登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《突破 | 大连化学物理研究所开发出新型深度学习模型应用于电池寿命预测》

  • 来源专题：光电情报网信息监测服务平台
  • 编译者： husisi
  • 发布时间：2024-08-26

  • 近日，大连化学物理研究所能源催化转化全国重点实验室动力电池与系统研究部（DNL29）陈忠伟院士、毛治宇副研究员团队，联合西安交通大学冯江涛教授，在电池健康管理领域取得新进展。合作团队开发了一种新型的深度学习模型，有效地解决了传统方法对大量充电测试数据的依赖，为电池实时寿命预估提供了新的思路，实现了锂电池寿命的端到端评估。同时，该模型也作为团队开发的第一代电池数字大脑PBSRD Digit核心模型的重要组成部分，为电池智能管理提供了解决方案。

    锂电池寿命的准确预测对于电气设备的正常运行至关重要。然而，由于电池容量退化过程的非线性和运行条件的不确定性，电池寿命的准确预测面临着挑战。

    本研究提出了一种基于少量充电周期数据的深度学习模型，该模型通过带有双流框架的Vision Transformer结构和高效自注意力机制，捕捉并融合多时间尺度隐藏特征，实现对电池当前循环寿命（CCL）和剩余使用寿命（RUL）的准确预测。该模型在仅使用15个充电周期数据的情况下，能够将RUL和CLL的预测误差分别控制在5.40%和4.64%以内。此外，在面对训练数据集中未出现的充电策略时，仍能保持较低的预测误差，证明了其zero-short泛化能力。

    该电池寿命预测模型也是第一代电池数字大脑PBSRD Digit重要组成部分，通过将上述模型整合到该系统中，进一步提高了系统的准确性。目前，该电池数字大脑系统作为大规模/工商业储能和电动汽车的能量管理核心，可部署于云端服务器和客户端嵌入式设备。

    本团队研发的寿命预测模型，有效平衡了预测准确率和计算成本，提高了电池数字大脑对于寿命预估的应用价值。未来团队也将会通过模型蒸馏、剪枝等方法进一步优化模型，从而提高系统的鲁棒性和资源利用率。

