当前位置: 首页 > 邱健蓄电池-官方网站

从岩石地面到云端:Trojan蓄电池生命周期中前沿自然语言处理技术的系统综述

发布时间:2026-11-04 20:31:17 点击: 次

摘要

本研究对自然语言处理(NLP)在整个电池生命周期中的应用进行了系统性综述,而非仅关注单一阶段或方法,并以欧盟(EU)拟议的数字电池护照(DBP)及其他通用电池预测为主要目标,引入了一种新颖的概念性技术语言处理(TLP)框架。研究遵循系统综述和荟萃分析首选报告项目(PRISMA)方法,并采用了三个权威数据库或搜索引擎,包括Google Scholar、电气电子工程师学会Xplore(IEEE Xplore)和Scopus,检索时间为2025年10月。检索关键词为“text”、“language processing”和“battery”,排除标准为无关论文及2017年以前发表的论文,这些标准适用于所有数据库,但IEEE Xplore除外,因为其检索结果较少。因此,它在对最终66篇相关论文进行批判性审查之前,评估了274篇科学论文。我们公开提供审查的工件,以供验证和可能的复现。研究结果表明,电池领域正在涌现新的自然语言处理任务,这些任务有助于材料发现及生命周期的其他阶段。尽管如此,挑战依然存在,例如缺乏标准基准。所提出的TLP框架结合了智能体AI和优化提示词,可能适合应对其中的一些挑战。
关键词:
人工智能; 电池; 生成式人工智能; 智能体人工智能; transformers; 数字电池护照

 

1. 引言

在快速发展的自然语言处理(NLP)领域及其众多不断扩展的应用领域(包括电池生产)中,新的任务正在不断涌现。电池是一种能够提供电能的储能系统(ESS),通常由电化学物质制成[1,2]。同时,NLP是一个拥有各种方法和工具的领域,使机器能够分析、理解并可能生成人类的自然语言[3,4]。与许多其他领域一样,电池生产生命周期涉及使用自然语言进行交流的人员,并存储了关于整个复杂价值链的部分交流记录。因此,作为研究动机,本研究的主要目标是综述自然语言处理在电池生命周期整个价值链(从材料采购到再利用或报废)中的应用。我们探讨的研究问题如下:(1)电池全生命周期价值链中的自然语言处理任务有哪些?(2)在电池研究中应用自然语言处理时,有哪些数据集、模型和挑战?价值链上的成功与失败尝试通常记录在结构化或非结构化报告中。由于环境可持续性导致的存储需求日益增长,正推动着涉及锂离子电池(LiB)等电池的更多研究和文档记录,其中以导电性著称的液体电解质被视为不可燃固态电解质(SSE)的潜在替代品[5,6]。这些文档创造了丰富的信息,可能包括技术手册、生产日志、专利、科学文献、质量报告、维护记录、数字电池护照(DBP)等。因此,处理特定领域技术术语的自然语言处理(NLP)和技术语言处理(TLP)[7,8,9],有望加速电池创新,包括材料发现,从而缩短创新周期。
许多因素对于改进电池生产和理解电池行为至关重要。这些因素包括关于材料成分、环境条件、化学反应理解以及质量传递的定性和定量信息[10]。通常有效的实验方法也有其缺点。例如,它们可能耗费大量资源、耗时较长,并且涉及试错研究[5,11因此,研究人员观察到,在电池生产流程的各个环节中引入自然语言处理(NLP)可以促进价值链的相关部分,尤其是电池研究领域有数以千计的文章可供挖掘[5]。为了回答我们的研究问题,我们遵循了系统评价和元分析首选报告项目(PRISMA)方法[12] 对2017年至2025年间的文献进行了系统性综述,使用了三个权威数据库或搜索引擎:Google Scholar、电气电子工程师学会Xplore (IEEE Xplore)和Scopus。最终,我们评估了274篇论文,筛选出66篇论文用于我们的研究,其中我们(1)梳理了该领域,(2)比较了方法,(3)识别了挑战,并(4)引入了一个用于电池相关预测的概念性技术语言处理(TLP)框架。

贡献

本研究为电池领域NLP应用的新手提供了一个合适的切入点,并概述了NLP与电池科学的交叉领域。我们的主要贡献分为三个方面,旨在填补现有文献中的空白。具体包括以下内容:
1.
据我们所知,我们提供了首个针对电池全生命周期价值链中SotA自然语言处理(NLP)技术的系统性综述。
2.
我们基于搜索结果,整理并综合了来自众多不同研究的关于结果、模型、数据及现有挑战的重要对比信息。
3.
我们为数字电池护照(DBP)和通用电池预测引入了一个简单且新颖的概念性TLP框架,该框架结合了人工智能(AI)智能体、大语言模型(LLMs)以及优化的硬提示和软提示的能力。

