本研究采用贝叶斯集成学习方法，结合神经网络和贝叶斯建模概念，预测锂离子电池容量衰减，同时量化电池设计和老化过程所带来的不确定性，实现了对复杂、遥远和可靠操作自主系统潜力的准确预测。

May, 2024

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

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

电池电动车（BEV）在现代城市中具有越来越重要的意义，它们有潜力减少空气污染。精确和实时地估计其能量消耗对有效的行程规划和优化车辆系统至关重要，这可以减少驾驶里程焦虑和降低能量成本。随着公众对数据隐私的意识增强，在 BEV 能量消耗建模背景下采用保护数据隐私的方法至关重要。联邦学习（FL）是一种有前景的解决方案，通过允许本地数据保留在设备上，并仅与中央服务器共享模型更新，从而降低了向第三方揭示敏感信息的风险。我们的研究调查了使用 FL 方法如 FedAvg 和 FedPer 来改进 BEV 能量消耗预测同时保持用户隐私的潜力。我们使用来自 10 辆 BEV 在模拟真实驾驶条件下的数据进行实验。我们的结果表明，FedAvg-LSTM 模型在预测结果的 MAE 值上实现了最多 67.84％的降低。此外，我们探索了各种真实世界情景，并讨论了如何在这些情况下使用 FL 方法。我们的研究结果表明，FL 方法可以在保持用户隐私的同时有效提高 BEV 能量消耗预测的性能。

Dec, 2023

利用混合概率方法，根据物理模型和概率纠错模型，预测锂聚合物电池的放电结束电压；通过对实际数据集进行评估，该方法相比其他概率方法在概率准确性上表现出 14.8% 的改善，并为电池健康状态的诊断提供了可靠的估计。

Apr, 2024

应用高斯过程电阻模型对锂铁磷酸盐电池的实测数据进行分析，实现了对时间依赖性和工作点依赖性电阻的有效分离，进而通过递归时空高斯过程开发了概率性故障检测规则，能够进行高效的在线监测，进一步深入了解电池组在实际应用中的失效过程。

Jun, 2024

本文提出了一种联邦预测模型，允许多个用户共同构建基于多流、高维和不完整数据的故障时间预测模型，同时保持每个用户的数据本地和保密。该预测模型首先使用多元功能主成分分析融合多流退化信号，然后利用融合特征和失效时间来构建（对数）位置 - 比例回归模型进行故障预测。为了使用分布式数据集进行参数估计并保护所有参与者的数据隐私，我们提出了一种新的联邦算法进行特征提取。数值研究表明，所提出的模型的性能与经典的非联邦预测模型相同，并且优于每个用户自建模型的性能。

Nov, 2023

本文提出了一种 FL-based 健康预测模型和一种特征相似度匹配的参数聚合算法，以从异构数据中区分性地学习，利用循环衰减数据和涡轮鼓风机的非循环数据，为状态健康估计和剩余寿命估计带来高达 44.5％和 39.3％的精度提高。

May, 2023

本研究提出了一个隐私保护方案，使用联合预测模型异步支持任意数量的客户端连接，采取联邦平均法训练模型，在不将患者数据带出医院的整个过程中，训练所有某一城市医院的医疗保健数据，以预测中风的风险，并开发一个移动应用程序，以演示联邦训练过程中联合预测模型和单一预测模型的性能比较。

Jun, 2020

本文提出一种基于数据驱动和模型驱动方法相结合的混合方法来进行电池健康估计，并证明其计算效率高、数据适用性强以及对不同操作条件具有鲁棒性。实验结果表明该方法能够准确预测电池容量和内阻，为了解电池在实际应用中的老化问题提供了新机遇。

Apr, 2023