【Title】A hybrid approach for lithium-ion battery remaining useful life prediction using signal decomposition and machine learning
【Dr. Xin】我们都知道，手机电池用久了就不耐用了，电动车的续航也会打折。怎么精确知道一块锂电池还剩多少剩余使用寿命（RUL），一直是行业里的大难题。尤其头疼的是，电池在老化过程中偶尔会出现“容量再生”的现象，这就像一个病人的病情突然有了好转，但其实整体还在恶化，这种波动极大地干扰了我们的预测模型。这篇论文的思路很有意思，它不直接去猜结果，而是先把复杂的电池老化数据分解成主要整体衰退和容量再生，再请不同的模型“对症下药”，这为我们实现更精准的电池管理和安全预警提供了新方向。
【摘要】为了解决锂电池容量在衰退过程中出现的局部容量再生现象导致预测不准的问题，本文提出了一种全新的组合预测方法。首先，用一种叫做CEEMDAN的技术把电池的容量数据分解成高频和低频两部分。然后，用SVR模型去预测代表主要衰退趋势的低频部分，再用一个经过“麻雀搜索算法”（SSA）优化过的LSTM网络去预测包含“容量再生”信息的高频部分。最后，将两个模型的预测结果合二为一。实验证明，这种方法预测误差极小，精度远超现有方法。
【引言】
- 研究背景: 锂电池因为能量密度高、寿命长等优点，在电动车、航空航天等领域被广泛使用。但随着使用，电池会老化、容量会下降，甚至可能引发安全事故。因此，准确预测电池的剩余使用寿命（RUL）至关重要。目前主流的数据驱动方法，特别是像长短时记忆网络（LSTM）这样的深度学习模型，在处理时间序列数据上有优势，但电池老化过程中的容量再生现象和数据噪音会严重干扰模型的预测性能。
- 本文贡献:
- 贡献一：提出使用CEEMDAN信号分解技术。该技术能将复杂的电池容量衰退曲线，分解成代表整体退化趋势的低频信号和代表容量再生等局部波动的多个高频信号，有效降低了“容量再生”现象对预测的干扰。
- 贡献二：设计了一种“分而治之”的混合预测策略。利用支持向量回归（SVR）模型处理平滑的低频信号（主要衰退趋势），同时利用LSTM网络捕捉复杂的、非线性的高频信号（局部波动），充分发挥了两种模型的互补优势。
- 贡献三：引入麻雀搜索算法（SSA）来自动优化LSTM网络的超参数。这避免了费时费力的人工调参，并帮助模型找到全局最优解，进一步提升了预测的整体精度。
【实验设计】
- 实验对象: 实验数据来自美国国家航空航天局（NASA）的公开数据集。研究人员挑选了编号为B0005, B0006, B0007和B0018的四块锂电池作为验证对象。
- 测试条件: 所有电池都在24°C的恒定室温下进行充放电循环测试。
- 充电：先以1.5A的电流恒流充电至4.2V，然后转为恒压充电，直到电流降至20mA 。
- 放电：以2.0A的电流恒流放电，直到电压降到各自的截止电压（B0005为2.7V，B0006和B0018为2.5V，B0007为2.2V）。
- 寿命终点（EOL）：当电池容量下降到额定容量的70%（即1.4Ah）时，被认为寿命终结。
【研究方法】
- 核心思路 : 整个技术路线可以概括为“分解-预测-整合”。首先，从原始数据中提取出电池容量这一关键健康指标。然后，使用CEEMDAN算法将容量衰退序列分解为多个不同频率的内在模态函数（IMF）。接着，用SVR模型预测代表长期衰退趋势的低频部分（IMF5），同时用经过SSA算法优化的LSTM模型来预测反映短期波动和容量再生的高频部分（IMF1-IMF4）。最后，将所有部分的预测结果相加，得到最终的电池RUL预测值。
- 关键模型/理论基础:
- CEEMDAN-SVR-LSTM混合模型：这个混合模型的工作方式，就像一个专业的装修团队来翻新一间旧房子。
- CEEMDAN（项目经理）：首先，项目经理（CEEMDAN）会对整个装修工程进行“任务分解”。他会把原始的电池容量数据拆分成两个大块：一是代表电池整体性能平稳下降的低频信号，二是代表容量再生等局部波动的各种高频信号。
- SVR（结构工程师）：对于“电池整体性能平稳下降的低频信号”这种趋势稳定、变化平缓的大工程，项目经理会派最稳重的结构工程师（SVR模型）来负责。这位工程师擅长处理这种宏观、非线性的平滑趋势，能确保房子的基本框架不出错。