本文其余部分的结构如下。在下一节(第2节)中,我们讨论了有关电池领域自然语言处理(NLP)应用的综述研究、NLP基础知识、其传统任务,以及从材料采购到回收或再利用的电池全生命周期。在第3节中,我们描述了材料和方法,包括搜索数据库、标准,以及PRISMA方法和流程图。在第四节我们以清晰且有条理的方式展示研究结果,比较并描述了价值链中一些重要的工作。在第5节中,我们讨论了当前面临的挑战,并介绍了用于电池预测的概念性TLP框架。最后,在第6节中,我们总结了本研究的主要见解以及未来可能的研究方向。

2. 背景

本节旨在提供关于电池领域自然语言处理(NLP)应用相关工作的背景信息,并指出其存在的不足。它为可能刚接触该领域的电池工程师提供了NLP基础知识,以及11个与电池领域相关的常见传统任务。本节还讨论了从材料采购到回收的电池生命周期阶段。

2.1. 相关工作

已有若干项关于电池领域自然语言处理(NLP)的综述研究。然而,这些研究仅局限于电池生命周期的特定阶段和任务,具体对比见表1。 [13] 的工作回顾了材料科学中的NLP应用,重点关注信息提取(IE)和材料发现。他们观察到,在材料科学领域,NLP仍处于早期阶段,但开发特定材料的预训练语言模型的趋势正在增长。参考文献 [11] 综述了大型语言模型(LLMs)的应用,探讨了两个问题:LLMs能为电池相关任务提供哪些支持,以及如何开发更有效的LLMs。相比之下,我们的工作通过纳入判别式模型,提供了一份更全面的综述。在[的综述中14],他们强调了对实际应用中块体材料的宏观尺度属性和性能的预测,例如电池的多物理性能。该综述重点介绍了材料科学中的机器学习(ML)方法,包括传统算法和深度学习架构。参考文献[15] 综述了相关文献,探讨了自然语言处理(NLP)如何促进材料科学中新型材料的理解与设计。其综述重点关注大语言模型(LLMs)的局限性、材料发现流程的构建,以及生成式预训练转换器(GPT)模型在合成可持续材料现有知识方面的潜力。参考文献 [16] 调研了材料发现与化学合成,观察到人工智能驱动的框架利用现有化合物来预测具有优化导电性和稳定性的新型电池电极材料。参考文献 [17] 综述了基于R语言的各种能源预测,而非更常见的Python编程语言,并简要提到了电池。参考文献 [18] 对专利分析中的人工智能进行了系统性综述,讨论了使用主成分分析(PCA)和随机森林(RF)的研究。
表1。以往综述与本研究的对比。

早期的研究,例如[19],综述了自然语言处理在电池材料领域的深度学习方法。他们确定了分类、信息抽取、摘要生成和材料发现是自然语言处理在电池领域的一些任务或应用。在他们的观点论文中,参考文献[20]讨论了大型语言模型在电池研究中提供见解的潜力,特别关注了快速充电和ChatGPT。参考文献[21]则侧重于本体论开发现状,强调了电池研究和生产中对本体论的需求。参考文献[22]对用于材料发现的自然语言处理(NLP)进行了简要综述。他们观察到,不同研究中使用的来自不同数据库的科学论文数量差异显著,缺乏标准化,有时还需要对旧文档使用光学字符识别(OCR)技术。[对使用深度学习的锂电池(LiB)荷电状态(SoC)估计进行了综述23],他们将方法分为两类:结构化调整和非结构化改进。他们观察到LiB是目前主流的电池类型,并确定了在假设驾驶循环中用于训练和验证数据集的常规数据采集流程。他们的综述仅限于SoC和一些深度神经网络,特别是循环神经网络(RNN)。像我们这样涵盖整个价值链的更详细调查,可以借鉴某一阶段的经验,从而使价值链的其他阶段受益。

2.2. 自然语言处理基础

解决任务的通用自然语言处理流程包括以下迭代步骤:(1) 数据获取,(2) 预处理(例如,去除不需要的字符),(3) 分词(例如,拆分为单词),(4) 模型选择,(5) 模型训练,(6) 验证和超参数调优,(7) 测试,以及 (8) 部署 [24,25。使用神经网络进行模型训练的过程涉及一个重要的嵌入创建步骤,在此步骤中,分词后的数据会从查找表中转换为相对较小维度的数值表示(或嵌入)[24神经网络模型的训练基于最小化损失函数(例如交叉熵损失),通过在监督学习中将模型预测与真实标签进行比较来最大化给定的效用函数,并通过反向传播迭代该过程,直到获得理想的验证损失,从而使模型能够在测试时泛化到未见过的数据。当没有标签可用于比较预测结果时,该过程被称为无监督学习,模型必须仅学习数据内部的模式。这两个范式构成了学习光谱的两端,中间包含各种变体,包括强化学习(RL)。大语言模型在进行不同类型的后训练和部署推理之前,会先经历自监督学习作为预训练阶段。
模型已变得比过去浅层、无上下文的网络(如Word2Vec [26])更加复杂和深层。过去模型中的重要概念在近期模型中依然存在(例如深度模型早期层中的嵌入)。近期最先进(SotA)的模型,如大语言模型(LLMs),是基于SotA Transformer架构的,该架构最初同时包含编码器和解码器[27],尽管最近的大语言模型实现仅使用解码器。为了提高效率,研究人员将用于判别式语言理解任务(例如文本分类(TC))的编码器与用于语言生成(或生成式)任务(例如摘要生成)的解码器解耦,尽管解码器也适用于判别式任务。判别式模型的例子包括来自Transformer的双向编码器表示(BERT)及其许多变体[28,29,30],而生成式模型的例子包括GPT系列[31,32]。其中一些模型被用于电池相关的研究和预测,稍后将对此进行讨论。例如,GPT4已被用于化学命名实体识别(NER)及其他任务,由[33]。Qwen2.5-7B和Gemma2-9B是用于[34]。下面,我们列举了一些常见的传统自然语言处理(NLP)任务,即大语言模型(LLM)出现之前的任务,其中前6个被归类为自然语言理解(NLU)任务,其余则为自然语言生成(NLG)任务,最后一个除外,它是一个无监督学习任务。NLU任务通常使用准确率或F1分数等指标进行评估,而NLG任务则使用基于n-gram的指标(如ROUGE [35,36])或基于语义的模型(如BERTScore [37])。值得注意的是,尽管NLP领域取得了进步,但幻觉和偏见等挑战依然存在[38].

