本研究由Zhuqing Wang、Ning Liu、Chilian Chen和Yangming Guo等人完成，其中第一作者Zhuqing Wang和通讯作者Yangming Guo来自西北工业大学计算机学院，Ning Liu来自东北大学流程工业综合自动化国家重点实验室，Chilian Chen来自中国电子科技集团公司数据链技术重点实验室。该研究成果发表于*Information Sciences*期刊第635卷，于2023年1月20日在线发表，文献编号为398至413页。

本研究属于锂离子电池（lithium-ion battery, LIB）健康管理与预测性维护领域，旨在解决锂离子电池剩余使用寿命（remaining useful life, RUL）预测中的若干关键技术难题。锂离子电池作为化石燃料的重要替代能源，在电动汽车、航空航天和消费电子等领域应用广泛，但其性能会随时间发生退化，可能导致电池失效甚至严重安全事故。因此，准确预测RUL对于电池性能监测、故障预警和电池更换具有重要意义。然而，RUL预测在实际应用中面临诸多挑战：电池退化过程具有未知且复杂的非线性动态特性，受内部电化学反应与外部运行条件交互作用影响，常出现加速退化（accelerated degradation, AD）和局部再生现象（capacity regeneration phenomenon, CRP）；电池寿命通常长达数百甚至上千次循环，对长程依赖建模提出了较高要求；此外，电池容量和内阻等直接健康指标无法在线测量，只能在实验室特定条件下获取。针对上述问题，本研究提出了一种自适应自注意力长短期记忆网络（adaptive self-attention LSTM, SA-LSTM）预测模型，旨在仅利用可测量的充电数据实现精确的RUL预测。

本研究的核心工作流程分为两个主要阶段：建模阶段与自适应RUL预测阶段。在建模阶段，首先需要利用离线数据确定局部切空间排列算法（local tangent space alignment, LTSA）的关键参数并建立SA-LSTM模型。为解决间接健康指标（health indicator, HI）提取问题，作者提出了一种基于蒙特卡洛（Monte Carlo, MC）算法优化的LTSA方法。LTSA是一种流形学习方法，通过逼近高维数据中每个样本点的局部切空间并对其进行全局排列，生成低维坐标，即提取的HI。传统LTSA在选择局部邻域大小时通常依赖人工试凑，难以满足实时应用需求。本研究利用MC算法在历史数据上自动搜索最优邻域点数，使提取的HI与标准容量之间具有高相关性。具体而言，MC算法通过随机生成邻域大小候选值，利用LTSA提取HI，并计算HI与容量序列的斯皮尔曼相关系数（Spearman correlation coefficient），通过迭代搜索获得使相关性最高的最优邻域大小。所提取的HI为容量退化过程提供了有效表征，并为后续RUL估计奠定了基础。完成HI提取后，研究构建了基于SA-LSTM的预测模型，并利用从第一个充电循环到预测起始循环（prediction starting cycle, PSC）之前的历史HI时间序列进行预训练。SA-LSTM模型的核心创新在于将带掩码的多头自注意力机制（masked multi-head self-attention, masked MHA）与LSTM结合为一个整体模块。具体而言，掩码多头自注意力机制通过设置掩码矩阵防止未来信息泄露，并利用多个注意力头在不同状态子空间中捕获序列中的重要特征；LSTM则通过门控机制有效管理长程依赖关系。在SA-LSTM模块中，掩码MHA层与LSTM层之间引入了残差连接和层归一化操作，以提高模型的训练稳定性和预测性能。通过堆叠多个SA-LSTM模块形成编码器，并在编码器之前添加嵌入层、之后添加全连接线性层作为解码器，实现了对HI序列的回归预测。模型预训练过程采用自适应矩估计（Adam）优化器以最小化预测HI与真实HI之间的均方误差损失函数。

