基于物理引导的掩码多任务网络用于随机碎片化充电曲线下的边缘友好型电池健康诊断

arXiv cs.LG 论文
battery-health multi-task-learning transformer edge-computing lithium-ion state-of-health remaining-useful-life

摘要

提出RoSIP-Batt，一种物理引导的多任务变换器，用于联合估计电池健康状态和剩余使用寿命，在NASA、MIT-Stanford和HUST数据集上实现了最先进的精度。

arXiv:2607.18330v1 公告类型：新 摘要：部署可靠的锂离子电池管理系统对于加速电气化至关重要，然而健康状态（SOH）和剩余使用寿命（RUL）的联合预测仍受到任务异方差性的严重阻碍。传统的多任务学习框架无法在SOH估计的有界低方差噪声与长期RUL预测的无界非线性扩展不确定性之间取得平衡。在此，我们提出了旋转SOH注入先验电池变换器（RoSIP-Batt），这是一个统一的联合估计框架，解决了这些优化冲突。通过将联合预测表述为贝叶斯多任务目标，RoSIP-Batt引入了一种同方差不确定性加权机制，根据学习到的残差噪声水平动态缩放特定任务的梯度。该架构利用解耦的双分类令牌和逐维度门控融合机制，并通过梯度分离操作符来防止高方差RUL更新破坏稳定的SOH表示空间。为了在不依赖绝对循环步数的情况下捕捉电化学退化模式，将旋转位置编码（RoPE）集成到共享的Transformer主干中，以建模平移不变的相对时间轮廓。关键是，中间SOH估计值作为物理退化先验直接注入到RUL回归头中。在NASA、MIT-Stanford和HUST数据集上的评估表明，RoSIP-Batt显著优于最先进的基线方法，在NASA上将SOH估计误差降至1.994% MAE，在Stanford上将RUL预测误差限制在62.85个循环内。这些发现确立了RoSIP-Batt作为一种高度通用、计算高效的解决方案，适用于实时嵌入式电池管理系统部署。
查看原文
查看缓存全文

缓存时间: 2026/07/22 08:19 

# 物理引导的掩码多任务网络：面向随机碎片化充电曲线的边缘友好型电池健康诊断

来源：https://arxiv.org/abs/2607.18330  
查看 PDF (https://arxiv.org/pdf/2607.18330)

> **摘要：** 部署可靠的锂离子电池管理系统对于加速电气化进程至关重要，然而健康状态（SOH）与剩余使用寿命（RUL）的联合预测仍受到任务异方差性的严重制约。传统的多任务学习框架无法平衡SOH估计中的有界、低方差噪声与长期RUL预测中无界、非线性扩张的不确定性。本文提出旋转SOH注入先验电池Transformer（RoSIP-Batt），一种统一联合估计框架，解决了这些优化冲突。通过将联合预测建模为贝叶斯多任务目标，RoSIP-Batt引入同方差不确定性加权机制，基于学习到的残差噪声水平动态缩放任务特定梯度。该架构利用解耦的双分类令牌和逐维度门控融合机制，并通过梯度分离算子确保高方差RUL更新不会破坏稳定的SOH表示空间。为了在不依赖绝对循环步数的情况下捕捉电化学退化模式，旋转位置嵌入（RoPE）被集成到共享Transformer骨干中，以建模平移不变的相对时间轮廓。关键在于，中间SOH估计值作为物理退化先验直接注入RUL回归头。在NASA、MIT-Stanford和HUST数据集上的评估表明，RoSIP-Batt显著优于最先进的基线方法，在NASA上将SOH估计误差降至1.994% MAE，在Stanford上将RUL预测误差限制在62.85个循环。这些结果确立了RoSIP-Batt作为一种高度泛化、计算高效的解决方案，适用于实时嵌入式BMS部署。

## 提交历史

来自：陈毅图 [查看邮箱 (https://arxiv.org/show-email/9819aad2/2607.18330)] **\[v1\]** 2026年7月19日星期日 08:20:12 UTC (3,974 KB)

相似文章

BatteryMFormer：多层级学习用于电池退化轨迹预测

arXiv cs.AI

本文提出了BatteryMFormer，一种用于早期电池退化轨迹预测的多层级Transformer，它集成了老化条件感知解码、元退化模式记忆和双视角编码，以捕捉多层级退化结构和SOC局部变化，在四个电池领域上持续优于最先进的基线方法。