一些常见的传统自然语言处理任务

1.
主题分类(TC):是指从预定义集合中自动为自然语言文本标注主题类别的通用活动[39。自然语言处理领域存在多种主题分类任务的标准定义。例如情感分析(SA)、作者归属、新闻分类和命名实体识别(NER,用于代币分类)[40,41]。这些子任务都有许多可用的数据集,并且在研究中被广泛使用。在电池研究中,文本分类(TC)被用于从大量文献中自动筛选电池相关文档,从而加快文献筛选和数据集构建的速度。例如,BatteryBERT在标注过的摘要上进行了微调,以分类论文是否与电池相关,从而实现更具针对性的材料数据挖掘[42].
2.
。命名实体识别(NER):旨在识别并分类特定实体(通常称为固定指称词)的提及,将其归入预定义的语义类别,如化学化合物、人物、地点、组织等[43]。命名实体识别能够从非结构化文本中结构化提取关键信息,支持搜索、摘要生成和知识图谱构建等任务。常用数据集包括CoNLL-2003、OntoNotes 5.0和W-NUT[44,45,46]。命名实体识别(NER)可用于从电池文献中提取化学品和材料名称,以支持结构化数据集的自动生成,或者从大量科学摘要中识别与电池研究相关的材料、合成描述和相标签[47,48].
3.
词性标注(PoS tagging):这是根据单词的定义及其在句子中的上下文,自动为句子中的每个单词分配语法类别(如名词、动词、形容词或副词)的过程 [49]。这是一项核心的自然语言处理(NLP)任务,有助于模型理解句子结构,支持解析、命名实体识别(NER)和信息抽取(IE)等下游应用。部分数据集包括宾州树库(Penn Treebank)和非洲词性标注数据集(AfricaPOS)[50,51]。虽然词性标注能提升上下文理解能力,但在处理词义歧义、领域特定术语以及带有噪声的技术文本时可能会遇到困难 [52].
4.
IE:指从非结构化或半结构化文本中自动识别和组织特定类型的信息(如实体、关系和事件),将自然语言转化为结构化、机器可读的数据 [53]。IE可以通过从文本中提取容量、电压和效率等关键数据并将其转化为结构化格式,从而助力电池研究和生产。这使得构建电池数据库、比较性能以及发现材料和设计选择的有用趋势变得更加容易 [47]。一个示例数据集包括POLYIE [54].
5.
SA:是一项自动检测和分类文本中情感或观点的TC任务。这通常包括正面和负面,也可能包含中性 [55]。它在客户反馈分析、社交媒体监控和产品评论挖掘等应用中发挥着关键作用。它使用户能够自动从文本数据中提取信息,以支持关于客户满意度或产品改进的快速决策,甚至在电池价值链中也是如此[56]。示例数据集包括Yelp、互联网电影数据库(IMDb)和电影评论数据集[55,57].
6.
问答(QA):这是一项涉及能够理解自然语言问题并自动返回准确相关答案的系统任务,答案可来自给定上下文(抽取式问答)或基于先前学习的知识 [58]。这项任务在教育领域尤为有用 [38,59]。问答系统允许用户快速检索精确信息,无需阅读完整文档,即使在电池领域也是如此,这使得它们对于时间敏感的任务和大规模知识获取非常有用。数据集的例子包括斯坦福问答数据集(SQuAD)2.0和对话式问答挑战(CoQA)[60].
7.
摘要生成:其目标是生成一份简洁连贯的文档摘要,在缩短篇幅的同时捕捉源文本的核心思想[61]。电池文档的文本摘要可提升工作流程效率。与许多具有不同目标评估指标的生成任务类似,尽管主观,但人工评估通常是金标准。因此,为目标指标提供人工生成的参考文本至关重要。数据集包括BOOKSUM、ArXiv和PubMed[62,63].
8.
机器翻译:这是一种将文本从一种自然语言自动转换为另一种自然语言的过程[64]。由于它能帮助人们无需人工干预即可获取不同语言的内容,即使在电池领域的跨境合作中,它在沟通和多语言应用中也十分有用。虽然机器翻译能加速信息获取,但在处理复杂语言、习语和其他语言问题时仍具挑战性[65,66]。数据集包括来自统计机器翻译研讨会(WMT)和FLORES的数据集[67,68].
9.
自动语音识别(ASR):这也被称为语音转文本(STT),是使用计算模型将口语转换为书面文本的过程 [69]。ASR在语音助手和转录服务等应用中非常有用,因为它能帮助用户更自然地与机器交互。面临的挑战包括处理背景噪音、口音和重叠语音 [70]。数据集包括LibriSpeech和Google-Sc等 [69].
10.
对话生成(DG):指由模型与人类或其他模型进行交流所产生的单轮或多轮对话[71]。该任务可分为任务导向型或开放域对话生成。大语言模型被应用于开放域对话生成(包括材料对话),并且也正在被适配到任务导向型对话系统(例如航班预订)中[72]。在过去几年中,开放域对话生成在对话连贯性及其他特征方面取得了显著的进步。然而,幻觉等一些局限性仍然存在[73]. 一个数据集示例包括 Ubuntu 对话数据集 [71].
11.
主题建模(TM):它以无监督的方式学习数据中的模式,以发现潜在主题并推断文档的主题比例[74]。它可以用于支持其他任务以获得更好的结果。主题建模的两个常见挑战是基于无信息词汇的平凡主题,以及存在同义词的重复主题。该任务的一个数据集示例是20newsgroup[74].

