2026年6月25日，人工智能学院在15栋302召开了科研六组例会。梁佳佳老师汇报了课题组在电池早期健康评估方面的最新研究进展。重点阐述了融合通道注意力和空间注意力的CNN-AT模型架构及其跨域迁移学习策略，展示了模型在少量早期循环数据条件下实现高精度寿命预测的有效性与工程应用潜力。主要内容如下：
一、论文分享
A deep learning approach incorporating attention mechanism and transfer learning for lithium-ion battery lifespan prediction
1.研究背景与问题
锂离子电池因其高能量密度、高效、环保性和长寿命，广泛应用于电动汽车及其他设备。然而，随着电池连续的充放电循环，其性能会逐渐下降。可用容量会逐渐减少，直到电池寿命结束。这种降解受多种老化机制影响，包括电池化学、制造和环境条件。随着电动汽车等行业的快速发展，早期准确预测锂离子电池寿命对于加速电池技术发展、确保锂离子电池在不同使用条件下的安全运行以及降低生产和维护成本至关重要。
与传统机器学习技术相比，深度学习模型能够自动从原始周期数据中提取抽象特征。然而，尽管已有工作有优势，但仍需考虑若干问题：
(1)虽然端到端深度神经网络可以通过卷积操作从原始信号中提取复杂隐藏特征，但并非所有提取的特征都有用。无关紧要的信息会增加预测难度，给模型运行带来负担，进一步加剧梯度消失问题。
(2)在新电池测试时，电池寿命预测的准确性通常显著下降。由于训练和测试复杂网络结构的深度学习模型需要大量时间，应用到实际系统中可能无法提供足够的时间和数据来重新训练模型。
(3)深度学习模型的性能总是受限于收集足够训练数据的难度。对于锂离子电池，电池寿命越长，收集循环数据越困难，所需的时间和人力成本也越高。
2. 提出的算法与关键技术
汇报重点阐述了一种名为CNN-AT的深度学习模型，该模型融合了注意力机制。该模型由三个主要组成部分组成：特征提取器、寿命预测器和微调策略。使用带有注意力机制的深度学习模型可以避免复杂的特征工程，并使其更容易应用于各种在线电池管理系统。同时，微调策略的应用也为降低锂离子电池寿命数据收集的难度和成本提供了新途径。本研究的主要贡献可总结如下：
(1)特征提取器（CNN+注意力机制）
特征提取器以卷积神经网络为主体，对电池早期放电容量-电压曲线进行高维空间特征建模。为提升特征表达的选择性，模型在卷积层后嵌入了串联的通道注意力与空间注意力模块。对于输入特征图，通道注意力模块首先利用全局最大池化与全局平均池化压缩空间信息，经共享多层感知机与Sigmoid激活生成通道权重图；随后空间注意力模块在通道修正后的特征图上沿通道维度进行池化，经卷积层与Sigmoid激活生成空间权重图。整个注意力机制可形式化表示为：
其中为逐元素乘法。该双重注意力机制通过权重重标定的方式，强化与电池寿命强相关的通道信息及空间区域响应，抑制冗余或无关特征的干扰，从而有效提升了特征提取器的判别能力与表征质量。
(2)寿命预测器（全连接层）
寿命预测器采用三层全连接网络结构，将特征提取器输出的高维特征向量映射为电池寿命的标量预测值，其本质是建立从特征空间到寿命标签的非线性回归映射。在模型优化过程中，选用均方根误差（Root Mean Square Error, RMSE）作为损失函数以度量预测偏差，其数学定义如下：
其中为样本数目，与分别为第个电池的真实寿命与预测寿命。训练阶段通过反向传播与Adam优化器不断迭代更新全连接层的权重矩阵与偏置项，以最小化上述损失函数。此外，在全连接层中引入Dropout随机失活机制，并在训练过程中采用早停策略，有效抑制过拟合风险，保障模型在验证集上的泛化性能。
