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

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

本文介绍了机器学习方法在估计铅酸电池 State of Health 和 Remaining Useful Life 方面的研究现状，并分析了测量铅酸电池性能的传感器组合。

Jul, 2023

使用集成神经网络进行概率剩余寿命预测的方法，可以区分出系统产生的 aleatoric 不确定性和模型参数产生的 (epistemic) 不确定性，并通过在 NASA 的涡轮喷气发动机 CMAPSS 数据集上的测试，展示了这些不确定性可以被建模和解释的方式，并与现有的先进方法进行了评估。

Sep, 2023

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

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

提出一种基于先期容量电压特征数据的电池寿命预测方法，在广泛不同充 / 放电速率和深度下，使用不超过 15% 的数据即可实现 15.1% 的平均绝对百分比误差，通过建立贝叶斯回归模型还可实现对超额样本的预测，文章同时提供了一个电池老化过程公共数据集，在电池的预防性维护、保修和电池设计制造方面具有重要意义。

Jul, 2023

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

通过检测设备的变化点，并利用所学习的变化点来提高剩余使用寿命估计的准确性，该论文提出了一种基于时间动力学学习的新模型。通过将传感器数据分解为可推广并代表多种工况下正常操作动态的融合时间相关特征，来进行离线模型开发。从这些学到的时间特征动态构建监控统计和正常行为控制限阈值，用于无监督检测设备级别的变化点。然后，使用这些检测到的变化点来标记降解数据，以训练基于 LSTM 的剩余使用寿命估计模型。在在线监测期间，监测查询设备的时间相关动态是否超过离线训练得出的控制限。若检测到变化点，则使用训练有素的离线模型估计设备的剩余使用寿命，以进行早期预防措施。在以 C-MAPSS 涡轮风扇发动机为案例研究的情况下，该方法相比不考虑异质变化点的现有 LSTM 基准模型，将准确性提高了 5.6％和 7.5％（针对六种工况的两种情况）。

Jan, 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