2.3. 电池循环寿命

可再生能源(RES)和电动汽车(EV)的增加,使电池制造行业成为增长最快的行业之一[75]。锂离子电池(LiB)因其高能量密度和功率密度、长循环寿命以及在电子移动和固定式储能领域的应用潜力,而备受关注。电池生产是一个复杂的过程,涉及许多步骤,从原材料的采购、挖矿和精炼,到将电芯组装成成品电池包[76,77,78] 在生产过程的每一步中,必须遵循特定的物理和化学工艺,并辅以质量保证和环境控制。这些工艺在整个生命周期中会产生大量的文本数据,这些数据可以通过自然语言处理技术进行过程分析、合规性检查和优化 [13,79]. 图1根据文献综述,展示了电池生命周期的常见阶段,共涉及约17个阶段。我们在下文对这些阶段进行了大致分类和简要讨论。这种分类并非严格的界限划分。
Ai 07 00459 g001
图1.根据文献综合的电池生命周期阶段[76,77,78,79](此分类并非严格界限。图片由ChatGPT-5生成)。

2.3.1. 材料采购

原材料采购是整个生产链的基础。钴、镍、锰、石墨和锂是关键的原材料,每种都具有独特的电化学特性。需要进行挖矿和精炼操作,以达到电池所需的纯度水平[76]。例如,锂来自硬岩矿床(如锂辉石,LiAl(SiO3)2)和盐湖(例如在南美洲)。随后进行精炼工艺,如酸焙烧和沉淀,以生产碳酸锂或氢氧化锂。原材料采购对环境影响和生产成本均有显著影响[80]。它还会产生大量的文档,如挖矿报告、安全数据表和采购合同。

2.3.2. 材料混合

文档来源结合互联网上的丰富信息,使得通过对现有信息进行深度分析的NLP任务(如材料发现、问答(QA)和信息检索(IR))成为前一阶段(甚至可能是第一阶段)的重要组成部分,用于指导明智的决策,材料混合,在此过程中,导电添加剂和聚合物粘结剂均匀分散在溶剂(通常为水或N-甲基吡咯烷酮)中,以形成均匀的浆料[79].

2.3.3. 电极制备(前段工艺)

电极制备是将精制粉末转化为活性电极的过程,是制造过程中最耗时且成本最高的阶段[75,77]。电极制造步骤主要有两种处理方法:基于溶剂的湿法工艺(目前占据主导地位)和无溶剂干法工艺。干法工艺因其能耗较低且工艺环保而日益受到关注。主要子步骤如下:涂布,即将浆料涂覆在金属箔(铝或铜)上,同时精确控制厚度,干燥,该步骤会去除溶剂并形成固体薄膜,是整个工艺中最耗能的步骤之一,压延,在此过程中,电极在硬质辊之间被压缩,以改善接触性和机械完整性,分切,将宽卷切割成窄的电极条,电极制作与模切,其中电极制造用于生产正极和负极片,模切用于将涂覆箔材修剪成特定几何形状,如圆柱形、方形或软包形状[80]。包括混合比例、涂布日志、温度记录和检验报告在内的工艺文档,为自然语言处理(NLP)驱动的工艺优化和预测性质量控制提供了丰富的文本数据源[81]。在实验室规模下,可采用多种涂布方法,包括喷涂、旋涂、浸涂、刮刀涂布和狭缝涂布[80].

