基于Mamba的放电曲线与阻抗谱融合的锂离子电池健康状态多模态预测

《Batteries》:Multimodal State of Health Prediction for Lithium-Ion Batteries via Mamba-Based Fusion of Discharge Curves and Impedance Spectra

【字体: 大 中 小 】 时间:2026年06月09日 来源:Batteries 4.8

编辑推荐:

  现有的用于锂离子电池健康状态(State of Health, SOH)预测的深度学习方法几乎完全依赖放电电压?电流曲线,忽略了直接反映内部退化机制的电化学阻抗谱(Electrochemical Impedance Spectroscopy, EIS)数据。融

  
现有的用于锂离子电池健康状态(State of Health, SOH)预测的深度学习方法几乎完全依赖放电电压?电流曲线,忽略了直接反映内部退化机制的电化学阻抗谱(Electrochemical Impedance Spectroscopy, EIS)数据。融合这两种模态并非易事:放电曲线是位于连续动力学流形上的高维时间序列,而阻抗特征具有根本不同统计分布的低维静态快照。然而,简单的拼接会引入模态冲突而非互补增益。研究人员提出了混合感知协同架构(Hybrid Sensing Synergy Architecture, HSSA),该架构结合用于放电曲线建模的Mamba骨干网络(O(L)复杂度)和一个Q?former模块,后者通过可学习查询令牌和交叉注意力将阻抗特征对齐到时间表示空间。一种前置融合策略将对齐的查询作为前缀令牌注入,使骨干网络能从第一时间步开始基于内部电化学背景进行条件处理。在NASA电池数据集上,HSSA取得了平均绝对误差(Mean Absolute Error, MAE)为0.887(大规模,11个电池,比单模态Mamba提升9.8%)、1.457(中规模,5个电池,提升28.0%)和2.705(小规模,4个电池,提升8.7%),在所有数据规模下均表现出一致提升。在样本外电池B28上,HSSA实现了65.3%的提升。消融研究证实Q?former对齐是必要的,且前置融合显著优于基于拼接的方案。
**论文解读:基于Mamba与多模态融合的锂离子电池健康状态预测**

**研究背景与问题**
锂离子电池的健康状态(State of Health, SOH)预测对于电动汽车、电网储能等系统的安全与寿命管理至关重要。现有深度学习预测方法主要依赖放电电压?电流曲线,忽略了直接反映内部退化机制的电化学阻抗谱(Electrochemical Impedance Spectroscopy, EIS)数据。放电曲线是高维时间序列,位于连续动力学流形上;而阻抗特征是低维静态快照,具有根本不同的统计分布。简单拼接两者会引入模态冲突而非互补增益。因此,如何有效融合这两种异构模态,成为提升SOH预测精度的核心挑战。研究人员旨在设计一种既能保留放电曲线时序动力学、又能对齐阻抗特征内部电化学信息的多模态框架。

**研究内容与结论**
研究人员提出混合感知协同架构(Hybrid Sensing Synergy Architecture, HSSA),将Mamba骨干网络(一种线性复杂度的选择性状态空间模型)用于放电曲线建模,并引入Q?former模块(一种基于可学习查询令牌和交叉注意力的跨模态对齐模块)将阻抗特征对齐到时间表示空间。采用前置融合(prepend fusion)策略,将对齐后的查询令牌作为前缀注入Mamba骨干,使模型从第一时间步起就能利用内部电化学背景。在NASA电池老化数据集(包含28个18650电芯)和CALCE CS2数据集(4个LiCoO2电芯)上验证,HSSA在不同数据规模下均优于单模态基线:小规模提升8.7%,中规模提升28.0%,大规模提升9.8%;在样本外电池B28上提升65.3%。消融研究证实Q?former对齐和前置融合策略不可或缺。该论文发表在《Batteries》。

