Early Degradation Prognostics of Lithium-Ion Batteries under Structured Dataset Shift via Adaptive Recurrent Networks

Meilia Safitri, Teguh Bharata Adji, S.T., M.T., M.Eng., Ph.D; Dr.Eng. Ir. Adha Imam Cahyadi, S.T., M.Eng., IPM.

2026 | Disertasi | S3 Teknik Elektro

Prognostik degradasi dini baterai litium-ion penting untuk mendukung manajemen kesehatan baterai, penyaringan kualitas pada proses manufaktur, dan perencanaan operasional jangka panjang. Namun, prediksi perilaku degradasi \textit{nonlinear} dari observasi siklus awal yang terbatas masih menjadi tantangan karena penurunan kapasitas pada fase awal umumnya masih lemah, sedangkan transisi degradasi pada fase lanjut dapat terjadi jauh setelah jendela observasi. Disertasi ini mengembangkan kerangka prognostik degradasi dini yang dibatasi secara empiris untuk mengestimasi penanda degradasi operasional, yaitu Knee Onset (KO), Knee Point (KP), dan End-of-Life (EoL), berdasarkan deskriptor tegangan--arus yang diekstraksi dari 100 siklus pertama.

Kerangka yang diusulkan mengintegrasikan rekayasa fitur multisiklus berbasis informasi degradasi, konstruksi penanda kejadian operasional menggunakan prosedur residual Double Asymmetrical Sigmoidal (DAS), Enhanced Adaptive Long Short-Term Memory (EA-LSTM), serta rekonstruksi trajektori linear–quadratic–linear yang berjangkar pada kejadian degradasi. Pada representasi Top-40 dengan masukan satu langkah yang diterapkan, EA-LSTM dievaluasi sebagai model interaksi fitur berbasis gerbang yang diturunkan dari LSTM, bukan sebagai encoder temporal sekuens panjang. Dataset MIT MaTR digunakan sebagai source domain, sedangkan dataset CLO dan Mendeley digunakan untuk mengkaji variasi protokol near-domain, support mismatch pada far-domain, dan exposure-based adaptability dalam lingkup data laboratorium sel individual A123 LFP/graphite.

Hasil penelitian menunjukkan bahwa deskriptor tegangan--arus pada fase awal mengandung informasi prediktif yang bermanfaat untuk estimasi KO, KP, dan EoL dalam ruang lingkup evaluasi yang digunakan. Pada dataset MIT MaTR, EA-LSTM mencapai nilai MAPE masing-masing sebesar 10,55%, 10,13%, dan 9,50% untuk KO, KP, dan EoL, serta menghasilkan galat agregat terendah dibandingkan baseline XGBoost, ANN, Transformer, dan vanilla LSTM pada representasi Top-40 yang sama. Evaluasi lintas domain menunjukkan bahwa transfer near-domain masih mempertahankan keselarasan prediktif, sedangkan performa zero-shot pada far-domain}menurun akibat support mismatch. Pelatihan ulang spesifik domain dan pelatihan multidomain terpadu meningkatkan performa melalui perluasan cakupan data pelatihan. Profiling komputasi juga mendukung tractability analitis pada representasi terkompresi, sedangkan implementasi embedded dan validasi pada tingkat perangkat keras masih menjadi pekerjaan lanjutan.

Early-life degradation prognostics of lithium-ion batteries are important for battery health management, manufacturing screening, and long-term operational planning. However, predicting nonlinear degradation behavior from limited early-cycle observations remains challenging because early capacity fading is often subtle, whereas later degradation transitions may occur far beyond the observation window. This dissertation develops a bounded early-life prognostic framework for estimating operational degradation markers—Knee Onset (KO), Knee Point (KP), and End-of-Life (EoL)—from voltage–current descriptors extracted from the first 100 cycles of operation.

The proposed framework integrates degradation-informed multicycle feature engineering, operational event marker construction using a Double Asymmetrical Sigmoidal (DAS) residual procedure, Enhanced Adaptive Long Short-Term Memory (EA-LSTM), and event-anchored linear–quadratic–linear trajectory reconstruction. Under the implemented single-step Top-40 representation, the EA-LSTM was evaluated as an LSTM-derived gated feature-interaction model rather than a long-sequence temporal encoder. The MIT MaTR dataset was used as the source domain, whereas the CLO and Mendeley datasets were used to examine near-domain protocol variation, far-domain support mismatch, and exposure-based adaptability within A123 LFP/graphite individual-cell laboratory data.

The results show that early-life voltage–current descriptors contain useful predictive information for KO, KP, and EoL within the evaluated setting. On MIT MaTR, EA-LSTM achieved MAPE values of 10.55%, 10.13%, and 9.50% for KO, KP, and EoL, respectively, representing the lowest aggregate errors among the evaluated XGBoost, ANN, Transformer, and vanilla LSTM baselines under the fixed Top-40 representation. Cross-domain evaluation showed that near-domain transfer retained predictive alignment, whereas far-domain zero-shot performance degraded under support mismatch. Domain-specific retraining and unified multidomain training improved performance by expanding the available training support. Computational profiling further supported analytical tractability under the compressed representation, while embedded deployment and hardware-level validation remain future work.

Kata Kunci : Lithium-ion battery degradation, early-life prediction, battery health prognostics, degradation-event prediction, structured dataset shift, gated feature-interaction modeling.