2.3.4. 电池组装

在组装阶段,电极和隔膜被组合成完整的电池单元[82]。在卷绕和叠片过程中,根据类型不同,电极可以卷绕(用于圆柱形电池)或叠片(用于方形或软包电池)。阳极、隔膜和阴极层被卷成紧密的“卷芯”,以确保离子传输均匀。叠片工艺将片材交替排列,从而实现高堆积密度和一致的性能[80]. 组装线确保电极极耳焊接至端子引线,并且组装好的电池将通过干燥箱以去除残留水分,即分别去除正极和负极中的溶剂和水。最后,电解液填充在受控气氛中将锂盐溶液引入多孔结构。每一步都会生成操作和安全日志,这些日志可使用自然语言处理技术进行分析,以检测异常或优化生产顺序。

2.3.5. 电池测试仪

此阶段通过受控的充放电循环启动电池的电化学活性,从而生成固体电解质界面(SEI)和正极电解质界面(CEI)。这些界面层对于电池的稳定性和安全性至关重要 [83,84]. 形成通常在恒流恒压(CCCV)条件下持续数天完成。形成后,电池需经过一系列测试,包括阻抗测量、自放电评估和安全性评估,以验证性能一致性并符合质量标准 [81]。通常,在充电在充电阶段,充电方法决定了电池容量[85]。方法包括恒流恒压(CCCV)和截止电压。测试仪用于鉴定和验证电池组件的性能,以确保其符合电气和安全标准。在化成和测试阶段生成的日志通常存储在数字化制造系统中,这些日志再次可用于自然语言处理(NLP)应用,以提高良率并实现预测性维护。

2.3.6. 组装II

经过验证的电芯被组合成模组,位于模组组装中。典型的电池模组由多个串联或并联的电芯组成。多个模组随后被组合在电池包组装中,与模组组装类似,电池包也配备了热管理和电子控制系统[81]。此外,电池包还包含电池管理系统(BMS)、冷却组件和安全装置。

2.3.7. 使用

组装完成后,电池包将进行老化循环,以验证传感器、布线和控制电子设备的功能,随后才能投入使用。锂电池的安全使用依赖于电池管理系统(BMS),该系统管理包括电池荷电状态(SoC)在内的多个参数,以确保电池在整个使用寿命期间高效运行[86]。电池管理系统(BMS)还会持续监测电压和温度,以确保安全和效率。荷电状态(SoC)指示锂电池的剩余容量,从而提供防止过充或过度放电的信息。SoC的估算方法可分为四类:查表法、安时积分法、基于模型法和数据驱动法。数据驱动法近年来备受关注[86].

2.3.8. 回收

回收利用构成了电池生命周期的最终阶段,特别是对于那些无法进行二次寿命用途改造的电池。通过回收利用,锂、镍、钴和铜等宝贵材料得以回收,并重新引入供应链,以支持循环电池经济。回收流程和生命周期评估会产生大量的文本数据,从拆解说明和回收报告到环境影响研究和合规记录[]。无法回收利用的电池将达到其使用寿命终点,必须进行妥善处置。79]. Batteries that cannot be recycled come to their end of life and must be disposed of properly.

3. 材料与方法

我们遵循了PRISMA方法[12]进行系统综述,并遵守其指南,以实现本研究设定的目标。该核对表作为补充材料. 提供。图2展示了本综述的PRISMA流程图。它遵循了进行系统文献综述时推荐的严格且可审计的全年龄指南[12,87]. 本综述已在开放科学框架(OSF)上注册,网址为https://osf.io/rgcuq/overview(2026年10月26日)。我们使用相关的(纳入)术语在3个信誉良好的数据库或搜索引擎中进行了搜索,并重点关注英文搜索结果。这意味着研究范围仅限于以英文开展的研究。作为一项局限性,本报告未包含冲突解决或评分者间一致性;然而,作者将所综述论文的不同方面综合到了本文中。这些局限性可能导致这项工作难以完全复现。然而,我们通过添加用于验证的工件,提供了复现这项工作所需的内容。本研究的数据可在https://github.com/LTU-Machine-Learning/battery_survey(2025年10月31日)。
Ai 07 00459 g002
图2。系统综述的PRISMA流程图。

3.1. 数据库

所使用的数据库(或搜索引擎)包括Google Scholar、IEEE Xplore和Scopus。值得注意的是,这些数据库具有时变性,且对排名算法敏感。检索时间为2025年10月。选择这些数据库是因为它们收录了主要出版商或数据库,且各数据库互为补充。例如,IEEE Xplore和Scopus可作为Google Scholar的补充验证,因为后者有时会包含存档(或草稿)论文,而Scholar的检索结果覆盖范围比其他两个更广。