86浏览量
原文链接
相关报告

  • 《人工智能大模型“拿捏”电池寿命》
    • 来源专题：能源情报网监测服务平台
    • 编译者：郭楷模
    • 发布时间：2024-09-25
    • 从清晨唤醒我们的闹钟，到随身携带的手机，再到电动汽车、无人机等新兴产品，无一不依赖于电池提供的稳定电力。 然而，随着电池使用时间的增长，其容量会逐渐衰减，造成供电时间缩短，影响设备的正常功能。如果能及时检测电池寿命，用户就能在电池性能明显下降前采取相应措施，从而避免因电池问题导致的设备故障或数据丢失，延长电池整体使用寿命。 近日，中国科学院大连化学物理研究所(以下简称大连化物所)研究员陈忠伟、副研究员毛治宇团队，联合西安交通大学教授冯江涛，在电池健康管理领域取得新进展。他们开发了一种新型的深度学习模型，有效解决了传统方法对大量充电测试数据的依赖问题，为电池实时寿命预估提供了新思路，实现了锂电池寿命的端到端评估。同时，该模型作为团队开发的第一代电池数字大脑PBSRD Digit核心模型的重要组成部分，为电池智能管理提供了解决方案。相关成果发表于《电气电子工程师学会交通电气化学报》。 难以预测的电池寿命 电池的循环寿命是指电池在规定的充放电条件下，经历多次完全充放电循环后，容量或性能下降到初始值的某一规定百分比所能经历的充放电次数。通常以电池容量衰减到初始值的80%作为循环寿命的“终点”。 假如一部手机的电池循环寿命是500次，这就意味着，如果每天把手机电量完全用完再充满，那么大约500天后，你就会感觉手机电量没有以前那么耐用了，因为电池的循环寿命到了。 由于电池容量退化是一个受多种因素影响的动态过程，包括充放电循环次数、充放电深度、环境温度、电池老化等，这些因素相互作用，使得电池寿命预测变得尤为复杂。 此前，电池寿命预测都在实验室内进行。比如让电池加速循环，在高温45℃下高倍率运行，以此推断它在实际应用场景中的使用寿命。但是，不同的应用场景和运行条件会对锂电池寿命产生显著影响，以致无法实现对电池的精准预测。 目前，很多团队正积极投身于人工智能领域的探索。“遗憾的是，当前的人工智能技术及其学习深度，以及有限的人力资源，不能完全满足对电池寿命进行精确检测的需求。”毛治宇说，“基于这一现状，我们萌生了一个设想——设计一个能够直接且高效检测电池寿命的创新模型。这一模型致力于突破现有技术的局限，为电池健康管理提供更为可靠和智能的解决方案。” 人工智能模型让电池“透视” 2017年，毛治宇在加拿大滑铁卢大学读博士，陈忠伟是他的导师。当时，人工智能刚刚起步，他们想尝试一下，用它能否解决电池寿命检测这一难题。 “实际上，电池包括正极、负极、隔膜、电极液等，是一个复杂的电化学系统。但是，那时候的模型还停留在简单的神经网络学习，人工智能检测刚刚开始，我们就用自己的电池尝试测试，并纳入此前未被考虑到的电池老化问题，最终检测出来的电池寿命与实际寿命相比，精度有了很大提高。”毛治宇回忆当初第一次尝试时说。 这次初步尝试开启了毛治宇在人工智能应用于电池智能管理方向的科研之路。后来，二人先后归国工作，毛治宇又加入了陈忠伟的团队。 陈忠伟团队有一个方向是智能电池，包括人工智能应用于科学、人工智能应用于工程，毛治宇想在这里圆梦。而目前科技领域已有多个人工智能的计算模型，他们“借风使船”结合多个模型，实现了优势互补。 “我们利用了Vision Transformer结构，它可以进行并行计算，同时处理多个任务。”论文第一作者、在大连化物所从事博士后研究的刘云鹏介绍，“还有一个空间流加时间流的双流框架，可提取多维时间尺度信息，同时借助高效自注意力机制减少计算复杂度。我们根据不同的优势将这两种算法进行了结合。” 这项研究提出了一种基于少量充电周期数据的深度学习模型，该模型通过带有双流框架的Vision Transformer结构和高效自注意力机制，捕捉并融合多时间尺度隐藏特征，实现对电池当前循环寿命和剩余使用寿命的准确预测。 该模型在仅使用15个充电周期数据的情况下，能够将上述两种预测误差分别控制在5.40%和4.64%以内。并且，在面对训练数据集内未出现的充电策略时，仍能保持较低的预测误差，证明了其zero-shot泛化能力。 打造“电池数字大脑” 同时，该电池寿命预测模型是第一代电池数字大脑PBSRD Digit的重要组成部分。通过将模型整合到该系统中，进一步提高了系统的准确性。目前，该电池数字大脑系统作为大规模工商业储能和电动汽车的能量管理核心，可部署于云端服务器和客户端嵌入式设备。 “现在新能源特别是储能是热点话题，很多厂家都想开发全生命周期的电池智能管理系统。我们希望建设一个完整的电池数字大脑，能够更好地管理电池，像大脑一样控制电池的各个方面，让电池效率更高、寿命更长。这是我们未来的一个智能化发展方向。”毛治宇介绍说。 事实上，陈忠伟、毛治宇、刘云鹏正好是一个团队内的“师徒三代”。经过多年发展，团队在电化学、电催化、人工智能方面都有着深厚的积累。他们的目标是打造从基础研究到关键技术开发再到产业应用示范的全链条模式，以应用为导向真正走向产业化，乃至对整个领域产生影响。 150余人的团队中，会聚了超过50位经验丰富的工程师。他们具有不同的技术背景，不乏在大数据架构与算法领域深耕多年的专家，擅长将前沿的算法研究转化为高效、稳定的系统架构，确保技术成果能够顺利落地。 正是这种“研究+开发”深度融合的模式，使得团队能够跨越传统界限，促进不同领域知识与技术的交叉融合。工程师们不仅能独立承担项目研发的重任，还能与科研人员紧密合作，将最新研究成果迅速转化为产品功能，从而加速技术创新与产业升级的步伐。 通过这种高效的协作机制，团队不仅在电池寿命检测等特定领域取得突破，还能灵活应对各种复杂挑战，推动多个项目并行发展，最终实现多元化、全方位的技术创新目标。 “未来，我们计划利用模型提炼等技术进一步优化模型，以提高资源利用率，打造真正的数字大脑。”陈忠伟说。 相关论文信息： https://doi.org/10.1109/TTE.2024.3434553
    159浏览量
    原文链接

