近年来，锂离子电池的健康管理受到了来自学术界和工业界的广泛关注。作为锂离子电池健康管理的重要部分，健康状态（SOH）估计旨在实时监测锂离子电池的健康情况，从而保障锂离子电池的使用安全。目前很多经典机器学习算法被应用于估计锂电池的SOH，但这些算法需要假设训练数据和测试数据之间满足独立同分布的条件。不同锂离子电池受其运行条件（如充放电率、放电深度、温度等）的影响，导致退化规律具有差异。因而，采用经典的机器学习算法在锂离子电池历史数据上进行训练后，直接应用在新锂离子电池的SOH估计任务上通常表现不佳。本项工作旨在设计一种新的基于机器学习的锂离子电池SOH估计方法来减轻由不一致数据分布带来的影响。

迁移学习能够有效减轻机器学习算法对独立同分布条件的依赖。其中深度域自适应算法具有量化不同域之间分布差异的优势，成为了迁移学习方向的研究热点。然而，现有的深度域自适应算法均假设源域与目标域之间标签的边际分布非常接近，偏离了贝叶斯定理的要求。此外，深度域自适应算法的性能也依赖于超参数（例如损失函数中的加权系数）的选择。通常，超参数的选择需要人工试错，非常依赖于专家经验且费时。为此，本项工作提出了一种基于粒子群优化算法的深度域自适应方法，综合考虑了不同域之间输入边际分布、标签边际分布、条件分布，并利用粒子群优化算法进行超参数的自动寻优。本方法成功应用于锂离子电池SOH的准确迁移估计。

欧洲科学院院士、欧洲科学与艺术院院士、IEEE Fellow、英国伦敦布鲁奈尔大学王子栋教授等在IEEE/CAA Journal of Automatica Sinica发表：G. J. Ma, Z. D. Wang, W. B. Liu, J. Z. Fang, Y. Zhang, H. Ding, and  Y. Yuan,  “Estimating the state of health for lithium-ion batteries: A particle swarm optimization-assisted deep domain adaptation approach,” IEEE/CAA J. Autom. Sinica, vol. 10, no. 7, pp. 1530–1543, Jul. 2023. doi: 10.1109/JAS.2023.123531，提出了一种基于粒子群优化算法的深度域自适应(PSO-DDA)方法，建立了考虑输入边际分布、标签边际分布、条件分布的全概率域自适应框架，融合了粒子群优化算法进行自动超参数选择，实现了不同充放电配置下锂离子电池的准确个性化SOH估计。

PSO-DDA方法中的深度域自适应框架如图1所示，该框架的域损失（Domain loss）为源域与目标域之间三种数据分布（输入边际分布、标签边际分布、条件分布）的最大平均差异加权和。针对连续值标签引起的条件分布难以构建问题，引入条件生成对抗网络的思想，将标签嵌入到输入层中，完成数据在网络深层的条件分布构建。为了避免对加权系数等超参数的人工干预，提出在深度域自适应框架中嵌入粒子群优化算法，自动迭代更新超参数和网络的权重。

http://image.sciencenet.cn/home/202309/08/161112w9s364kkfpfq6c3s.png

图1  深度域自适应框架

PSO-DDA方法在两种不同材料、温度、充放电配置的锂离子电池数据集上进行了效果验证，SOH估计结果及对比结果如表1所示。结果表明，相较于无迁移的卷积神经网络（CNN）方法、无粒子群优化的深度域自适应（DDA）方法, PSO-DDA方法在两种锂离子电池数据集的SOH估计任务上表现更为突出。损失函数及超参数优化过程曲线如图2所示。

表1  PSO-DDA方法对两种类型锂离子电池的SOH估计效果

http://image.sciencenet.cn/home/202309/08/161132dhs2rhorok1cvhh2.png

http://image.sciencenet.cn/home/202309/08/161144ku7ent07ep6tb30q.png

图2  损失函数及超参数的优化过程曲线

http://image.sciencenet.cn/home/202309/08/161155fgqm2m0mqqqqpqqo.png

马贵君，华中科技大学博士研究生，英国伦敦布鲁奈尔大学访问学者，主要研究方向包括数据分析、迁移学习、锂离子电池健康管理。

http://image.sciencenet.cn/home/202309/08/161202z6pczfpuuou0uo6z.png

王子栋，欧洲科学院院士，欧洲科学与艺术院院士，IEEE Fellow，英国伦敦布鲁奈尔大学终身教授。多年来从事控制理论、智能数据分析、信号处理及生物信息学方面的研究，现任或曾任十二种国际刊物的主编、副编辑或编委，包括International Journal of Systems Science主编、Neurocomputing主编、Systems Science & Control Engineering主编、International Journal of Network Dynamics and Intelligence主编。曾任旅英华人自动化及计算机协会主席。

http://image.sciencenet.cn/home/202309/08/161213hlsxfylly232sxl2.png

刘伟伯，博士，毕业于英国布鲁奈尔大学。目前担任英国伦敦布鲁奈尔大学计算机科学系的讲师，主要研究方向包括智能数据分析、演化计算、迁移学习、机器学习和深度学习。目前担任国际学术期刊Journal of Ambient Intelligence and Humanized Computing和Journal of Cognitive Computation的编委，同时也担任多个国际期刊和会议的审稿人。

http://image.sciencenet.cn/home/202309/08/161221qtgx1p1bxx74xxxc.png

房京仲，英国伦敦布鲁奈尔大学博士研究生，主要研究方向包括数据分析、深度学习和迁移学习。

http://image.sciencenet.cn/home/202309/08/161229kt7l6q2wwy4hpwh6.png

张永，武汉科技大学信息科学与工程学院教授，英国伦敦布鲁奈尔大学访问学者。主要研究方向包括工业大数据分析、智能辅助医疗、工业系统运行机理建模、安全性分析以及智能决策。

http://image.sciencenet.cn/home/202309/08/161238zzkfkknxl5onu65h.png

丁汉，中国科学院院士，华中科技大学教授，国家数字化设计与制造创新中心主任，国家基金委共融机器人重大研究计划指导专家组组长。长期从事机器人与数字制造理论与技术的研究，将机器人学和制造技术相结合，担任中国机械工程学会机器人分会主任委员、《中国科学·技术科学》副主编、《国家科学评论》编委、《科学通报》编委、IEEE/ASME机电一体化汇刊技术编辑、IEEE机器人与自动化汇刊资深编辑等。

http://image.sciencenet.cn/home/202309/08/161250gmj111bd7g4ze2j4.png

袁烨，华中科技大学人工智能与自动化学院教授，长期从事基于数据驱动建模优化理论及其在工业应用的研究，担任National Science Review、National Science Open学科编辑、Engineering、《中国科学·技术科学》青年编委、IEEE Trans. on Control of Network Systems编委（2019-2020），《中国科学·技术科学》中英文版、《控制工程》、FEM、ARC、IJRNC和IEEE Trans. on Mechatronics工业人工智能方向专刊编辑。

感谢作者提供以上简介