**关键技术方法**(不超过250字)
研究人员采用以下关键技术方法:
1. **Mamba骨干网络**:基于选择性状态空间模型(Selective State Space Model, SSM),通过输入相关参数实现线性复杂度(O(L))的序列建模,捕捉放电曲线长期退化动态。
2. **阻抗编码器**:将原始阻抗谱(EIS)分割为频率?对令牌(每个频率对应一个令牌),并经过多层感知机(MLP)提取全局归纳向量。
3. **Q?former模块**:利用可学习查询令牌(query tokens)通过自注意力和交叉注意力与阻抗令牌交互,实现非线性跨模态对齐,输出与时间表示空间兼容的对齐查询。
4. **前置融合策略**:将对齐后的查询令牌作为前缀插入放电序列,使Mamba骨干从第一步起即可接收阻抗信息。
样本队列来源为NASA电池老化数据集(28个电芯,不同温度与负载条件)和CALCE CS2数据集(4个LiCoO2电芯,室温1C恒流循环)。

**研究结果**(保留原文小标题)
**4.1 Experimental Setup**
研究人员构建了三种数据规模(NASA?S、NASA?M、NASA?L),使用B6和B7作为测试电池,B28作为样本外测试;数据预处理采用锚点重采样将放电序列统一长度,EIS按最近前序测量对齐。评估指标包括MAE、RMSE和MAPE。基线包括LSTM、CNN?BiGRU、Transformer和单模态Samba,以及简单多模态拼接与加法融合。

**4.2 Main Results**
在所有数据规模上,HSSA的MAE均低于所有基线,相对单模态Samba的提升分别为:NASA?S 8.7%、NASA?M 28.0%、NASA?L 9.8%。在CALCE CS2跨数据集测试中,HSSA实现3.4% MAE提升和20.6% RMSE降低。这表明Q?former对齐能有效利用阻抗特征,且多模态增益在中等数据规模时最大。

**4.3 Why the Method Works: Ablation Analysis**
**4.3.1 Fusion Strategy Matters More than Fusion Itself**
对比五种融合策略(NASA?L),简单拼接使得MAE下降20.5%,而Q?former对齐加前置融合实现9.8%提升;平均池化仍低于基线,说明保留多查询多样性至关重要。
**4.3.2 Q?Former Depth and Query Count**
在固定深度(两层)下,16个查询为最优(MAE 0.952);在固定查询数(16)下,三层Q?former最优(MAE 0.887)。四层性能略降,表明阻抗特征维度有限。

**4.4 Robustness and Generalization**
**4.4.1 Per?Battery Breakdown**
在B6上HSSA提升5.0%,在B7上提升39.3%,在样本外B28(仅28个循环,43°C)上提升65.3%,表明阻抗特征能补偿有限放电历史。
**4.4.2 Error Distribution**
HSSA的预测误差分布更窄且更接近零,方差小于单模态Samba,修正了晚期循环的系统性低估。
**4.4.3 Learned Representations**
t?SNE可视化显示融合表示形成光滑退化流形,不同电池遵循相似空间模式;Q?former注意力权重显示各查询分别关注电荷转移电阻、实部阻抗等不同频谱特征。

**4.5 Efficiency and Limitations**
HSSA比单模态Samba增加6.5M参数和0.9 GFLOPs,吞吐量降低14%,但仍比Transformer快2.3倍且MAE低8倍。局限性包括:未验证其他化学体系(如LiFePO4、NMC),EIS获取需专用硬件,B28样本外结果仅单电池,稀疏EIS场景下性能可能下降。

**总结讨论与结论**
讨论部分指出,多模态融合在不同数据规模下均带来一致提升,其中Q?former对齐和前置融合是核心机制;跨数据集验证初步表明了泛化能力。研究结论翻译如下:研究人员提出一种锂离子电池健康状态多模态预测架构,通过Mamba骨干(基于选择性状态空间模型[SSM])建模放电曲线,并结合Q?former模块(通过可学习查询令牌实现跨模态对齐)和前置融合策略,在NASA电池数据集上实现了8.7%(小规模)、28.0%(中规模)和9.8%(大规模)的相对MAE改善。消融研究证明Q?former对齐必不可少,前置融合显著优于拼接方案。跨数据集CALCE CS2实验进一步证实了方法的泛化性。该方法有望提升电池安全、优化维护并促进梯次利用,但需在更多化学体系和运行条件下验证,并集成不确定性量化。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号