在自适应RUL预测阶段，利用预训练好的SA-LSTM网络对PSC之后的HI值进行迭代一步超前预测（one-step-ahead prediction），直到预测的HI达到失效阈值，然后根据预测起始循环与达到失效阈值的循环数之差计算RUL。然而，一步超前迭代预测会导致预测误差随预测循环数增加而逐渐累积，特别是在局部波动和再生现象频繁出现时误差累积更为严重。为此，本研究设计了一种在线自整定机制（online self-tuning mechanism）。该机制首先定义一个波动指数β，用于评估HI序列的局部波动强度。该指数综合考虑了相邻两个窗口HI数据的欧氏范数差和方差差，当HI数据变化剧烈时，波动指数减小；反之则增大。根据波动指数的大小，采用两种不同的在线参数更新策略：当波动较为温和时，仅对解码器层进行微调（fine-tuning），冻结其他层参数以降低计算成本；当波动剧烈时，则对网络所有层的权重和偏置进行更新。更新过程使用扩展后的数据集，包含历史HI数据和已预测的HI数据，以最小化新的损失函数。通过这种自整定机制，模型能够在线适应电池退化的动态特性，减少累积误差，提高长程预测精度。

在实验与结果分析方面，本研究使用NASA PCoE研究中心提供的四个18650型号锂离子电池（#5、#6、#7和#18）数据集进行验证。这些电池在室温下经历反复充放电循环，充电过程包含恒流（constant-current, CC）和恒压（constant-voltage, CV）两种模式，放电则在2 A恒定电流下进行，截止电压因电池不同而异。电池寿命终点（end-of-life, EOL）标准设定为额定容量衰减30%（从2 Ah降至约1.4 Ah）。在HI提取实验中，对比了LLE、MDS、堆叠自编码器（stacked autoencoder, SAE）和基于极限学习机的SAE（ELM-SAE）等方法。结果表明，基于MC优化的LTSA方法提取的HI在所有四个电池上均获得了最高的斯皮尔曼相关系数（#5为0.996，#6为0.996，#7为0.996，#18为0.990），且基于HI的寿命终点循环数误差最小（#5和#6为0，#7为1，#18为3）。在RUL预测实验中，将所提自适应SA-LSTM与GRU、标准LSTM和Transformer进行了对比。以PSC为第81循环为例，自适应SA-LSTM在不同电池上均表现出最低的均方根误差（RMSE）和最高的决定系数（R-square），且RUL预测误差最小（#5为1，#6为4，#7为1，#18为1）。这些结果验证了所提方法在HI提取和RUL预测方面的有效性和优越性。

本研究的结论指出，针对锂离子电池退化过程中存在的长程依赖和突变波动问题，所提出的自适应SA-LSTM预测模型能够有效提升RUL预测精度。其主要贡献包括：提出基于MC算法优化的LTSA方法提取高代表性HI，仅利用可测量充电数据即可准确描述电池性能退化；构建了融合自注意力与LSTM的新型预测模型以增强长程预测性能；设计了在线自整定机制以减少迭代预测中的累积误差并适应局部波动。尽管该方法在实验中表现出良好的预测效果，但其本质上仍属于监督学习方法，需要标注数据支持，这一局限限制了其在缺乏充足标注数据的实际系统中的应用。未来将开展半监督或无监督预测算法的研究，以实现在线RUL确定。

本研究的亮点在于：第一，针对传统HI提取依赖人工参数选择的问题，引入MC算法实现邻域大小的自动优化，显著提高了HI与容量的相关性；第二，将掩码多头自注意力机制与LSTM有机融合，同时兼顾序列特征的全局重要性和时序依赖关系；第三，设计基于波动指数的在线自整定机制，能够根据HI序列的实时变化强度动态调整网络参数，有效抑制局部再生和加速退化对预测性能的不利影响。此外，研究在NASA公开数据集上进行了系统的对比实验，从HI提取质量和RUL预测精度两个层面验证了方法的优越性，为锂离子电池智能运维提供了新的技术途径。