3.2. 检索标准

我们确定的搜索词(或关键词)共有3个:'text'、'language processing'和'battery'。这些词是基于研究目标这一纳入标准确定的。这是因为NLP通常涉及书面文本,'language processing'适用于自然语言处理、技术语言处理和材料语言处理,而'battery'则适用于电池生命周期的任何阶段。在所有3个数据库中,使用AND运算符将这些搜索词组合为“text AND 'language processing' AND battery”。在初步的搜索验证中,我们还尝试了四个组合词:'text'、'language'、'processing'和'battery',但发现这比我们之前的词汇产生了更多无关结果。此外,我们选择不包含许多其他词汇,以避免遗漏相关文章,因为目标是覆盖整个生命周期。因此,我们最终决定使用最初的三个搜索词。我们注意到自然语言处理领域有许多可能的搜索词,因此我们保持简单,使用这三个词,尽可能地作为全覆盖词。例如,“NLP”是“natural language processing”的缩写,我们的搜索词“language processing”应该能捕捉到它。同样,“text mining”应该能被“text”捕捉到。因此,我们认为这些词(text、language processing和battery)对于捕捉搜索中的许多论文(包括子任务)来说是非常基础的。
此外,我们使用以下搜索词和布尔运算符OR来测试Google Scholar,并与我们的原始搜索结果进行比较:“文本挖掘” OR “信息提取” OR “大语言模型” OR “知识提取” AND “电池”。基于排名选择,第一页的9个结果中有8个(约90%)与我们原始结果中的论文完全相同。在前5页中,这一比例降至约60%,正如预期的那样,我们注意到论文的相关性和匹配度有所下降,因为随着排名下降,与任何搜索的相关性都会降低。

3.3. PRISMA方法

如提供。图2所示,提供了筛选每个阶段(包括年份筛选)的搜索结果数量。我们选择从2025年回溯至2017年的年份筛选(或截止年份),是因为2017年随着Transformer架构的引入,标志着自然语言处理(NLP)领域的一个关键时期[27,47]。采用基于排位的筛选程序,我们从Google Scholar和Scopus中筛选出排位前118篇论文,同时对IEEE Xplore中的全部38篇论文进行了审查,因为其返回的结果数量要少得多。因此,作为例外,我们没有按年份筛选IEEE Xplore,以免丢失更多结果。由于在每次搜索中审查数千篇论文在实际操作中并不可行,因此我们采用了一种基于总体样本数量的启发式方法来确定118这个数字,并基于最相关论文通常出现在顶部的合理假设,选择了排位最靠前的论文。通过筛选标题和摘要,我们发现了一些不相关的论文。在无法立即确定论文是否相关的情况下,我们对论文正文中的关键词(尤其是“battery”)进行了快速自动搜索,以便审稿人阅读其上下文。在全文阶段,所有相关论文均经过审阅。此外,我们观察到一些不相关的论文(尤其是偏向健康领域的论文)中出现了“battery of ...”或类似的术语,其中battery的含义不同,例如指代一系列事物。识别重复出版物的过程涉及在不同数据库中查找相同标题(或摘要)。为了验证我们工作的可重复性,搜索结果链接(搜索结果受限于随时间变化、对排位算法敏感,且截断的论文也是一种局限性)、可下载的Scholar列表,(https://github.com/LTU-Machine-Learning/battery_survey)(访问于2025年10月31日),不相关论文的列表见附录。

3.4. 使用生成式人工智能

我们使用GPT-5(ChatGPT-5)生成了构成图1的图像。我们在提示词中描述了每个生命周期阶段,并要求其生成可下载的PNG图像。然后,我们根据文献中的描述,将这些图像组合成如图所示的生命周期图。

4. 研究结果:电池生命周期中的自然语言处理

在仔细审阅所有相关论文后,我们根据它们所涉及的NLP任务对每篇论文(标识为DatabasePaperNumber,例如Google Scholar论文2为G2)进行了分类,结果如下表2(以及Scholar论文的质量,见表A1中附录 C)。在适用情况下,我们将一些SOTA结果综合到了表3。在表2中,共有16个任务,其中一些与第2.2节中确定的11个任务不同。:5篇是新增的,2篇是电池相关的,1篇是本体开发的。部分论文涉及多个任务。在表3中,针对每个任务的不同数据集比较了SotA结果和模型(包含数据中的生命周期阶段)。根据任务不同,报告了不同的指标,并识别了每个模型的类别。在表2中识别的部分任务在表3因为前表中相关的论文要么是综述论文,要么没有报告相关结果。因此,在表3中报告了11个主要任务,模型类别包括深度学习、经典模型、大语言模型(LLM)和知识图谱(KG)。在接下来的小节中,我们将根据相关论文的贡献讨论一些细节。
表2。各任务的研究论文分布。(电池预测、b本体开发、o以及新任务n为上标,而综述r和位置p论文以下标形式标注。完全相同的论文实例以=)表示。

