基于自适应策略选择的领域自适应混合专家模型用于跨数据集锂离子电池健康状态预测

《Batteries》：Domain-Adaptive Mixture-of-Experts for Cross-Dataset Lithium-Ion Battery State-of-Health Prediction via Adaptive Strategy Selection

　　

摘要

由于不同阴极化学体系、工作温度以及充放电方案带来的分布偏移，锂离子电池的跨数据集健康状态（SOH）预测仍然极具挑战性。本研究借鉴已有的机器学习范式，针对电池故障预测场景定制了一种域自适应混合专家框架（DA-MoE），通过一个仅包含32个可学习参数的物理感知轻量线性门控网络，自动为每个目标域选择最优的域自适应策略。该框架集成了基于Transformer的共享骨干网络以及四种覆盖目标域信息利用全谱系的自适应策略，分别是：零样本迁移、测试时自适应、微调以及模型无关元学习。在保留一个域进行交叉验证（LODO）协议下，对来自七个公开数据集的564个电池单元进行了全面评估。结果表明，在完整域训练条件下，该框架实现了0.864的平均决定系数（R2），且与最佳策略完美对齐；当每个目标域在门控网络训练期间被排除在外时，仍保持了具有竞争力的泛化性能，平均R²达到0.795。硬argmax选择在所有七个域中始终优于加权融合，平均优势为R² +0.027，证实了在该应用场景中，四种自适应策略之间是竞争关系而非合作关系。特征消融分析表明，样本数量是策略选择的主要决定因素，移除后性能下降ΔR² = ?0.182；早期循环退化斜率和早期循环非线性指数作为次要信号，均可在部署时计算得出，无需未来的真实SOH信息。该框架为运行于异构车队中的电池管理系统提供了一种实际可部署的解决方案，具有最小的计算开销和强大的跨数据集泛化能力。