基于灵活预训练的多任务电池管理
机器学习
2025-09-03 v1 人工智能
摘要
工业级电池管理涉及多种类型的任务，如估计、预测和系统级诊断。每个任务在时间尺度、传感器分辨率和数据通道上使用不同的数据。构建特定任务的方法需要大量数据和工程工作，这限制了智能电池管理的可扩展性。在此，我们提出灵活掩码自编码器（FMAE），这是一种灵活的预训练框架，能够在缺失电池数据通道的情况下进行学习，并捕获数据片段间的相互关联。FMAE 从异构数据中学习统一的电池表示，并能以最少的数据和工程工作被不同任务采用。在实验中，FMAE 在包含十一个电池数据集的五项电池管理任务中始终优于所有特定任务方法。在剩余寿命预测任务中，FMAE 在保持 SOTA 结果的同时，使用的推理数据减少了 50 倍。此外，当真实世界数据缺乏某些信息（如系统电压）时，FMAE 仍可应用且性能影响极小，取得了与最佳手工特征相当的结果。FMAE 展示了一条通往灵活、数据高效模型的实用途径，简化了动态系统的真实世界多任务管理。
引用
@article{arxiv.2509.01323,
title = {Multitask Battery Management with Flexible Pretraining},
author = {Hong Lu and Jiali Chen and Jingzhao Zhang and Guannan He and Xuebing Han and Minggao Ouyang},
journal= {arXiv preprint arXiv:2509.01323},
year = {2025}
}