表3。部分SotA结果的综合。 (跨任务/数据的比较并不合适,生命周期阶段的覆盖范围不均匀,特定的指标或模型以右上角标表示)。

4.1. 材料发现与知识挖矿

显然,文献和研究中的大部分工作都集中在材料发现和知识挖掘(如IE和NER)领域,如表2所示,就论文数量而言。表4相对综合了材料发现的一些研究结果。文献[89]通过使用Word2Vec对文献进行无监督学习,以预测材料发现中的太阳能充电电池材料。他们计算了不同材料与“光充电”等特定词汇之间的余弦相似度(用于衡量相关性)。文献[88]研究了大型语言模型在所谓的材料语言处理(MLP)中的上下文学习,这可以被视为TLP的一个子集,因为电池术语是特定的材料术语[47]。BatteryBERT由[42]引入,通过采用[的原始BERT权重的持续预训练,用于文本分类和抽取式问答任务28] 在微调之前。基于BatteryBERT的工具包是BatteryDataExtractor,它被用于提取化学数据 [47]。然而,其实现仅限于两轮问答,且不符合自然对话风格。参考文献[33]更进一步,引入了文本到电池配方的技术,用于从科学文献中提取配方。配方既包含材料,也包含关于这些材料的说明。材料发现领域的一个主要挑战是缺乏具有代表性的度量指标或评估框架,用于评估成功的发现,而无需昂贵的实验验证。此外,IE是该领域的一项挑战性任务,因为它需要多个关键变量进行材料选择。为了应对这一挑战,参考文献[100]提出了一种专门针对锂电池(LiB)正极的语义知识图谱(KG),并包含一个用于优化词嵌入的双重注意力组件。他们的实现基于双向长短期记忆网络(BiLSTM)。然而,该网络存在一些局限性,例如对长期依赖关系的处理能力较弱,且依赖于串行处理[101],尤其是与最先进的Transformer架构相比。
表4。材料发现与知识挖矿的比较合成。

钠因其储量丰富且价格低廉而备受关注,催生了工作原理与锂电池相似的钠离子电池(SiB)。参考文献[90]对钠离子电池正极材料进行了信息抽取(IE)。他们的方法结合了其他相关任务(如化学命名实体识别和术语分类)以提升信息抽取性能。此外,在[94]的化学命名实体识别贡献中,他们对包含595个合成步骤的新语料库进行了标签标注,并将数据(MS-Mentions)公开。参考文献[103] 还利用自然语言处理技术指导钠硫电池单原子催化剂的筛选。在[的工作中34],他们引入了一种认知增强指令框架(CEIF),其中教师模型提供反馈、提示词优化和优化训练数据,以指导学生模型的学习过程。参考文献[102]引入了Chemeleon,该模型旨在根据文本描述和三维结构数据生成化学成分和晶体结构。然而,化学成分可能组合的庞大数量使得全面探索既耗时又耗费计算资源。关于可解释性这一重要的透明度概念,参考文献[104] 使用了Shapley加性解释(SHAP)作为可解释AI,同时采用双项主题模型来分析与锂电池研究相关的专利。然而,SHAP与其他事后可解释性方法一样,无法像大语言模型(LLM)通过思维链(CoT)推理提供的逐步文本解释那样,为人类提供直观的解释。

4.2. 电池生产、维护与可持续性

本小节涵盖了在2.3节中确定的与整个电池生命周期相关的研究结果。有趣的是,已有多种深度学习方法被应用于电池诊断,包括SoC估计[86]。充分的监测、诊断和维护可防止电池过充、过度放电和爆炸,从而延长电池寿命[23]。参考文献[86]探索了使用大语言模型进行锂电池(LiB)荷电状态(SoC)估计。由于极端温度和动态操作等因素,该任务具有挑战性,这些因素只是导致模块内可靠估计困难的众多因素中的一小部分。在他们的工作中,他们提出了一种硬提示生成器,将锂电池数据转换为指令和回答文本,而软提示则将各种锂电池的特定任务信息编码为一组独立的向量。由于数据集对于数据驱动的电池特性预测和估计至关重要,一些工作已聚焦于此。参考文献[85]通过使用ChemDataExtractor(一种用于材料科学的NLP技术工具包),从文献中提取电池材料和5种功能特性,引入了一个自动生成的材料数据集。提取的功能特性包括容量、电导率、库仑效率、能量密度和电压。参考文献[6]从科学文献中提取了固态电解质(SSE)的离子电导率,以创建材料数据库。同时,参考文献[105]指出,缺乏标准基准以及该领域中电极和电池性能报告方式的不统一,是锂电池研究面临的一些挑战,这引发了缺乏可重复性等问题。
此外,参考文献[106]正确地指出,电池的生产、使用和处置存在环境问题,而[95]在其工作中通过提出一种面向拆解的知识图谱,解决了退役电动汽车电池组的拆解问题。深度学习方法面临着泛化能力差和鲁棒性不足等挑战[86在严酷的零下环境温度下,由于锂电池内部的化学反应,SoC会大幅下降并产生波动,这使得情况变得复杂。此外,若要使用语言模型进行SoC估计,需要模型能够学习数值格式的测量数据,尽管这是一个典型的挑战[13].

