标签
本综述论文调查了大模型在电池预测与健康管理中的应用，探讨了该领域长期存在的挑战，并提出了未来研究路线图。
本文介绍了FlowBD-E1，一个早期循环生成预测框架，用于预测铁铬液流电池的全充放电电压/电流轨迹，实现亚百分比误差率的准确健康管理，并在工业验证中得到验证。
一项涵盖212项研究的系统文献综述调查了物理信息机器学习（PIML）在故障预测与健康管理（PHM）中的应用，引入了一个四类分类方案，并发现PIML相较于常规基线能持续提升预测性能，尽管文献严重偏向锂离子电池和轴承，且关于泛化性和可解释性的论断缺乏充分证据支持。
本文提出一个框架，将表格基础模型应用于工业时间序列的预测与健康管理，在多个PHM任务上展示了强大的性能和高效的数据利用率。
本文对五种用于神经网络预测涡轮燃气温度的不确定性量化方法进行了基准测试，评估了它们在覆盖范围、宽度和稳定性方面的权衡，以指导发动机的预测与健康管理。