基于多模态数据信息对齐与局部-全局并行CNN-Transformer网络的锂离子电池健康状态跨域估计

为解决锂离子电池在跨工况下健康状态(SOH)估计精度不足的问题，研究人员提出了一种融合多模态数据对齐与并行CNN-Transformer架构的创新框架MM-LG-CNNT。该研究通过整合原始序列与递归图图像表征，结合MMD、CORAL和对抗学习的多信息对齐策略，显著提升了有限无标签数据场景下的SOH估计性能，为电池安全管理提供了高鲁棒性解决方案。

　　

锂离子电池(LIBs)作为现代能源系统的核心组件，其健康状态(State of Health, SOH)的精准估计直接关系到电动汽车和储能系统的安全运行。然而，现实场景中电池工况复杂多变，新工况下早期数据匮乏且无完整标签，导致传统数据驱动方法泛化能力受限。更棘手的是，现有方法多依赖单一数据模态或网络结构，难以同时捕捉局部退化特征与全局依赖关系，而迁移学习领域的信息对齐策略也往往顾此失彼——要么仅关注数据结构对齐，要么偏重域标签对齐。这些瓶颈使得现有SOH估计模型在跨域场景中表现欠佳。

针对这些挑战，国内研究人员创新性地提出了MM-LG-CNNT框架。该工作通过并行CNN-Transformer架构实现局部退化模式与长程依赖的协同捕捉：CNN模块专注提取电压/电流序列的局部波动特征，而Transformer模块解析全局退化趋势。更突破性的是，研究团队设计了多模态数据融合方案，将原始时间序列与其递归图(Recurrence Plots, RPs)图像表征联合输入，使模型同时利用时频域和图像空间信息。在域适应策略上，创造性整合了最大均值差异(Maximum Mean Discrepancy, MMD)、相关对齐(CORrelation ALignment, CORAL)和对抗学习，首次实现数据结构与域标签信息的双重对齐。实验证明，该框架在NASA和CALCE数据集上均显著优于基线模型，MAE降低达23.7%，为有限数据条件下的电池健康管理提供了新范式。

关键技术方法包括：1) 构建局部-全局并行网络，CNN分支采用3层卷积提取局部特征，Transformer分支通过4头注意力机制捕捉长程依赖；2) 将原始充放电序列转化为递归图实现多模态表征；3) 设计混合损失函数，联合优化MMD距离、CORAL矩阵差异和对抗损失；4) 使用NASA 18650电池数据集(B0005/B0006/B0007)和CALCE数据集进行跨域验证。

Methodology
研究团队首先定义迁移学习场景：源域为完整标签的电池数据，目标域为少量无标签数据。网络架构包含双通道输入层，分别处理原始序列和RP图像。特征提取阶段，1D-CNN捕获局部充放电波动，Transformer编码器通过自注意力建立跨周期关联。多信息对齐模块中，MMD最小化源/目标域高阶矩差异，CORAL对齐二阶统计量，域判别器通过对抗训练消除域偏移。

Set up
实验采用恒流-恒压充电(1.5A/4.2V)和恒流放电(2A至2.7V截止)数据。RP图像通过时延嵌入重构相空间生成。对比模型包括LSTM、TCN和单一模态变体，评估指标采用MAE、RMSE和R²
。

Conclusion
MM-LG-CNNT在跨温度工况测试中展现显著优势：1) 并行架构使局部特征提取精度提升18.2%，全局依赖建模误差降低31.5%；2) 多模态融合策略较单一序列输入MAE下降23.7%；3) 双重对齐策略使域适应效果优于单一MMD或CORAL方法。该框架为实际应用中数据稀缺场景的电池健康监测提供了可靠解决方案，其多信息对齐思想可拓展至其他时序预测任务。

CRediT authorship contribution statement
Xuanang Gui主导算法设计与论文撰写，Junrong Du参与方法论构建，Qianlong Wang负责数据验证，Huan Zhao提供资源支持，Yuheng Cheng完成可视化分析，Junhua Zhao统筹项目管理。团队协作攻克了跨域特征对齐与多模态融合的技术难题。

这项发表于《Journal of Energy Storage》的研究，通过原创性的网络架构和信息对齐策略，将LIBs的SOH估计精度推向新高度。其价值不仅体现在工程应用层面，更为多模态时序数据分析提供了普适性方法论参考，对智慧能源系统的智能化发展具有深远意义。