5. 讨论

自然语言处理(NLP)在电池领域的应用正在不断增长。然而,正如已经指出的那样,挑战依然存在。例如,从表3中我们可以观察到,NLP在电池全生命周期各阶段的覆盖范围并不均衡。下文我们将进一步强调一些关键挑战,并随后讨论我们提出的概念性TLP框架的细节,该框架可能能够解决其中的部分挑战。

5.1. 挑战

尽管我们的工作利用了3个权威数据库,但最终相关的论文数量相对有限。未来,增加数据库数量可能会有所帮助,尽管这并不能保证效果,因为不同数据库之间的论文存在重叠。同时,从综述中可以看出,缺失在表3在任何任务中都缺乏智能体AI,这可能是因为基于大语言模型的智能体AI相对较新。这显然是现有尝试中的一个局限性,而我们的框架解决了这一问题。此外,也缺少任何与新的欧盟数字产品护照(DPP)相关的任务,这可能也是因为它是一个相对较新的提案。电池研究面临的一些挑战包括缺乏标准电池基准数据、专有数据、词汇标准以及工具的互操作性[21]。不同的作者使用了不同的自建数据集。因此,[88]在他们的工作中进行的SotA比较可能被认为是不公平的,因为他们的结果是与其他评估不同数据集的工作进行比较的。此外,如果许多作者能为他们的数据集命名,以便于识别,将会很有帮助。这些缺陷中的许多都对该领域的透明度产生了负面影响。

5.2. 用于DBP和电池预测的TLP框架

AI透明度为负责任的人类监督提供了途径。新的欧盟DBP(一种可存储在云端的电子记录,也是DPP的一部分)提供了整个电池生命周期所需的透明度,并促进了循环经济[107,108]。该护照包含电池特定文本、数值和日期。该倡议类似于自然语言处理(NLP)中的数据卡片、数据声明或模型卡片概念[109,110,111]. 数据卡片或声明以结构化方式提供机器学习数据的摘要,并解释数据背后的过程和原理。DBP还符合科学数据管理的可发现性、可访问性、互操作性和可重用性(FAIR)指导原则,这些原则为希望提高数据可重用性的人员制定了指南,并赋予机器自动发现和使用此类数据的能力[112]。它不包含利益相关者的个人数据,这些利益相关者包括最终用户、制造商、回收商和监管机构等[113].
正如为大语言模型提供详细提示词或指令有助于提升性能一样[114],除了利益相关者外,在数字护照中提供尽可能详尽的必要细节也有利于AI系统。因此,DBP信息可转化为TLP或BMS建模与预测,因为BMS负责监控和管理电池组以确保安全和最佳性能[115]。DBP将提供有关材料来源、成分、化学物质、碳足迹、容量、有害物质、健康状态(SoH)、电池状态(例如,是否再利用)、充放电循环次数、性能、回收与处置等方面的信息。BMS通常提供有关SoH和预期电池寿命的信息[113].
我们提出了一个用于电池预测的简单概念性TLP框架,包括在表3. 图3中识别的各种任务描绘了该框架。DBP或BMS提供的信息在该框架内将非常有用。它涉及一个与电池无关的模型上下文协议(MCP)AI代理,该代理能够连接到拥有DBP或BMS信息的外部工具,并提供软提示(通过提示微调学习到的连续特征向量),这些软提示将与优化的硬提示(通过基于梯度的优化增强的纯文本输入)相结合[116]。随后,该组合将作为输入提供给具备能力的多模态大语言模型,用于相关的TLP任务预测,例如SoC估计或IR。此外,该框架包含一个可作为独立部分运行的组件(在紫色框中指示图3中识别的各种任务),能够执行与传统数据集相关的任务。结合硬提示和软提示(或提示参数)的策略是有益的,因为它们能为大语言模型提供互补的视角,作为详细且精确的输入。使用大语言模型执行任务(而非传统方法)的优势在于它们具有涌现能力,并且能够执行编程和其他机器学习任务来支持预测。稠密大语言模型的一个缺点是其规模庞大,但使用混合专家模型(MoE)可以有效缓解这一问题,因为在推理过程中无需激活所有参数。该框架具有创新性,因为除了上述部分观点外,其各组件的结合以及在DBP上的应用都是全新的。
Ai 07 00459 g003
图3。我们基于硬软提示的DBP和电池相关预测概念性TLP框架[86,115,116].

6. 结论

随着研究报告、日志及其他类型文档的不断增加,自然语言处理(NLP)在整个电池生命周期中的应用正日益广泛。本研究对该领域进行了系统性综述,描述了与电池领域相关的传统及新兴NLP任务。我们通过电池生命周期展示了NLP在从材料采购到回收再利用的不同阶段均能发挥重要作用。我们的研究结果(尽管存在局限性且可能遗漏了相关研究)表明,挑战依然存在,特别是在标准化基准、为材料发现建立合适的评估框架或指标,以及采用更先进的自然语言处理方法(如智能体AI)方面。欧盟DBP是本次调研论文中未涉及的另一项创新。因此,我们提出了一种用于电池预测的新型概念性TLP框架以应对部分挑战,尽管该框架仍需在未来工作中进行验证。随着DBP的计划实施,该概念性TLP框架将拥有更多数据来驱动更准确的预测。引入多模态AI(整合文本、图像和传感器数据)也可能提升电池价值链的整体性能。

上一篇:钠离子Trojan蓄电池的多任务SOC/SOH估计与跨域SOC迁移:从电芯到电池包
下一篇:蜂窝结构汽车动力Trojan蓄电池液冷性能分析及机器学习算法预测研究