锂离子电池状态健康和剩余使用寿命的多任务定向学习框架
机器学习
2026-03-25 v1 人工智能
摘要
准确预测锂离子电池的状态健康（SOH）和剩余使用寿命（RUL）对于确保电动汽车的安全高效运行并最小化相关风险至关重要。然而，当前的深度学习方法在 selectively 提取特征和建模这两个参数的时间依赖性方面受限。此外，大多数现有方法依赖于传统的循环神经网络，这些网络在长期时间序列建模中存在固有的局限性。为解决这些问题，本文提出了一个用于 SOH 和 RUL 预测的多任务定向学习框架，集成了多个神经网络，包括多尺度特征提取模块、改进的扩展 LSTM 和双流注意力模块。首先，设计了一个带有多尺度 CNN 的特征提取模块，以捕获详细的局部电池衰退模式。其次，采用改进的扩展 LSTM 网络来增强模型保留长期时间信息的能力，从而提高时序关系建模。建立在此基础上，双流注意力模块——包括 polarized attention 和 sparse attention——用于 selectively 关注与 SOH 和 RUL 相关的关键信息，通过对重要特征分配更高权重。最后，通过双任务层实现 many-to-two 映射。为优化模型性能并减少对手动调参需求，采用 Hyperopt 优化算法。广泛的对比实验在电池老化数据集上表明，所提出的方法相对于传统和最先进的方法，能够将 SOH 和 RUL 预测的平均 RMSE 分别降低 111.3% 和 33.0%。
引用
@article{arxiv.2603.22323,
title = {A Multi-Task Targeted Learning Framework for Lithium-Ion Battery State-of-Health and Remaining Useful Life},
author = {Chenhan Wang and Zhengyi Bao and Huipin Lin and Jiahao Nie and Chunxiang Zhu},
journal= {arXiv preprint arXiv:2603.22323},
year = {2026}
}
备注
https://github.com/wch1121/Joint-prediction-of-SOH-and-RUL