《Batteries》：Mission-Phase Feature Learning for eVTOL Li-Ion Battery Prognostics: A Leakage-Safe Cell-Held-Out Benchmark for SOC, SOH, and RUL
编辑推荐：
针对电动垂直起降（eVTOL）飞行器的可靠电池预测需要模型保留阶段相关的电热信息，同时泛化到训练中未见的电池。本研究重构了公共CMU eVTOL电池数据集，并建立了面向荷电状态（SOC）、五任务前向健康状态（SOH）和基于阈值的剩余使用寿命（RUL）的无泄漏基
针对电动垂直起降（eVTOL）飞行器的可靠电池预测需要模型保留阶段相关的电热信息，同时泛化到训练中未见的电池。本研究重构了公共CMU eVTOL电池数据集，并建立了面向荷电状态（SOC）、五任务前向健康状态（SOH）和基于阈值的剩余使用寿命（RUL）的无泄漏基准。通过协议基筛选，研究人员在22个电池中识别出441个有效的C/5参考性能测试锚点；三个具有非单调诊断容量轨迹的电池被排除在主要健康基准之外，剩余19个电池。预测变量仅限于遥测推导的相位和任务特征，排除了电池身份以及目标或未来推导的量。所有健康模型均使用外留一细胞验证，并匹配20个任务历史进行评估。随机森林实现了最低的SOH平均绝对误差（MAE）0.620个百分点，而飞行阶段Transformer为1.252，Attention-LSTM-MoE为1.471。在90%、85%和80% SOH阈值下，最佳RUL MAE分别为24.067、46.527和122.198个任务。电池自举不确定性显示模型差异是阈值依赖的。行随机分割产生的误差比留一电池评估乐观得多。这些结果表明，严格的目标构造和无泄漏验证至关重要，且增加序列模型复杂度并不能保证对未见电池的优越泛化能力。
## 论文解读
### 研究背景与问题
电动垂直起降（eVTOL）飞行器将锂离子电池暴露于高度结构化且快速变化的任务周期中。起飞和降落施加短时高功率需求，巡航产生较低但持续的放电负荷，快速周转可能将多次飞行任务与高倍率充电和高荷电状态耦合。因此，电流、电压、温度和能量轨迹强烈依赖于任务阶段。保留相位身份的预测特征可以比仅聚合整个任务更明确地表示局部电压降、热响应、充电接受能力、功率需求和累积能量暴露。现有eVTOL电池研究已经证明，工程化的充电、放电、温度和任务剖面描述符可以支持SOH和RUL预测。然而，目前存在三个方法论问题：第一，将整个飞行任务聚合为单一表示可能抑制与起飞、巡航、着陆和充电相关的顺序和局部应力特征；第二，同一电池的连续任务和重叠时间窗口高度相关，随机样本级分割可能测量的是电池内插值而非对未见电池的泛化；第三，RUL本质上是事件时间量，将记录数据结束点视为失效点（当SOH阈值实际未观察到）会将右删失观测转化为人工事件。因此，一个可信的eVTOL电池基准必须同时控制特征可用性、目标构造、时间历史和电池级验证。
### 研究内容与结论
本研究旨在建立一种无泄漏、留一电池基准，用于飞行阶段感知的SOC、SOH和基于阈值的RUL估计。研究人员使用公共CMU eVTOL电池数据集，重构了协议一致的参考性能测试（RPT）锚点，排除非单调诊断容量轨迹的电池，设计了仅从遥测和操作信息中推导的飞行阶段特征，并采用外留一细胞（LOCO）验证，确保预处理、缩放、模型选择、早停和校准均排除外测试电池。在匹配的20任务历史条件下，树集成模型（随机森林、CatBoost、LightGBM、XGBoost）在SOH预测上优于序列模型（Attention-LSTM-MoE、任务相位Transformer）。随机森林实现了最低的SOH MAE 0.620个百分点，而任务相位Transformer为1.252，Attention-LSTM-MoE为1.471。RUL预测误差随阈值从90%降至80%而显著增大，最佳MAE分别为24.067、46.527和122.198个任务。行随机分割验证产生远低于留一电池验证的误差，表明样本级重叠会严重低估泛化难度。该研究强调了严格目标构造、预测时间信息匹配和电池分离验证在电池预测基准测试中的重要性，论文发表在《Batteries》。
