标签
本文提出一种基于物理信息的深度学习方法，用于利用不完整放电曲线进行锂离子电池健康状态估计，实现高精度估计并能够实时预测退化趋势。
本文介绍了PiDDM，一种物理信息可微退化建模框架，将电池退化动力学嵌入神经网络训练中，以提高锂离子电池健康状态预测的准确性和在不同循环协议下的物理一致性。
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。
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。
本文介绍MagBridge-Battery，这是一个包含6,760个磁场信号的合成数据集，用于锂离子电池健康状态诊断，结合真实磁形态学与真实退化标签，以弥合公开磁感应电池数据方面的空白。