本报告基于发表于IEEE Transactions on Transportation Electrification期刊2026年2月第12卷第1期的一篇原创性研究论文。论文题目为《A Multitask Targeted Learning Framework for Lithium-ion Battery State-of-health and Remaining Useful Life》，第一作者为Chenhan Wang，通讯作者为Zhengyi Bao。主要研究机构包括杭州电子科技大学电子信息工程学院和中国计量大学工程训练中心。该研究旨在解决电动汽车锂离子电池健康状态（State-of-health， SOH）和剩余使用寿命（Remaining useful life， RUL）的精确、联合预测问题，并提出了一种创新的深度学习框架。
本研究的科学领域为电动汽车电池管理系统中的电池健康管理与预测。随着电动汽车的快速发展，锂离子电池因其高能量密度和低自放电率而被广泛采用。然而，电池在充放电循环过程中性能不可避免地会发生衰减，带来潜在的安全隐患。为了确保动力电池安全稳定运行，对其状态进行准确评估至关重要。在电池管理系统中，健康状态（SOH）和剩余使用寿命（RUL）是两个最关键的电池健康性能指标。SOH通常定义为当前容量与额定容量的百分比，反映了电池当前的健康程度；RUL则定义为电池从当前循环到其寿命终止（End-of-life， EOL）所剩余的循环次数，预测了电池的未来使用寿命。
准确预测SOH和RUL对于优化电池管理策略和确保运行安全具有重要价值。现有的预测方法主要分为基于模型的方法和数据驱动方法。基于模型的方法（如等效电路模型、电化学模型）严重依赖模型参数的准确性，在复杂真实场景下通用性较差。近年来，以机器学习特别是深度学习为代表的数据驱动方法得到了广泛关注。然而，当前方法存在以下局限性：1）现有深度学习模型难以针对SOH和RUL这两个参数进行选择性特征提取和时间依赖关系建模；2）大多数现有方法依赖传统的循环神经网络（Recurrent Neural Networks， RNNs），其在长期时间序列建模方面存在固有缺陷；3）多数联合预测研究采用“两步走”的框架（先预测SOH，再以SOH为输入预测RUL），这种方法会导致误差传播，且计算效率不高。
因此，本研究的目标是提出一个端到端的、能够同时在线估计SOH和RUL的多任务联合预测神经网络框架，以克服现有方法的不足，提升预测的准确性和鲁棒性。
本研究提出一个名为“多任务定向学习框架”的神经网络模型，其整体工作流程包含四个关键组成部分：特征提取模块（Feature Extraction Module， FEM）、改进扩展长短期记忆网络（Improved Extended LSTM， IE-LSTM）、双流注意力模块（Dual-Stream Attention Module， DSAM）和任务层。研究流程主要分为模型构建、数据处理、训练优化和实验验证四个阶段。
1. 数据预处理与实验数据集 研究使用了五个公开的电池老化数据集：NASA数据集、CALCE数据集、XJTU数据集、Oxford数据集和MIT数据集。这些数据集包含了不同电池在不同工况下的充放电循环电压、电流、容量等数据。电池寿命终止（EOL）的标准根据各数据集文档和相关文献设定，通常为额定容量的70%至80%。
为确保输入数据维度的一致性，研究对原始数据进行了预处理。由于不同充放电周期的电压序列长度不同，研究对数据进行了插值处理。例如，将NASA数据集的序列插值到4000个点，CALCE数据集插值到1200个点。插值策略是：确定插值长度（目标长度与实际序列长度之差），将插值点均匀分布在序列中，每个插值点的数值取相邻两个原始点的平均值。这种处理旨在最小化失真和信息损失，便于模型进行时序对齐和高效训练。
2. 多任务神经网络模型的构建 整个网络框架的输入是原始电压序列，输出是SOH和RUL两个值。具体模块如下： * 特征提取模块（FEM）：该模块旨在从原始电池电压数据中提取显著特征。它由多个不同尺度的1维卷积神经网络（1D CNN）层构成。具体设计包含四个分支，分别使用不同卷积核大小（如1x1, 3x1, 5x1）和池化操作，以捕获电池衰退模式中不同尺度的局部细节特征。其中，在部分分支中引入了1x1卷积核进行降维，以减少计算开销，同时允许在相同感受野内堆叠更多卷积核，从而提取更丰富的特征集。最后，将四个分支的输出沿特征通道维度进行拼接，形成综合的特征矩阵。 * 改进扩展长短期记忆网络（IE-LSTM）：传统LSTM使用固定的Sigmoid门控机制，限制了其适应特征快速变化或噪声的能力。本研究提出的IE-LSTM引入了指数激活门控函数和一种新颖的混合数据存储技术。指数门控增强了输入门和遗忘门对输入动态变化的响应能力，能够有效放大电压轨迹中的关键特征信号并抑制噪声干扰。新增的状态变量m_t和n_t有助于稳定和规范化数据，使网络单元能够更灵活地控制信息流，并根据电池退化特征随时间的变化自适应地调整存储决策，从而优化对长期时间依赖关系的建模能力。 * 双流注意力模块（DSAM）：为了针对SOH和RUL这两个不同任务分别学习关键信息，该模块构建了两个独立的注意力流。 * 对于SOH预测流，采用了极化注意力（Polarized Attention）机制。它集成了通道极化和空间极化策略。通道极化分支通过全局平均池化和门控机制生成近似二值化的通道权重，迫使模型关注与容量衰退强相关的差分电压特征，同时抑制噪声波动。空间极化分支则采用动态阈值二值化来直接定位充放电曲线中的关键片段（如恒压阶段结束时的电压下降点），这些片段通常对最终SOH具有高度指示性。 * 对于RUL预测流，采用了稀疏注意力（Sparse Attention）机制。不同于传统注意力计算所有采样点之间的关联，稀疏注意力动态学习仅保留每个时间步与其最相关位置之间的连接。这样可以在保留电压曲线中关键特征的同时，大幅降低模型的计算复杂度。 * 任务层：该层位于DSAM之后，接收两个经过注意力加权的特征矩阵。它由两个独立的多层感知机（MLP）组成，分别对应SOH和RUL预测任务。这些MLP通过全连接层和激活层实现输入到最终输出的非线性映射和维度规约，生成两个目标输出值。
3. 模型训练与超参数优化 模型训练采用Adam优化器，损失函数为均方误差（Mean Square Error， MSE）。为平衡效率与精度，训练周期数设为50，批量大小设为32。学习率采用预热策略，初始为(1e-4)×(1⁄8)，经过7个周期后升至1e-4，之后每个周期减少至前一周期的75%。
为减少手动调参需求并优化模型性能，研究采用了Hyperopt优化算法来自动搜索网络的最佳超参数。最终确定的超参数包括：前馈网络神经元数为64，任务层神经元数为128，稀疏注意力头数为4，扩展LSTM神经元数为128。
4. 实验设计与评估 研究进行了多组实验以全面评估所提方法的性能： * 消融实验：在全部五个数据集上，通过逐一移除FEM、IE-LSTM和DSAM模块，验证每个模块的有效性和必要性。实验结果表明，完整的模型在所有数据集上均取得最佳性能，移除任一模块都会导致预测精度显著下降，从而证实了各模块设计的有效性。 * 不同观测周期的实验：选择NASA和CALCE数据集中的八个电池，在不同起始观测周期下进行预测。实验证明，无论观测周期从何时开始，所提方法均能取得稳定且优异的预测结果，显示出其进行早期电池状态预测的能力。 * 与不同神经网络方法的对比实验：将所提方法与传统的CNN、LSTM以及先进的TCN、Transformer等网络进行对比。定量结果表明，所提方法在SOH和RUL预测的多个误差指标上均显著优于其他网络。 * 与文献中先进方法的对比：直接引用已发表文献中的结果进行对比。结果显示，所提方法在大多数情况下达到了最高的SOH和RUL预测精度，验证了其先进性。 * 完整及非完整充电数据的实验：在完整充放电数据上，对五个数据集共20个电池单元进行了预测评估。此外，考虑到实际应用中获取完整放电周期数据可能困难，研究还以NASA B0005和B0006电池为例，使用从原始充放电曲线中提取的四个关键电压相关特征（如恒流充电电压起始至峰值时间、3.9-4.1V电压平台持续时间等）作为网络输入，验证模型在非完整数据下的适用性。
5. 性能评估指标 研究采用多种指标定量评估网络性能： * 对于SOH预测：使用平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）。 * 对于RUL预测：使用平均绝对误差（MAE）、均方根误差（RMSE）和中位数绝对误差（MedAE）。
本研究通过一系列严谨的实验，获得了以下关键结果：
1. 模块有效性的验证结果： 消融实验的定量数据有力地证明了每个核心模块的贡献。以NASA数据集为例，移除FEM、IE-LSTM和DSAM模块分别导致SOH预测的平均MAE增加了111.0%、164.9%和53.7%，RUL预测的平均RMSE增加了24.6%、17.1%和26.6%。在其他数据集上也观察到类似趋势。这表明IE-LSTM对于捕获时间依赖关系、DSAM对于针对不同任务进行特征加权至关重要，而FEM则是有效特征提取的基础。缺少任何一个模块，模型的预测能力都会受到显著损害。
