一种用于锂离子电池剩余使用寿命和拐点预测的数据驱动多任务学习框架

《Computers & Chemical Engineering》：A Data-Driven Multi-task Learning Framework for Lithium-Ion Battery Remaining Useful Life and Knee Point Prediction

　　

摘要

准确预测剩余使用寿命（RUL）和拐点对于可靠的锂离子电池管理至关重要。现有的数据驱动方法在处理变长度数据时会产生对齐伪影，RUL预测与拐点预测之间存在时间敏感度分化，并且会出现非物理性的寿命反弹。为克服这些局限，本文提出了一种显著性与任务特定深度可分离卷积Transformer（ST-DSCT）模型，建立了一个仅利用10个充电循环滑窗的多任务学习框架。开发了一种时间显著性注意力（TSA）机制，用于感知充电截止边界并缓解对齐失真。随后，通过局部时间惯性（LTI）模块提取循环间退化运动学特征。一种任务特定路由（TSR）机制动态评估历史循环的显著性，有效解耦RUL和拐点所需的差异时间依赖关系。此外，集成了单调性惩罚以消除非物理性的寿命反弹。在MIT数据集上的评估表明，RUL的平均绝对误差（MAE）为10.33个循环，拐点为11.22个循环。得益于共享编码器架构，与并行单任务模型相比，所提出的模型将计算FLOPs降低了47.26%，推理延迟降低了42.09%。

引言

由于锂离子电池不可逆的理化退化，准确预测其剩余使用寿命（RUL）对于防止突发的容量下降和故障以及确保系统可靠运行至关重要（Zhang等, 2022, Zhao等, 2025, Li等, 2025）。在RUL预测方面，现有的研究方法主要分为基于物理的方法和基于数据的方法（Huang & Ma, 2024, Song等, 2024, Lu等, 2025）。基于物理的方法能够表征电化学机制，并描述内部退化动力学，如活性锂离子的损失以及阳极和阴极活性材料的消耗（Wang等, 2025, He等, 2025, Cao等, 2026）。然而，这些方法的缺点在于其数学公式极其复杂，且对动态运行条件的适应性较差。基于数据的方法将电池复杂的内部机制视为黑箱模型，直接在数据与电池老化状态之间建立映射关系（Peng等, 2026, Li等, 2026, Xu等, 2026）。通过避免求解复杂的电化学偏微分方程，这些方法具有卓越的工程灵活性、计算效率和泛化能力（Zheng等, 2026, Gao等, 2026）。

在各种基于数据的方法中，端到端特征提取已逐渐取代了复杂的人工特征提取，直接利用原始充电曲线（Fan等, 2026, Jiang等, 2026）。Jia等人和Ouyang等人均成功部署了卷积神经网络（CNN）用于端到端特征提取（Jia等, 2024, Ouyang等, 2026），而Yu等人提出了一种轻量级时间卷积网络（TCN）（Yu等, 2025）。现有方法强制进行固定维度的填充或插值（Gu等, 2025, Xue等, 2025, Ma等, 2022），这不可避免地引入了结构伪影，掩盖了嵌入在充电截止边界中的物理退化信息，并导致显著的信息损失。

电池退化遵循非线性轨迹，在通过由内部锂沉积累积和固态电解质界面（SEI）膜过度生长引起的关键拐点后，容量会急剧下降（Zhang & Zhao, 2023）。准确预测该拐点对主动的电池安全和寿命管理至关重要（You等, 2023）。为捕获此类局部容量下降与整体老化之间的协同相关性，多任务学习（MTL）框架已被广泛用于联合预测RUL和拐点（Liu等, 2025, Lu等, 2026, Tang等, 2026）。尽管这些联合预测纳入了多维退化信息，但现有的MTL架构主要采用共享全连接层。这些共享结构未能考虑两个目标的差异时间敏感度，阻止了模型解耦特征提取路径并分配各任务所需的独特时间聚焦。

