提出一种基于机器学习技术的方法，利用电压、电流和温度等各种电池性能参数，训练一个预测模型以准确预测锂离子电池的剩余使用寿命，并在一组锂离子电池循环数据集上评估了该方法的性能，取得了显著的效果

May, 2023

通过使用神经网络模型判断降解数据的健康状态并预测第一次预测周期之后的降级模式，本文提出了一种用于锂离子电池剩余寿命（RUL）预测的新方法，并通过实验证明该方法在 RUL 预测方面优于传统方法，显示出在实际场景中提供更准确可靠的电池管理能力。

Aug, 2023

利用大规模语言模型提出了一种适用于不同电池的适应性健康状态估计框架，通过测试时间训练技术保证了估计准确性，并在 62 个电池的四个公认数据集上达到了最先进的准确度。

Jan, 2024

开发了一种考虑驾驶行为的特征提取方法，通过评估在真实驾驶情况下特征的获取概率，实现了可靠的电池健康监测，并突出了在开发面向特征的电池健康监测算法时平衡性能和实用性的重要性。

Sep, 2023

电池是动态系统，受到电池设计、化学成分、制造和工作条件等复杂的非线性老化影响。预测电池的循环寿命和估算老化状态对于加快电池的研发和测试，以及进一步了解电池的退化过程非常重要。本教程首先概述了循环寿命预测的基本原理、机器学习和混合电池模型。然后，解释了从实验室测试数据中开发可解释的机器学习模型的典型流程，并且强调了机器学习模型所面临的挑战，以此来激发将物理学引入混合建模方法的动机，后者对于解读电池的老化轨迹至关重要，但需要更多的数据和进一步研究电池退化的物理学。本教程最后讨论了普适性和进一步的研究方向。

Apr, 2024

本文介绍了 AutoRUL，这是一种自动化 RUL（Remaining Useful Life）预测的自动机器学习（AutoML）驱动的端到端方法，结合了标准回归方法的微调和高预测能力的集成，为领域专家提供了一种消除构建数据驱动模型中的机器学习专业知识，使 RUL 预测更易于实现的替代方案。

Jun, 2023

研究论文探讨了锂离子电池（Li-on）与预测与健康管理的无缝集成，提供了一种多学科方法，增强了这些动力源的可靠性、安全性和性能。重点深入探讨了剩余寿命（RUL），强调其在预测组件故障之前的作用。论文综述了各种 RUL 预测方法，从传统模型到尖端的数据驱动技术。此外，它强调了深度学习架构在锂离子电池健康预测领域中的转变，解释了深度学习在解决电池系统复杂性中的关键作用。还探讨了 PHM 在各行业的实际应用，为读者提供了对实际实施的洞察。该论文旨在成为锂离子电池 PHM 领域研究人员和实践者的全面指南。

Mar, 2024

利用不足的数据，比较了不同的机器学习算法和深度学习算法，发现使用手工特征的机器学习模型在预测锂离子电池的剩余寿命方面表现良好，尤其是 Random Forest Regressor 算法，可以实现平均 9.8% 的绝对百分比误差。相比之下，深度学习模型在小样本原始数据上表现不佳，手工特征的机器学习模型在预测锂离子电池寿命方面更为有效。

Dec, 2023

提出了一种基于时空多模态注意网络（ST-MAN）的二阶段锂离子电池剩余寿命预测方案，能够捕捉电池数据中复杂的时空依赖关系，并在预测剩余寿命方面实现了最先进的性能。

Oct, 2023

通过使用深度转换网络，我们展示了对 28 个电池健康描述符进行预测的第一步，使用两组循环数据集代表了六种锂离子阴极化学组成（LFP，NMC111，NMC532，NMC622，HE5050 和 5Vspinel），多种电解质 / 阳极组成和不同的充放电方案。这些预测与电池寿命相比的准确性（对于一个 LFP 快充数据集预测终点寿命的绝对平均误差为 19 个循环）展示了深度学习在提供更深入理解和控制电池健康方面的潜力。

Sep, 2023