- LSTM（精装工匠）：对于容量再生，则会派经验丰富的精装工匠（LSTM网络）来处理。这位工匠记性好（有记忆单元），擅长处理前后关联的复杂时序任务，能完美复现墙面的各种微小起伏和细节。
- SSA（智能工具箱）：为了让精装工匠（LSTM）干活效率最高，团队还配备了一个智能工具箱（麻雀搜索算法SSA）。它能自动帮工匠调整手里的工具参数（网络超参数），确保他总能以最佳状态工作，避免了工匠自己反复试错的麻烦。
- 通过这样明确分工、各司其职的团队协作，最终的装修效果（电池寿命预测）自然比任何一个单打独斗的工人要好得多，既精准又可靠。
【结果与讨论】
Figure 3: 这张图展示了CEEMDAN分解后的结果。它清晰地显示了原始的电池容量数据被分解成了几个高频的波动信号（IMF1-IMF4）和一个代表整体下降趋势的平滑低频信号（IMF5）。这说明分解方法成功地将主要趋势和局部细节分离开了。
Figure 8 & Figure 10: 这两张图对比了本文提出的混合方法（M1）和其他四种单一或部分组合方法（M2-M5）的预测结果。可以看出，无论是用80个循环还是100个循环的数据进行训练，红色的M1预测曲线总是最贴近真实值的曲线，尤其是在处理容量波动较大的B0018电池时，优势更为明显。
Table 4 & Table 6: 这两张表格用具体数据量化了不同方法的预测误差。数据显示，无论是均方根误差（RMSE）还是平均绝对误差（MAE），本文的方法（M1）都远低于其他对比方法，并且R²值（越接近1越好）始终保持在0.96以上。这有力地证明了该混合模型的优越性和稳定性。
Table 5: 这张表将本文方法与近年来其他研究者发表的方法在同一个B0005电池数据集上进行了“跨界”比较。结果显示，本文提出的方法在RMSE、MAE和R²三项关键指标上均表现最佳。
- 主要发现:
- 混合SVR-LSTM模型（M1）的预测精度显著优于任何单一模型（SVR或LSTM）以及它们的简单组合。
- CEEMDAN分解是提升预测精度的关键步骤，它成功地将复杂的预测问题简化为几个更容易处理的子问题。
- 对于容量衰退曲线波动剧烈的电池（如B0018），本文提出的方法依然能保持很高的预测精度和鲁棒性，而其他方法则表现出较大的偏差。
- 作者的解读: 作者认为，这些结果证明了他们提出的“分解-组合”策略的有效性。SVR擅长捕捉平滑的长期趋势，而LSTM擅长处理复杂的短期波动，两者结合，实现了优势互补。
【结论】
- 核心结论:
- 通过CEEMDAN技术将电池容量数据分解为高频和低频部分，能有效分离出容量再生的干扰信号，为精准预测打下了坚实基础。
- 设计SVR预测低频（主趋势）和LSTM预测高频（局部波动）的混合策略，实现了1+1>2的效果，显著提高了预测的准确度和稳定性。
- 引入SSA智能算法来优化LSTM，避免了人工调参的低效和不确定性，让模型性能得到充分发挥。
- 最终，本文提出的这套组合拳方法，在NASA公开数据集上的表现优于多种现有方法，为锂电池的健康管理和安全保障提供了一个非常可靠和精确的解决方案。
【展望】
- 可以改进的地方
- 只测了恒温工况，温度波动大时模型会不会有效？
- 目前只拿容量做健康指标，没把电压、温度等多源信号“加料”。
- 下一步工作
把模型搬到不同化学体系（磷酸铁锂、固态电池）上试试；再融合温度、电流等多维数据，让“侦探二人组”升级成“复联”。
文献信息：
- 原文标题: A hybrid approach for lithium-ion battery remaining useful life prediction using signal decomposition and machine learning
- 中文翻译: 一种结合信号分解和机器学习的锂离子电池剩余使用寿命混合预测方法
- 发表日期: 2025年3月10日
- 期刊/来源: Scientific Reports
- 作者机构: 龙岩学院（Longyan University），福建安通电气有限公司（Fujian Antong Electric Co., Ltd），厦门大学（Xiamen University）
- DOI链接: https://doi.org/10.1038/s41598-025-92262-8