.
Бутстреп-доверительные и прогнозные интервалы
Бутстреп-ресемплинг полезен, когда количество ячеек ограничено или распределение остатков явно не является нормальным.
Проводите ресемплинг ячеек или траекторий испытаний, перенастраивайте модель и рассчитывайте распределение прогнозируемой емкости или RUL. Соответствующие процентили обеспечивают интервалы неопределенности без необходимости предположения о нормальном распределении.
Ресемплинг должен учитывать структуру данных. Например, измерения циклов одной и той же ячейки обычно следует подвергать ресемплингу как группу, а не рассматривать как независимые наблюдения.
Эмпирические и квантильные интервалы
Для ненормальных распределений RUL сообщайте эмпирические процентили, такие как 2,5-й и 97,5-й процентили для 95% интервала.
Квантильная регрессия или другие методы условных квантилей могут оценивать неопределенность, которая меняется с номером цикла, температурой или условиями эксплуатации. Это часто предпочтительнее, когда дисперсия деградации увеличивается в конце срока службы.
Распространение неопределенности методом Монте-Карло
Когда модель прогнозирования содержит неопределенные параметры — такие как внутреннее сопротивление, коэффициенты затухания или коэффициенты затухания емкости — назначьте каждому параметру измеренное распределение вероятностей и смоделируйте множество возможных траекторий деградации.
Полученный ансамбль обеспечивает:
- Медианный прогноз
- 68% и 95% прогнозные интервалы
- Вероятность достижения порога окончания срока службы к заданному циклу
- Чувствительность к отдельным неопределенным параметрам
Это напрямую использует подход дополнительного справочного материала по выводу функций плотности вероятности параметров из нескольких номинально идентичных ячеек.
Иерархические модели и модели со смешанными эффектами
Для тестирования нескольких ячеек, партий, химических составов или условий изготовления используйте иерархические статистические модели или модели со смешанными эффектами.
Они могут разделить:
- Вариацию внутри ячейки
- Вариацию между ячейками
- Вариацию между партиями
- Шум измерения
- Деградацию, зависящую от условий
Это более информативно, чем объединение всех измерений в одно распределение, поскольку позволяет отличить производственную вариативность от обычного шума между циклами.
Доверительные интервалы против прогнозных интервалов
Эти термины не следует путать:
- Доверительный интервал описывает неопределенность в оцененном среднем значении или параметре модели.
- Прогнозный интервал описывает, где, как ожидается, окажется будущее измерение или траектория ячейки.
Для квалификации аккумуляторов и прогнозирования RUL прогнозные интервалы обычно являются более релевантной величиной, поскольку решение касается будущей ячейки, а не просто неопределенности в средней кривой деградации.
Как проверить оценки неопределенности
Вероятность покрытия
Номинальный 95% прогнозный интервал должен содержать приблизительно 95% будущих наблюдений в повторяющихся случаях оценки.
Измерьте фактическое покрытие сообщаемых 68% и 95% интервалов. Если 95% интервал содержит только 70% результатов, модель слишком самоуверенна.
Ширина интервала
Сообщайте среднюю ширину каждого интервала:
[ \text{Ширина интервала}=U_i-L_i ]
где (U_i) и (L_i) — верхний и нижний пределы интервала.
Узкие интервалы не автоматически лучше. Они полезны только тогда, когда поддерживают соответствующее покрытие.
Калибровка и резкость
Сильная модель неопределенности одновременно:
- Калибрована: ее заявленные вероятности соответствуют наблюдаемым частотам.
- Резка (sharp): ее интервалы максимально узкие при сохранении калибровки.
Используйте графики надежности, эмпирические кривые покрытия и оценки интервалов для оценки этого баланса.
Валидация, зависящая от времени и условий
Неопределенность следует оценивать отдельно при различных температурах, C-рейтах, окнах SoC и глубинах разряда.
Модель, откалиброванная по одному протоколу, может быть слишком самоуверенной при применении к другому. Поэтому валидация должна соответствовать предполагаемому рабочему диапазону.
Понимание компромиссов
MAE против RMSE
MAE надежна и легко объяснима, в то время как RMSE сильно штрафует за крупные ошибки. Сообщение только MAE может скрыть опасные выбросы; сообщение только RMSE может сделать обычную производительность хуже из-за нескольких экстремальных случаев.
Используйте оба показателя вместе со знаковым смещением.
Нормальные интервалы против эмпирических интервалов
Подбор нормального распределения компактен и удобен, особенно когда вариация повторяющихся ячеек приблизительно симметрична. Это может вводить в заблуждение, когда RUL асимметричен, ограничен, мультимодален или подвержен ранним отказам.
