在电池管理系统(BMS)和数字孪生领域,工程师们长期受困于一个“不可能三角”:高物理保真度、毫秒级计算速度、以及对变动参数的泛化能力。
传统的物理模型(如Doyle-Fuller-Newman模型,DFN)虽然精准,但在普通芯片上解耦合偏微分方程(PDE)耗时往往在3ms到100ms量级,对于实时控制来说过于迟缓。而纯数据驱动的机器学习模型虽然极快,却如同“黑盒”,一旦电池老化导致参数漂移(如扩散系数变化),模型便失效了。
来自伦敦帝国理工学院(Imperial College London)和德国亚琛工业大学(RWTH Aachen University)的研究团队,试图通过“算子学习”(Operator Learning)来打破这一僵局。他们的核心动机非常明确:不仅要模仿物理模型的输出,更要直接学习物理方程的求解算子本身,并赋予其参数自适应能力。
这项研究提出了一种名为 PE-FNO(参数嵌入式傅里叶神经算子) 的新架构,并在单粒子模型(SPM)上进行了验证。结果令人咋舌:它比传统16线程并行的物理求解器快了约200倍,同时保持了亚百分比级的误差。
传统的神经网络通常学习的是从输入向量到输出向量的映射(Regression)。而算子学习(Operator Learning)旨在学习从一个函数空间到另一个函数空间的映射。在电池语境下,就是直接学习从“电流曲线函数”到“电压/浓度响应函数”的映射规则,而非死记硬背具体的电流数据点。
研究团队对比了三种架构:
虽然DeepONet在处理恒定电流(CC)时表现尚可,但在面对高度动态的负载(如脉冲序列或高斯随机场)时,其误差显著上升。相比之下,基于频域卷积的FNO展现出了惊人的鲁棒性,能够捕捉全频率范围内的动态响应。
图解(见原论文 Figure 2): 三种算子架构的对比。 (a) 展示了输入数据的维度设计,PE-FNO 额外引入了标量参数 (颗粒半径)和 (扩散系数)。 (b) 核心架构差异:DeepONet 使用点积融合分支与主干网络;普通 FNO 使用傅里叶层进行频域卷积;PE-FNO 则引入了一个参数嵌入模块(Parameter-Embedding Block),包含 1x1 卷积、3x3 深度卷积和傅里叶层,将物理参数 和 的特征注入到主网络中。这使得网络能根据物理属性“调节”自身的计算逻辑。
基础版的 FNO 虽然强大,但它是“静态”的——训练时电池的物理属性(如正极活性材料的扩散系数 )是固定的。如果电池老化导致 改变,标准 FNO 就必须重新训练,这在实际BMS应用中是不可接受的。
PE-FNO 的核心创新在于引入了一种轻量级的参数嵌入机制。它不仅仅将参数作为简单的输入拼接进去,而是通过一个专门的模块,根据输入的物理参数(扩散系数 和颗粒半径 )生成通道级的调制因子(Modulation Factors)。
这意味着,模型不再是一个死板的函数拟合器,而是一个可配置的求解器。它允许你在推理阶段动态调整电池的物理参数,而模型能够即时输出对应的电压和浓度场。
这种设计使得 PE-FNO 能够在覆盖 0% 到 100% SOC 范围、四种截然不同的电流负载类型(恒流、三角波、脉冲、高斯随机场),以及跨越两个数量级的材料参数变化范围内,依然保持极高的预测精度。
研究结果揭示了一个有趣的权衡。
在纯粹的精度上,基础版 FNO 其实略优于 PE-FNO。这是符合直觉的:一个专注于单一电池参数的模型(FNO)自然比一个要兼顾各种参数组合的模型(PE-FNO)更容易“专精”。然而,PE-FNO 的误差增幅非常微小(电压平均绝对误差仅增加约 1.7 mV),却换来了极其宝贵的通用性。
而在速度方面,神经算子展现了对传统数值方法的碾压优势。
图解(见原论文 Figure 5): 神经算子与传统CPU求解器的速度基准测试。 纵坐标为对数坐标。即便是并行化到 16 线程的 CPU 物理求解器(CPU(16)),其单次推理时间仍在毫秒级。而 GPU 加速下的 DeepONet、FNO 和 PE-FNO 均实现了亚毫秒级推理。特别是 PE-FNO,虽然比基础 FNO 慢了一点(因为增加了参数处理开销),但仍比 16 线程 CPU 求解器快了近两个数量级(约 200 倍)。
这种速度的提升不仅仅意味着“快”,它意味着质变。
为什么我们需要把仿真做得这么快?不仅仅是为了看电压曲线,而是为了解决逆向问题(Inverse Problems),例如在线参数辨识。
在BMS中,我们需要根据实时的电压电流数据,反推电池内部的状态(如老化程度、扩散系数衰减)。这通常需要运行成千上万次的正向仿真来进行贝叶斯优化。如果一次仿真需要 100ms,在线优化就是天方夜谭。
但如果一次仿真只需要 0.01ms 呢?
研究团队展示了一个贝叶斯参数估计的案例。利用 PE-FNO 作为正向模型,系统可以在极短时间内完成 60 次迭代优化,反推出未知的负极和正极扩散系数。虽然神经算子引入的微小正向误差导致逆向估计的准确度略低于直接使用物理模型(误差高出约 0.59 个百分点),但在计算效率上的收益是巨大的。
图解(见原论文 Figure 6): 贝叶斯参数辨识过程中的收敛曲线。 虽然传统的物理求解器(PyBaMM,黄线)最终能达到更低的误差下限( 量级),但 PE-FNO(蓝线)在极短的迭代步数内就迅速收敛到了一个非常可用的精度范围( 量级)。考虑到 PE-FNO 的单步计算时间极短,这种“稍逊一筹但极速”的特性非常适合实时应用。
这篇论文在电池建模领域确立了一个新的坐标:神经算子不仅仅是物理模型的“替身”,它们正在成为具备物理感知能力的下一代求解器。
对于从业者而言,这预示着一种转变:从耗时的“离线仿真”设计实验,转向基于高速算子的“在线实时”优化与诊断。
参考文献:
https://www.sciencedirect.com/science/article/pii/S266654682500179X