arXiv cs.AI· Sungeun Kim, Mingyu Jung, Yuri Kim, Jin-Sung Park, Jongbin Ryu·· 12 小时前AI 评分26
基于压缩连续小波特征与深度神经网络的单周期电池剩余使用寿命预测
Single-Cycle Battery Remaining Useful Life Prediction with Compressed Continuous Wavelet Features and Deep Neural Networks
AI 导读
研究提出一种单周期电池剩余使用寿命预测框架，用连续小波变换将电压、电流、容量信号转为时频表示，再做尺度压缩去除冗余。在覆盖多种电极化学体系与循环协议的七个公开电池数据集衍生的八个基准上，该方法在仅用1个周期输入时即优于此前方法，并在输入周期从1增至100时保持稳健。冗余-保真度分析刻画了尺度压缩带来的权衡，梯度可视化显示模型关注充放电中结构化信号跃迁对应的局部时频区域。
正文 · AI 翻译
摘要：锂离子电池广泛应用于工业领域，但其性能会随时间逐渐退化，因此准确的寿命预测对安全性和可靠性至关重要。然而，可靠的寿命评估通常需要大量的退化测试，既昂贵又耗时。为减轻这一负担，近期的数据驱动方法试图仅根据最初的几个循环来预测电池的寿命终止循环。尽管如此，从如此有限的早期循环数据中识别可靠的退化模式仍然具有挑战性，因为早期老化动态往往微妙且非线性。为解决这一问题，我们采用连续小波变换将逐循环的电压、电流和容量信号转换为时频表示，从而实现对退化行为的多分辨率表征。基于这一表示，我们应用尺度压缩以减少冗余，同时保留尺度图中的结构信息。我们在八个基准数据集上评估了所提出的框架，这些数据集源自七个公开电池数据集，涵盖多种电极化学体系、电芯外形尺寸和循环协议。实验结果表明，所提出的框架在单循环剩余使用寿命预测中始终优于先前方法，并且在输入循环数从 1 增加到 100 时保持稳健。此外，冗余-保真度分析刻画了尺度压缩带来的权衡，基于梯度的可视化解释表明，模型关注与充放电运行期间结构化信号转变相关的局部时频区域。这些结果证明了所提出的框架在早期循环电池剩余使用寿命预测中的有效性和可解释性。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.34159 [cs.LG] |
| （或 arXiv:2610.34159v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.34159 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 期刊 参考： | Applied Energy 427 (2027) 128798 |
| 相关 DOI： | https://doi.org/10.1016/j.apenergy.2026.128798
链接到相关资源的 DOI |
提交历史
来自：Sungeun Kim [查看电子邮件]
[v1]
2026年10月25日星期日 08:40:48 UTC（2,987 KB）
来源：arXiv cs.AI · arxiv.org