2. 与现有方法的性能对比结果： 与CNN、LSTM、TCN、Transformer等网络相比，所提方法在所有评估指标上均表现出显著优势。在SOH预测上，相比其他网络，所提方法平均将MAE、RMSE和MAPE分别提升了161.0%、123.4%和158.7%。在RUL预测上，平均将MAE、RMSE和MedAE分别提升了36.1%、32.4%和34.2%。这归因于所提框架克服了传统CNN不擅长时序建模、LSTM存在记忆局限、TCN缺乏动态适应性以及Transformer在数据量有限时效果下降等问题。
3. 跨数据集的普适性预测结果： 在五个不同数据集共20个电池上的综合测试表明，所提方法具有广泛的适用性。对于SOH估计，在NASA、CALCE、XJTU、Oxford和MIT数据集上获得的平均MAE分别为0.53%、0.68%、0.47%、0.38%和0.78%。对于RUL估计，相应的平均MAE分别为4.01、40.27、16.94、0.68和19.22。可视化预测曲线显示，该方法能够准确追踪不同电池的退化轨迹。值得注意的是，RUL预测误差的绝对值因不同数据集的EOL循环次数差异较大而范围不同，但模型均能实现高精度预测。
4. 非完整充电数据下的预测结果： 即使仅使用提取的四个关键特征而非完整的电压序列作为输入，模型在NASA电池B0005和B0006上依然取得了准确的SOH和RUL预测结果。SOH预测的平均MAE、RMSE和MAPE分别为1.00%、1.23%和1.37%；RUL预测的平均MAE、RMSE和MedAE分别为4.54、6.25和2.55。这证明了在获得足够训练数据的前提下，所提网络能够基于关键特征实现多时间依赖电池性能指标的联合高精度预测，增强了其在实际应用中的可行性。
5. 观测周期敏感性分析结果： 在不同起始观测周期的实验中，所提方法均能获得稳定且优异的结果。例如，在NASA电池上，SOH预测的平均MAE、RMSE和MAPE分别为0.65%、0.92%和0.90%；RUL预测的平均MAE、RMSE和MedAE分别为3.54、4.94和2.99。这证实了该方法具备早期准确预测电池状态的能力。研究也指出，RUL预测在中期可能出现偏差，部分原因是数据集中电池接近EOL前存在较长的搁置时间，放大了容量再生现象，引入了更大误差，但这并不影响方法整体的优越性。
本研究成功提出并验证了一个用于锂离子电池SOH和RUL联合预测的多任务定向学习框架。该框架通过整合多尺度特征提取模块、改进的扩展LSTM和双流注意力模块，实现了对电池退化模式的深度特征提取、长期时序关系建模以及针对SOH和RUL任务的定向关键信息学习。Hyperopt优化器的使用自动化了超参数调优过程。
实验结果表明，该方法在多个公开数据集上显著超越了现有传统及先进方法，在SOH和RUL预测上达到了极高的精度（例如，SOH估计的平均MAE、RMSE和MAPE/MedAE分别低于0.60%、0.76%和0.72%），证明了其有效性和泛化能力。同时，研究也验证了该方法在非完整充电数据下的适用性，为其在实际电池管理系统中的部署奠定了基础。
研究的科学价值与应用价值： * 科学价值：提出了一种新颖的端到端多任务深度学习架构，解决了电池SOH和RUL联合预测中的特征选择性提取、长期依赖建模和任务针对性学习等关键挑战。特别是IE-LSTM中的指数门控和混合存储技术，以及DSAM中的极化注意力和稀疏注意力机制，为时序预测和注意力机制研究提供了新的思路。 * 应用价值：该框架能够为电动汽车电池管理系统提供高精度的电池健康状态和剩余寿命在线估计，有助于实现更精准的电池状态评估、优化充电策略、预防故障发生并指导电池的梯次利用，从而提升电动汽车的安全性、可靠性和经济性。
研究在讨论部分指出了未来的工作方向，主要包括：1）获取大容量电池的长期循环数据以增强方法的实用性；2）利用超过五年的电动汽车实际运行数据进一步验证方法的实际价值；3）针对电池退役或转售等不同使用条件下的差异化容量衰退趋势，未来将致力于预测电池在不同工况和使用后期的寿命。这些方向为该领域的后续研究提供了清晰的指引。
此外，研究开源了代码（https://github.com/wch1121/joint-prediction-of-soh-and-rul），这有利于促进学术界的复现、比较和进一步创新，体现了研究的开放性和可重复性。