HybridoNet-Adapt：面向锂离子电池剩余可用寿命准确预测的领域适应框架
机器学习
2025-04-21 v2 人工智能
摘要
准确预测锂离子电池 (LIB) 在健康管理系统中的剩余可用寿命 (RUL) 对确保运行可靠性和安全性至关重要。然而，许多现有方法假设训练和测试数据遵循相同的分布，限制了其对未见目标域的泛化能力。为此，我们提出了一种新颖的 RUL 预测框架，集成了领域适应 (DA) 技术。该框架整合了包括去噪、特征提取和归一化在内的信号预处理管道，以及名为 HybridoNet Adapt 的稳健深度学习模型。该模型特点是结合 LSTM、多头注意力和神经常微分方程层进行特征提取，随后由两个带可训练权衡参数的预测器模块组成。为提高泛化性，我们采用受 Domain Adversarial Neural Networks (DANN) 启发的 DA 策略，将对抗损失替换为最大均值偏差 (MMD)，以学习域无关特征。实验结果表明，HybridoNet Adapt 在传统模型如 XGBoost 和 Elastic Net 以及深度学习基线如 Dual input DNN 方面均显著优于后者，展示了其在可扩展且可靠电池健康管理 (BHM) 中的潜力。
引用
@article{arxiv.2503.21392,
title = {HybridoNet-Adapt: A Domain-Adapted Framework for Accurate Lithium-Ion Battery RUL Prediction},
author = {Khoa Tran and Bao Huynh and Tri Le and Lam Pham and Vy-Rin Nguyen and Hung-Cuong Trinh and Duong Tran Anh},
journal= {arXiv preprint arXiv:2503.21392},
year = {2025}
}