### 主要关键技术方法
研究人员采用以下关键技术方法：数据来源于公共CMU eVTOL电池数据集，包含22个索尼Murata VTC6锂离子电池的遥测数据；通过协议基C/5参考性能测试检测器重构441个有效的RPT锚点，并排除三个非单调电池（VAH06、VAH07、VAH09）；设计飞行阶段特征工程，从遥测数据中提取相位级和任务级特征，排除未来任务、目标或电池身份信息；构造SOH目标（基于线性插值）、阈值基RUL目标（考虑右删失）和SOC目标（通过库仑计数）；构建长度20任务的历史序列，采用留一细胞（LOCO）交叉验证，以匹配时间信息；评估模型包括随机森林、XGBoost、CatBoost、LightGBM、Attention-LSTM-MoE、任务相位Transformer等。
### 研究结果
**3.1 SOH预测性能**：在匹配历史SOH基准中，序列模型并未显示优势。随机森林实现样本加权MAE 0.620个百分点和RMSE 0.850，优于CatBoost、LightGBM、XGBoost（MAE分别为0.641、0.655、0.669）。Attention-LSTM获得MAE 0.812，而任务相位Transformer和Attention-LSTM-MoE产生较大误差（1.252和1.471）。这表明，在相同的20任务历史下，树集成对未见电池泛化更准确。
**3.2 LOCO与行随机分割比较**：验证控制分析显示，行随机分割下随机森林SOH MAE为0.037个百分点，而LOCO为0.620，表明样本级重叠会大幅低估未见电池误差。其他模型也呈现相同趋势。
**3.3 阈值基RUL预测性能**：RUL难度随阈值从90%降至80%而显著增加。最佳MAE在90% SOH为24.067任务，85%为46.527，80%为122.198。序列模型MAE分别为34.283–34.540、69.937–77.180和181.553–184.733任务。电池自举区间显示模型差异是阈值依赖的。
**3.4 SOC增量与直接绝对SOC比较**：SOC目标构造控制比较了直接预测相位结束SOC与递归重构相位级SOC增量。对于随机森林，递归公式的全局相位MAE为1.097个百分点，直接预测为1.194；任务结束直接预测略优（MAE 1.762 vs 1.817）。增量误差不一定转化为更低的终端误差。
**3.5 物理一致性与校准**：阈值特定RUL预测要求物理一致性(RUL
80% ≥ RUL
85% ≥ RUL
90%)。校准参数基于验证电池估计，并应用于留出电池。
**3.6 探索性Top-k路由敏感性**：固定专家数E=6时，比较路由稀疏度k=1,2,3。RUL85平均MAE在k=2时最低（86.00任务），但标准差重叠，未确立统计优越性。
**3.7 SOH标签处理、噪声鲁棒性与输出头敏感性**：标签平滑（5任务滚动中位数）仅产生微小变化（随机森林MAE从0.637降至0.633）。训练标签添加1σ和2σ噪声未显著改变误差。输出头分析显示，Softplus退化头约束非负增加了鲁棒性，引入微小偏差（-0.0099个百分点）。这些控制表明主要SOH排名不受标签波动驱动。
### 讨论与结论
**讨论总结**：本研究发现无泄漏留一电池验证改变了模型性能的解释。在相同20任务历史下，树集成优于序列模型，表明工程化相位特征已压缩大量有用退化信息，树集成能有效划分非线性关系。RUL预测从90%到80% SOH难度增加，反映更长预测视界和更少事件支持。行随机控制表明样本级分割会严重低估跨电池泛化难度。研究局限性包括：数据集为实验室单电池级记录，排除三个非单调电池，事件支持随阈值降低减少，模型未在完全相等计算预算下调优，工程化特征可能偏向紧凑表格描述符。
**结论翻译**：本研究使用公共CMU eVTOL电池数据集，建立了一个面向飞行阶段感知的SOC、SOH和阈值基RUL估计的无泄漏、留一电池基准。修订后的流程将遥测预测变量与目标推导信息分离，从协议一致的诊断容量锚点重构SOH，将未观察到的RUL阈值交叉视为右删失，并在预处理、模型选择和校准中排除留出电池。在匹配的20任务历史下，树集成对未见电池的SOH泛化优于主要神经序列模型。随机森林实现SOH MAE 0.620个百分点，而任务相位Transformer为1.252，Attention-LSTM-MoE为1.471。RUL误差随预测视界从90%延长至80% SOH阈值而显著增加，不确定性分析表明模型差异是阈值依赖的而非普遍显著。行随机控制进一步表明样本级分割可能大幅低估预测模型向未见电池转移的难度。总体而言，结果指出，在eVTOL应用电池预测基准测试中，严格目标构造、预测时间信息匹配和电池分离验证至少与架构复杂性同等重要。