Используйте нормальные интервалы только после проверки распределений остатков и результатов. В противном случае используйте бутстреп, эмпирические процентили, квантильную регрессию или симуляции Монте-Карло.
Больше измерений против большего количества ячеек
Повторные измерения циклов улучшают разрешение и снижают неопределенность в индивидуальной траектории. Большее количество независимых ячеек требуется для оценки вариативности популяции и производственного разброса.
Для решений в области НИОКР, затрагивающих популяцию ячеек, репликация независимых ячеек имеет решающее значение.
Коррелированные данные циклов
Измерения соседних циклов на одной и той же ячейке сильно коррелируют. Рассмотрение каждого цикла как независимой выборки может привести к искусственно узким доверительным интервалам и преувеличенной статистической значимости.
Используйте ресемплинг на уровне ячеек, модели с коррелированными ошибками или методы со смешанными эффектами.
Точность измерения против неопределенности модели
Циклеры высокого разрешения снижают ошибку прибора и интеграции, но они не устраняют физическую вариативность между ячейками. Итоговая неопределенность должна отличать алеаторную вариативность — неустранимую вариацию между ячейками — от эпистемической неопределенности, вызванной ограниченными данными или неполной моделью.
Сделайте правильный выбор для своей цели
Используйте показатели и методы, которые соответствуют решению, которое должна поддерживать система тестирования.
- Если ваш основной фокус — сравнение точности прогнозирования: Сообщайте MAE, RMSE, знаковое смещение и нормализованную ошибку для емкости, SOH и RUL.
- Если ваш основной фокус — квалификация окончания срока службы: Сообщайте ошибку цикла EOL, точность пересечения порога и откалиброванные прогнозные интервалы вокруг цикла отказа.
- Если ваш основной фокус — сравнение химических составов или партий: Используйте иерархические модели или модели со смешанными эффектами для разделения вариативности внутри ячейки, между ячейками и партиями.
- Если ваш основной фокус — прогнозирование RUL с учетом неопределенности: Используйте бутстреп или прогнозные распределения Монте-Карло и сообщайте эмпирические 68% и 95% интервалы.
- Если ваш основной фокус — валидация качества интервалов: Измеряйте вероятность покрытия, ширину интервала, калибровку и резкость, а не полагайтесь только на ширину интервала.
- Если ваш основной фокус — квалификация оборудования и протокола: Отслеживайте емкость, сопротивление, кулоновскую эффективность, саморазряд, температуру, SOC и поляризацию наряду с напряжением и током.
Обоснованный рабочий процесс НИОКР по аккумуляторам сочетает в себе точные точечные прогнозы, независимо оцененную вариативность ячеек и интервалы неопределенности, заявленное покрытие которых было проверено на будущих данных циклирования.
Сводная таблица:
| Показатель/Метод | Цель | Ключевые моменты |
|---|---|---|
| MAE | Количественная оценка типичной ошибки прогнозирования | Средняя абсолютная ошибка; легко интерпретировать; устойчива к выбросам. |
| RMSE | Штраф за крупные ошибки | Среднеквадратичная ошибка; чувствительна к выбросам; больше MAE при наличии выбросов. |
| Смещение | Обнаружение систематического завышения/занижения | Средняя знаковая ошибка; важно для безопасности. |
| Интервалы нормального распределения | Обеспечение оценок неопределенности | 68% и 95% интервалы на основе среднего ± стандартное отклонение; предполагает нормальность. |
| Бутстреп-интервалы | Непараметрическая неопределенность | Ресемплинг данных для оценки интервалов; устойчивы к ненормальности. |
| Эмпирические процентили | Прямые квантильные оценки | Используйте 2,5-й и 97,5-й процентили для 95% интервала; нет предположений о распределении. |
| Распространение Монте-Карло | Симуляция неопределенности параметров | Назначение распределений параметрам модели; генерация ансамблей прогнозов. |
| Иерархические модели | Разделение источников дисперсии | Разделение вариативности ячейки, партии и измерений. |
| Вероятность покрытия | Валидация точности интервала | Номинальный 95% интервал должен содержать ~95% фактических результатов. |
| Ширина интервала | Оценка резкости | Более узкие интервалы лучше, если сохраняется покрытие. |
Оптимизируйте свои НИОКР по аккумуляторам с помощью прецизионного испытательного оборудования. KINTEK предоставляет комплексные решения для изготовления и характеризации ячеек, обеспечивая точные данные о циклическом ресурсе и производительности. Наше портфолио включает смесители суспензий, коатеры и полный ассортимент прессов — от ручных до изостатических — плюс системы сборки и тестирования. Улучшите свои исследования и уменьшите неопределенность. Свяжитесь с нами сегодня, чтобы обсудить ваши требования и воспользоваться нашим опытом.