一种用于锂离子电池健康状态预测的多域退化信号特征提取与自适应特征融合回归方法

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：A multi-domain degradation signal feature extraction and adaptive feature fusion regression method for state of health prediction in lithium-ion batteries

　　

-构建了多域退化曲线以提取52维物理健康特征。-进行了多指标评估以识别九个关键SOH特征。-提出了AFFR模型以实现自适应特征融合与重拟合。-在NASA和MIT数据集上验证了该模型的高精度和轻量化优势。

引言
由于锂离子电池具有能量密度高、循环寿命长和自放电率低等优点，它们被广泛应用于新能源汽车、储能系统和便携式电子设备。然而，随着其使用范围的不断扩大，长期使用过程中性能退化的问题日益凸显[1], [2]。活性物质损失、可循环锂离子损失、欧姆电阻增大以及极化加剧等综合作用，导致电池逐渐出现容量衰减、输出电压平台下移、充放电效率降低以及热特性恶化等现象。这些影响会损害系统的可用能量、功率响应和运行安全[3], [4]。健康状态（SOH）是衡量电池性能退化的关键指标，直接反映容量保持率和剩余性能。对SOH进行准确评估和预测对于电池管理系统中的状态监测、寿命维护和安全预警具有重要意义[5], [6]。

从机理角度来看，SOH的演化并非单一变量的平滑变化，而是由多种退化过程耦合作用的综合表现[7], [8]。电池老化不仅体现在宏观层面，如充放电循环缩短、电压平台偏移和容量范围收窄，还体现在微观层面，表现为微分容量峰衰减、峰位偏移和动力学响应突变等变化[9]。在整个充放电过程中，与电池退化相关的信息同时携带于时间、荷电状态（SOC）、电压、容量和增量响应等高维数据中。尽管这些维度间的特征相互耦合，但也表现出一定程度的冗余性[10], [11]。因此，SOH预测研究的核心科学挑战不仅仅在于"如何建立映射模型"，更在于如何从复杂的充放电退化信号中提取有效的健康信息，使其能够稳定表征老化机理、对SOH变化敏感并适用于预测建模[12], [13]。若忽视这一问题，即使采用复杂模型也难以获得稳定、可靠且具有一般性的预测结果。

为应对这些挑战，现有研究发展了三种技术路线。第一类是基于电化学机理或等效电路的模型驱动方法[14]。这些方法能够在物理层面解释容量衰减、阻抗增大和反应动力学变化，具有较强的机理洞察力。然而，它们通常严重依赖先验假设和参数辨识，使得模型构建和应用过程较为复杂。当运行条件波动较大或老化行为呈现显著非线性时，这些方法往往不适用[15], [16]。第二类是基于工程特征和传统机器学习的SOH估计方法[17]。这些方法通常从充放电曲线中提取统计特征，如电压、容量、内阻或增量曲线，并结合回归模型来预测SOH。其优点在于实现简单、训练数据需求低。然而，其性能高度依赖特征设计质量[18], [19]。当候选特征维度较高导致显著冗余，或模型对退化阶段缺乏敏感性时，会出现泛化能力不足和预测稳定性下降等问题[20], [21], [22]。第三类是基于深度学习的时间序列建模方法，如循环神经网络、卷积循环网络和卷积时间网络[23], [24]。这些方法能够自动揭示原始信号中的复杂非线性关系，并在某些条件下展现出强大的拟合能力。然而，它们通常需要大量数据，训练成本较高，同时还面临参数数量庞大、可解释性差以及跨数据集迁移能力不稳定等实际挑战[25], [26], [27]。

对现有研究的进一步分析揭示了SOH预测领域仍待解决的三个关键挑战。第一，退化信息表征不足[28], [29]。许多研究侧重于使用原始时间序列数据或有限的经验特征进行建模。虽然这能在一定程度上反映SOH变化，但往往无法同时兼顾宏观层面的性能演化和微观层面的动态退化，导致对电池老化过程描述不完整[30]。例如，在充放电过程中，相对时间、累积容量、SOC归一化和增量响应等多条曲线共同反映了电池从稳态退化到加速失效的演化过程。仅依赖局部指标容易导致关键退化信息的遗漏[31]。第二，特征质量控制不足。大量候选特征并不意味着高质量输入，因为许多特征可能存在冗余表征、噪声敏感或无法有效区分退化阶段等问题[32], [33]。若没有对相关性、稳定性和阶段敏感性进行全面评估，高维特征不仅无法提高预测精度，还会增加训练负担，甚至引发维度灾难[34]。第三，建模机制与特征结构不匹配。传统线性模型难以充分捕捉SOH与健康特征之间的复杂非线性关系，而深度学习模型尽管拟合能力强，却往往以高计算复杂度和低可解释性为代价[35]。现有方法缺乏一个统一的建模框架，能够针对有限样本量和经过压缩但仍表现出异质性与冗余噪声的特征维度问题，实现稀疏过滤、特征融合、偏差校正和物理约束[36]。