(3)迁移学习策略（微调）
为应对实际应用中目标域数据稀缺的问题，研究提出基于参数迁移的微调策略。设源域预训练模型参数为，其中为特征提取器参数，为寿命预测器参数。在迁移至目标域时，将预训练的特征提取器参数直接赋值给目标模型并予以冻结，而寿命预测器则采用随机初始化并在目标数据上重新训练。其优化目标可形式化表述为：
其中为目标域样本数，与分别为目标域的真实值与预测值。该策略大幅缩减了待优化参数空间，降低了过拟合风险，使得模型在有限目标数据下仍能快速收敛并获得高精度预测结果，验证了跨域知识复用的有效性。
3、初步验证与应用场景
(1)基准环境与数据集验证：
课题组采用MIT公开的两个LFP/石墨电池数据集进行验证，电池额定容量1.1 Ah，充电策略各异，放电均采用4C恒流至2.0 V。实验环境为PyTorch 1.13.1框架，运行于Intel Core i7-12700H平台。模型输入为第10至第110周期的放电容量-电压曲线，经K-means聚类将电池分为短、中、长三类寿命。
(2)实验结果与性能表现：
实验结果表明CNN-AT模型在数据集1上的RMSE为75.73周期，MAPE为8.65%，显著优于纯CNN（99.96周期）及CNN-LSTM等基线模型。迁移学习策略进一步将目标域预测误差从81.96周期降至50.72周期，MAPE由8.44%降至5.24%。该模型可应用于电动汽车电池管理系统及储能电站的早期寿命快速评估，在少量历史数据条件下实现精准的健康状态预判，为运维决策提供可靠依据。
二、组员讨论
汇报结束后，与会老师围绕该框架的实际可行性、潜在挑战及下一步的研究方向展开了热烈讨论。
蒲万徐老师指出，当前模型在相同材料体系（LFP/石墨）下的表现优异，但实际应用中电池材料体系（如三元锂、钴酸锂）及工况条件（如不同温度、倍率）差异显著，域间分布漂移问题可能严重削弱模型的预测性能。现有迁移学习策略仅在同类数据集内进行微调，尚未验证其在跨材料、跨工况场景下的有效性。未来可探索域自适应或元学习等更鲁棒的迁移范式，以实现多源异构数据下的知识迁移。
孟艳平老师关注模型目前基于离线固定数据集进行验证，而实际电池管理系统要求在线、实时的寿命追踪能力，且电池老化机制随时间动态演化，可能出现概念漂移现象。此外，模型的计算复杂度虽低于LSTM类网络，但注意力机制与CNN的参数量（约15.6万）在嵌入式平台上的部署仍需优化。下一步应推动边缘计算适配，并在真实老化工况下开展长期在线验证。
三、会议总结
杨喆老师对本次汇报和讨论进行了总结：本次汇报围绕“基于注意力机制与迁移学习的锂电池寿命预测方法”展开了系统性的学术交流。研究针对早期数据稀缺与跨域泛化两大核心问题，提出了CNN-AT模型及参数微调策略，并在MIT公开数据集上验证了其优越性。与会老师对模型的结构设计、迁移学习的有效性及实际部署可行性给予了充分肯定，同时也就跨材料体系适配、在线学习能力及嵌入式部署等现实挑战提出了建设性意见。
经课题组内部讨论，下一步工作将聚焦三个方向：其一，探索领域泛化与元学习策略，提升模型在多元材料体系和变工况条件下的鲁棒性；其二，融合电压、电流、温度等多模态时序数据，构建更全面的电池健康状态表征；其三，推动模型的轻量化压缩与边缘计算部署，并在实际电池管理系统平台上开展长期在线验证，以缩短实验室研究到工程应用的转化周期，为智能电池管理提供可靠的理论与技术支撑。
图为梁佳佳老师正在进行论文讲解