Transformer模型已展现出捕获长期依赖关系的能力（Zhang等, 2026）。Vaideeswaran等人将TCN与Transformer集成（Vaideeswaran, Senthil Kumar & Kumar, 2026）。Wang等人提出了一种用于RUL估计的指数Transformer（Wang等, 2025）。然而，当应用于高度受限的历史输入窗口时，标准Transformer难以跟踪局部瞬态退化速率。由于这些方法忽视了循环间的运动学变化且缺乏显式的物理约束，它们经常产生违反电池老化不可逆单调退化趋势的非物理性寿命反弹。

为同时克服对齐伪影、时间敏感度冲突和非物理性寿命反弹的局限，本文提出了一种名为显著性与任务特定深度可分离卷积Transformer（ST-DSCT）的新型多任务学习框架，用于仅利用10个历史充电循环对电池RUL和拐点进行准确的多任务预测。本文的主要贡献总结如下：

• 1.
  提出了一种时间显著性注意力（TSA）机制来解决序列对齐挑战。通过在已填充区域中动态感知充电截止边界，该模块利用它们作为空间特征，有效缓解了传统对齐操作引起的结构伪影和信息损失。
• 2.
  设计了一种任务特定路由（TSR）机制来处理不同预测目标的差异时间敏感度。通过动态路由，它为RUL和拐点分配独立的时间注意力权重，解耦特征提取路径，使网络能够捕获目标特定的退化聚焦。
• 3.
  构建了带有局部时间惯性（LTI）和单调性惩罚的联合预测架构。引入LTI模块以显式捕获循环间的退化运动学特征，而单调性惩罚迫使输出遵守电池老化的不可逆物理规律，从而消除非物理性的寿命反弹。

本文其余部分组织如下：第2节介绍数据预处理和特征提取。第3节详细阐述了所提出多任务学习框架的方法。第4节呈现结果和讨论。最后，第5节得出结论。

章节摘要

数据集

本研究使用了三个独立的开源锂离子电池退化数据集。MIT数据集作为模型训练、验证和测试的主要基准，而XJTU和NCA数据集专门用于泛化性验证。

主要数据集是麻省理工学院（MIT）发布的快速充电老化数据集（Severson等, 2019）。该数据集包含124个商用LiFePO?石墨电池单体，标称

方法论

本节提出了一种多任务学习框架，以实现RUL和拐点的高度准确联合预测。如图3所示，该框架接受来自充电循环历史窗口的已对齐三元组序列。它采用时间显著性注意力（TSA）机制动态检测充电边界并缓解对齐伪影，使用局部时间惯性（LTI）捕获退化速率，并利用任务特定路由（TSR）机制来考虑

实验设置与评估指标

为评估所提出的框架，将MIT数据集中的124个电池单体按3:1:1的比例划分为训练集、验证集和测试集。所有输入特征均基于训练集的全局统计量进行了Z-score标准化，以防止数据泄漏。在训练过程中，如果验证损失未能改进，则会触发耐心值为50个epoch的早停机制。

所有实验均在配备Python 3.8的Windows 10工作站上实现，并

结论

RUL和拐点的准确多任务预测对于可靠的电池管理至关重要。本文提出了ST-DSCT多任务学习框架，利用充电曲线实现RUL和拐点的高度准确联合预测。TSA机制识别填充边界限制并执行时间增强，而LTI模块提取循环间退化速率以提供动态跟踪特征。为解决RUL的不同历史依赖

CRediT作者贡献声明

孙浩宇：概念化、数据管理、形式化分析、方法论、软件、验证、调查研究、原创草稿撰写、可视化。贾建方：概念化、形式化分析、方法论、调查研究、资源、审阅与编辑、监督、项目管理、资金获取。庞晓琼：监督、项目管理、资金获取。文杰：监督、项目管理、资金获取。石元浩：监督，

数据可用性

数据可根据请求提供。

CRediT作者贡献声明

孙浩宇：原创草稿撰写、可视化、验证、软件、方法论、调查研究、形式化分析、数据管理、概念化。贾建方：审阅与编辑、监督、资源、项目管理、方法论、调查研究、资金获取、形式化分析、概念化。庞晓琼：监督、项目管理、资金获取。文杰：监督、项目管理、资金获取。石元浩：监督，

孙浩宇|贾建方|庞晓琼|文杰|石元浩|曾建超