混合深度学习结合时间数据增强用于锂离子电池剩余使用寿命精确预测
机器学习
2026-03-31 v1
摘要
准确预测锂离子电池剩余使用寿命（RUL）对于可靠的健康监测和数据驱动的电池退化分析至关重要。然而，现有RUL预测模型的鲁棒性和泛化能力受到复杂运行条件和有限数据可用性的显著挑战。为解决这些局限，本研究提出一种混合深度学习模型CDFormer，它整合卷积神经网络、深度残差收缩网络和Transformer编码器，从电池测量信号（包括电压、电流和容量）中提取多尺度时间特征。该架构实现了局部和全局退化动力学的联合建模，有效提升了RUL预测的准确性。为增强预测可靠性，提出一种复合时间数据增强策略，纳入高斯噪声、时间扭曲和时间重采样，显式考虑测量噪声和变异性。CDFormer在两个真实数据集上评估，实验结果表明其在关键指标上持续优于基于循环神经网络和基于Transformer的基线。通过提高从测量数据进行RUL预测的可靠性和性能，CDFormer提供准确可靠的预测，支持有效的电池健康监测和数据驱动维护策略。
引用
@article{arxiv.2603.27186,
title = {Hybrid Deep Learning with Temporal Data Augmentation for Accurate Remaining Useful Life Prediction of Lithium-Ion Batteries},
author = {Yun Tian and Guili Wang and Jian Bi and Kaixin Han and Chenglu Wu and Zhiyi Lu and Chenhao Li and Liangwang Sun and Minyu Zhou and Chenchen Xu},
journal= {arXiv preprint arXiv:2603.27186},
year = {2026}
}