摘要
由于锂离子电池的退化过程具有高度的非线性特征，且在不同使用条件下的数据差异极大，因此准确预测其剩余使用寿命仍是一项极具挑战性且复杂的任务。尽管卷积神经网络在电池健康管理方面展现出潜力，但传统架构在处理深度特征空间中的梯度消失问题时存在困难，同时也不具备在多种退化条件下过滤早期周期噪声的能力。为提升在各种不同基准数据集上的剩余使用寿命估算精度，本文提出了一种融合残差连接与双注意力机制的深度学习框架——ResCNN。具体而言，残差结构有助于在提取电池退化模式的过程中减少梯度衰减。与此同时，挤压激励与多头注意力模块能够自适应地调整各通道特征的重要性，并捕捉复杂容量衰减过程中的长时序依赖关系。该框架通过在多种退化条件以及不同的正极材料体系（LFP和LCO）上进行测试，结合针对特定数据集设计的训练/验证/测试方案以及严格的源数据到目标数据的跨数据集迁移测试进行了评估。实验结果表明，与基线模型相比，ResCNN在所有测试数据集上都能实现更低的预测误差，并且无需针对目标数据集进行训练，依然能在未知数据集上保持良好的解释能力。进一步的消融研究则验证了各个架构组件在捕捉电池固有老化现象方面的协同作用。