  • 《动物所开发出新型TnpB微型基因编辑工具》
    • 来源专题：生物育种
    • 编译者：季雪婧
    • 发布时间：2023-07-06
    •     CRISPR-Cas技术促进生物医学研究。除了广泛使用的Cas9系统之外，其他CRISPR亚型也不断被发现并应用于基因编辑，例如能够装载进AAV病毒的SaCas9（1053 aa）以及更小的微型CRISPR-Cas系统Cas12f（400~550 aa）。已发表的工作重建了CRISPR-Cas系统的起源，发现了原核转座子编码的IscB和TnpB蛋白分别是Cas9与Cas12核酸酶的祖先。这些祖先蛋白尺寸较小，但是否具备核酸酶活性缺乏证据；直到2021年，IscB和TnpB被发现在非编码RNA     （omegaRNA或reRNA）引导下切割双链DNA，证实了其与CRISPR-Cas系统相似的工作机制。TnpB由IS200/IS605等原核转座子家族编码，并被推测参与转座子的扩张。TnpB的分布非常广泛，在目前已知的基因组存在超过百万的拷贝；而此前研究只发现了一种在人类细胞中具有活性的TnpB核酸酶（ISDra2），且效率不高；因此，TnpB这一有潜力作为微型编辑工具的多样性宝库急需系统性的挖掘和研究。同时，由于可能推动转座子扩张，TnpB靶向切割DNA所依赖的关键元件（如reRNA）与转座子或存在关联，因而可以基于转座子信息进行预测，这将为工具的开发提供便利。     6月29日，中国科学院动物研究所/北京干细胞与再生医学研究院研究员王皓毅、博士项光海和动物所研究员张勇团队合作，在《自然-生物技术》（Nature Biotechnology）上，在线发表了题为Evolutionary mining and functional characterization of TnpB nucleases identify efficient miniature genome editors的研究论文。《自然-生物技术》同时发表了Research Briefing文章，对该成果进行总结和展望（Hypercompact genome editors are discovered by mining a transposon family）。该研究创新性地建立了对TnpB相关靶向基因编辑系统的大规模挖掘方法，并首次对多样性极其丰富的TnpB核酸酶进行了大规模挖掘，从而鉴定到33个在原核系统具有靶向编辑活性的TnpB蛋白，其中5个在真核系统具有活性。     研究对ISfinder原核转座子数据库中IS605编码的TnpB蛋白进行了全面的分析和挖掘，从64个候选项中鉴定出25种在大肠杆菌中活跃的系统，其中3种在人类细胞中具有基因编辑活性。该工作对功能数据的进一步分析揭示了TnpB蛋白相关的reRNA骨架与IS200/IS605转座子的RE序列具有完全重叠的3’末端，而TAM序列则与转座子上游的插入位点序列相同。研究表明，在TnpB系统中，与RNA介导的编辑器相关的三大要素（核酸酶、gRNA骨架和TAM序列）均可通过生物信息分析准确预测，这为大规模筛选高活性TnpB核酸酶奠定了基础。这一发现同时进一步确定了TnpB在IS605中的功能，即作为归巢核酸酶切割转座之后的原位点，从而诱导重组修复实现转座子的拷贝数扩增。 进一步，该团队从4个方面对TnpB相关的reRNA骨架进行了分析。结果表明：reRNA骨架在120-300nt的长度范围内均能够有效发挥功能，而120-140nt的reRNA骨架活性最强；reRNA骨架在3’末端的碱基对其功能有重要影响，单一碱基的突变即会显著降低编辑活性；靶向序列的长度在16-20nt为最佳；靠近TAM端的12nt是TnpB编辑器的核心序列。研究进一步整合分析了影响TnpB编辑器活性的潜在因素，发现了来自细菌的、由多拷贝转座子编码的、具有完整蛋白结构域和保守氨基酸的TnpB编辑器更为活跃。     该团队基于上述研究，建立了大规模挖掘全新TnpB基因编辑器的方法（如图），对部分未经转座子注释的原核基因组进行了从头注释和功能预测，并直接在人类细胞系中筛选获得了新的微型高活性TnpB编辑器ISAam1（369 aa）和ISYmu1（382 aa）。与其他微型Cas蛋白的平行比较发现，ISAam1和ISYmu1的活性与SaCas9相当，显著高于数种已报道的Cas12f蛋白及其变体。     综上，该研究建立了适用于TnpB编辑器的大规模筛选体系，进一步证明了TnpB在转座子扩张中的功能，并对这一类编辑器进行了系统的功能解析，从而获得了目前最小的具备原创知识产权的微型基因编辑器。考虑到体内基因治疗和细胞治疗经常因Cas蛋白过大而递送受限，这一成果将推动相关方面的研究和临床应用。     王皓毅致力于新型基因编辑工具的开发及CAR-T细胞治疗研究；张勇致力于转座子等机制介导的新重复基因的起源和进化研究。两个团队的合作推动了对TnpB的挖掘。研究工作得到科学技术部、中国科学院战略性先导科技专项、农业农村部和国家自然科学基金委员会等的支持。
    244浏览量
    原文链接