面向锂离子电池剩余有用寿命预测的多尺度双路径特征聚合网络
机器学习
2025-12-24 v1 人工智能
摘要
针对锂离子电池的剩余有用寿命（RUL）预测，当前建模技术在捕捉电池 Degradation 序列的局部和全局相关性方面效率低下且难以满足实际应用需求。为此，我们提出一种新型深度学习架构——多尺度双路径特征聚合网络（MDFA-Net）用于 RUL 预测。MDFA-Net 由双路径网络组成，其中第一路径网络是多尺度特征网络（MF-Net），保持浅层信息，避免信息丢失；第二路径网络是编码器网络（EC-Net），捕捉序列连续趋势，保留深层细节。有效整合深浅属性，既捕捉局部模式又把握全局模式。使用两个公开可用的锂离子电池数据集进行测试，结果表明该方法在 RUL 预测中优于现有顶尖方法，能够准确映射电池容量退化轨迹。
引用
@article{arxiv.2512.19719,
title = {Multiscale Dual-path Feature Aggregation Network for Remaining Useful Life Prediction of Lithium-Ion Batteries},
author = {Zihao Lv and Siqi Ai and Yanbin Zhang},
journal= {arXiv preprint arXiv:2512.19719},
year = {2025}
}