在数据稀缺的情况下,用于离子电池RUL预测的CNN增强序列模型的稳定性
1School of Business Administration, Capital University of Economics and Business, Beijing, China.
PloS one
|December 30, 2025
概括
精确预测电池的剩余使用寿命 (RUL) 是具有有限数据的挑战. 混合CNN-序列模型提高了RUL预测的稳定性,GRU和LSTM在数据稀缺的情况下表现最好.
科学领域:
- 电池健康监测 电池健康监测
- 机器学习用于工程.
- 预测性维护是指预测性维护.
背景情况:
- 准确的剩余使用寿命 (RUL) 预测对于离子电池的安全性和可靠性至关重要.
- 工业应用经常面临数据稀缺性,阻碍了RUL预测的有效性.
- 混合卷积神经网络 (CNN) 和顺序模型架构提供了一个潜在的解决方案,但需要系统的评估.
研究的目的:
- 系统地评估混合CNN-序列模型在数据稀缺的情况下进行RUL预测的性能.
- 评估CNN衍生特征提取对顺序模型稳定性的影响.
- 为了比较不同序列模型 (GRU,LSTM,变压器,神经ODE,变压器 (Pre-LN)) 在数据受限制的RUL预测中的有效性.
主要方法:
- 利用CNN从充满电池充放电周期中提取低维特征.
- 系统地使用提取的特征评估了五个顺序模型 (GRU,LSTM,变压器,神经ODE,变压器 (Pre-LN)).
- 通过逐步消除充放电周期 (0%, 10%, 30%, 50%) 来模拟数据稀缺性.
- 在NASA和CALCE电池数据集上进行了雇员休假一次交叉验证.
主要成果:
- 基于CNN的特征提取显著提高了所有评估的顺序模型的稳定性.
- 在数据受限条件下,反复网络 (GRU,LSTM) 始终优于更复杂的架构.
- 拟议的混合方法证明了RUL预测的准确性和可靠性得到了改善.
结论:
- 混合CNN-序列模型为RUL预测提供了强大的方法,特别是在数据稀缺的工业环境中.
- 经常性神经网络在数据可用性有限时,在RUL预测方面表现强.
- 这项研究为开发可靠的离子电池RUL预测器提供了实际见解.
