来源：期刊VIP网 时间：
作者：胡陈艳1;于丽娅1;李传江2;李孝斌3;徐兆1
单位：1.贵州大学机械工程学院;2.贵州大学省部共建公共大数据国家重点实验室;3.重庆大学机械与运载工程学院
摘要：锂离子电池作为航空航天装备和无人系统的核心能源组件，对其剩余使用寿命(Remaining useful life,RUL)进行精准预测已成为设备健康管理的重要课题。针对锂离子电池容量退化过程中存在的原始数据噪声干扰、多物理尺度和长时间依赖等特性导致的预测挑战，提出一种融合多尺度卷积神经网络(Multi-Scale Convolutional Neural Network,MSCNN)和轻量化补丁变压器(Light Patch-wise Transformer,LiPFormer)的锂离子电池RUL预测方法。首先，针对噪声干扰问题，引入去噪自编码器(Denoising Autoencoders,DAE)对原始容量退化序列进行噪声抑制与特征重建，提升数据质量并降低异常波动对模型的影响。然后，运用MSCNN对时间序列数据进行多尺度特征提取，充分挖掘不同尺度下的特征信息。设计LiPFormer模块并利用层级化补丁划分策略，在降低计算复杂度的同时，有效建模容量衰减过程中的全局时序依赖关系，融合MSCNN与LiPFormer所提取的特征，以捕捉数据中的空间与时间特征。最后，将联合特征输入全连接层，实现RUL的回归预测。通过在NASA和CALCE电池退化数据集上的大量实验，证明了基于MSCNN和LiPFormer融合的锂电池RUL预测模型具有有效的预测性能，相比其他模型具有更好的鲁棒性和预测精度。
关键词：锂离子电池;剩余使用寿命预测;去噪自编码器;多尺度卷积神经网络;Transformer
基金资助：国家重点研发计划项目（2023YFB3308802）; 国家自然科学基金项目（52275480）; 贵州省自然科学基金（QKH MS[2025]601,QKH QN[2024]160）
