标签稀疏条件下的锂离子电池健康状态估算：基于退化对齐的自监督学习方法 · 智迹闻 AuraTracer

摘要由 AI 生成

针对锂电池管理中标签数据稀疏的问题，研究人员提出了一种基于卷积神经网络与门控循环单元（CNN-GRU）的退化对齐自监督学习框架。该框架利用循环排序目标在无标签数据上进行预训练，随后在稀疏标签数据上进行微调。实验表明，该方法仅需 1% 的不均匀分布标签数据即可实现鲁棒的电池健康状态（SOH）估计，测试电芯的平均绝对误差（MAE）为 1.718%，均方根误差（RMSE）为 2.329%。研究还分析了标签分布与跨电芯鲁棒性的影响，旨在解决电池管理中标签效率不足的实践需求。

信号强度SIGNALS

关键词热度

arXiv1

全部报道（1）SOURCES

↗

A arXiv cs.AI en 2026-09-07 12:00

Degradation-Aligned Self-Supervised Learning for State of Health Estimation of Lithium-Ion Batteries under Label Sparsity

本文提出一种基于卷积神经网络 - 门控循环单元（CNN-GRU）的退化对齐自监督学习框架，利用循环排序目标在无标签数据上进行预训练，以支持在稀疏标签数据上的微调。测试结果表明，该方法仅需 1% 的不均匀分布标签数据即可实现鲁棒的电池健康状态（SOH）估计，在测试电芯上达到平均绝对误差（MAE）1.718% 和均方根误差（RMSE）2.329%。研究还深入分析了标签分布与跨电芯鲁棒性的影响，旨在解决电池管理中标签效率不足的实践需求。

存档