从工程角度来看，上述问题受到更严格的实际约束。在电池管理系统中，SOH估计要求模型具有高精度、高稳定性、高可解释性，并且能够在线部署[37], [38]。如果模型过度依赖大规模数据集和复杂网络结构，将难以适应数据有限、工况变化显著且实时计算资源受限的真实场景[39]。反之，如果模型优先考虑轻量化设计而忽视退化信息的有效表征，则难以保证预测结果的可靠性。因此，SOH预测研究必须在信息表征质量、模型复杂度和预测精度之间取得平衡。一方面，应尽可能从原始充放电数据中提取具有物理意义和统计鲁棒性的关键健康特征；另一方面，需要建立与这些特征结构相匹配的预测模型，使模型能够有效利用特征中的退化信息，同时抑制冗余干扰和小样本噪声的影响[40]。

综上所述，本文针对两个相互关联的问题展开研究：首先，如何针对两阶段充放电退化过程构建多维健康特征表征，识别与SOH演化密切相关的关键特征；其次，如何在低维有效特征空间内开发兼具适应性、鲁棒性和计算效率的SOH预测方法。针对这些问题，本文在特征构建和预测建模两个层面开展研究。首先，基于两阶段充放电过程，构建多维特征曲线簇，提取响应中心、响应宽度、主拐点位置和斜率对比等参数，形成52维候选健康特征，并结合相关性、稳定性、前瞻性和阶段敏感性进行综合评估以过滤冗余，最终筛选出9个关键特征。其次，提出自适应特征融合回归器（AFFR）方法，通过自适应特征融合、主动子集精炼和结构松弛重拟合实现高精度SOH预测。随后在NASA-FY08Q4和MIT数据集上进行了实验，并与PLSR、BiLSTM、GRU、CNN-LSTM和TCN等方法进行了对比，验证了本文所提方法在预测精度、计算效率和泛化能力方面的优势。

本文的主要贡献与创新可归纳如下：

（1）本文构建了针对双阶段充放电过程的多维健康特征表征体系。通过从时间域、SOC域和微分响应域中提取响应中心、响应宽度、主拐点位置和斜率对比等参数，实现了对电池退化过程的多层次、可解释表征。

（2）本文提出了一种融合相关性、稳定性、前瞻性和阶段敏感性的关键特征选择方法。在保证物理意义和统计鲁棒性的同时，该方法将52维候选特征压缩为9维关键健康特征，从而提高了特征表征质量并降低了建模复杂度。

（3）本文提出了AFFR预测模型，建立了包含"自适应筛选—主动子集精炼—结构松弛重拟合—物理边界投影"两阶段集成回归框架，从而实现了高精度、低成本的SOH预测。

数据集简介
对应NASA-FY08Q4数据集的电池电芯样品由LG制造，采用18650圆柱形封装结构。电芯的负极材料为石墨，正极材料为LiCoO?/LiNiCoAlO?复合体系。测试过程中采用恒流恒压（CC-CV）充电策略，放电倍率为1C。电芯额定容量为2 Ah，额定电压为3.7 V，充电截止电压为4.2 V。

构建自适应特征融合回归SOH预测模型
基于第2节中充放电曲线特性的系统分析及特征提取结果及其统计相关性，本文识别了九个与电池SOH演化密切相关的关键健康特征。为实现准确的SOH预测，必须开发能够有效表征特征与健康状态之间映射关系的数学模型。为此，本文提出了一种……

模型验证
基于本文开发的SOH预测框架，利用电池充放电过程中的多维特征信息构建了初始的52维特征向量。为进一步降低模型训练成本和计算时间，对所有候选特征进行了综合评估，并选取与SOH相关性最强的九个关键特征作为SOH预测模型的输入特征向量。本文随后……

结论
本文通过提出一种融合多维退化特征提取、关键特征选择和自适应特征融合回归的SOH预测方法，解决了锂离子电池SOH预测中面临的原始充放电数据高维性和强冗余性、以及模型精度与计算效率难以平衡等挑战。主要结论如下：

（1）构建了一个包含……的集成预测框架

CRediT作者贡献声明
刘文龙：撰写—审阅与编辑、撰写—初稿、可视化、验证、软件、资源、项目管理、方法论、调查、概念化。高颖：撰写—审阅与编辑、指导、获取资金、形式分析。秦顺顺：可视化、形式分析。孙伟：可视化、形式分析。朱琦：可视化、形式分析。张宇轩：可视化、形式分析。陈泰格：可视化、形式分析。

利益冲突声明
作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

致谢
本研究得到山东省技术创新引导计划（项目编号：YDZX2025065）的资助。

刘文龙 | 高颖 | 秦顺顺 | 孙伟 | 朱琦 | 张宇轩 | 陈泰格