分两个阶段处理数据：首先清洗测量值，然后强制执行符合物理规律的退化行为。 首先从每个循环中提取健康指标，如放电容量、电压特征、温度响应或内阻。应用适当的平滑方法（如 Savitzky–Golay 滤波器、移动平均或基于 SVM 的回归器），然后施加单调性约束，以防止孤立的“容量恢复”点扭曲退化和 RUL 估计。
可靠的 RUL 预测不在于消除每一个波动，而在于将测量噪声与真实的退化区分开来。平滑健康指数序列，强制执行正确的物理趋势，尽可能保留不确定性，并使用未处理的循环数据验证所得模型。
为什么原始电池数据会导致不可靠的 RUL 预测
传感器噪声转化为健康指数噪声
电池测试系统在永远无法完全相同的条件下记录电压、电流、容量和温度。测量、循环时间、温度和负载的微小变化可能会在提取的健康指数中产生局部波动。
这些波动可能会错误地暗示退化的电池已经恢复了容量或降低了内阻。预测模型可能会将此类伪影解释为电池状况的真实变化。
物理退化提供了有用的约束
对于许多长期老化研究，不可逆退化应遵循一致的方向：
- 基于容量的健康指数： 通常会下降或保持稳定。
- 退化度量或基于电阻的损伤指数： 通常会上升或保持稳定。
因此，约束必须与健康指数的定义相匹配。重要的原则不是“总是增加”，而是物理上一致的演变。
微小的误差可能产生巨大的 RUL 误差
概率模型、粒子滤波器和机器学习预测器使用健康指数的近期轨迹来估计达到寿命终点的时间。容量的暂时向上跳跃可能会使电池看起来比实际更健康，从而错误地延长预测的 RUL。
这在接近失效时尤其成问题，因为微小的趋势误差可能会大幅改变估计的剩余时间。
构建可靠的健康指数处理流程
1. 标准化原始测量值
在平滑之前，按循环、操作阶段或可比测试条件对齐数据。检查单位、时间戳、缺失样本、传感器饱和度、电流方向以及充放电定义。
温度和负载条件也应保留，因为明显的退化变化可能反映了不同的操作条件，而非永久性老化。
2. 提取有意义的健康指数
示例包括：
- 在定义的截止条件下的放电容量。
- 使用一致方法测量的内阻。
- 电压或微分容量特征。
- 温度响应特征。
- 在标准化限制下的充放电持续时间。
健康指数应该是可重复的。如果同一个电池在几乎相同的条件下进行测试，该特征不应仅仅因为提取过程而发生重大变化。
3. 检测明显的无效观测值
标记由通信故障、不完整循环、传感器限幅、异常温度波动或不当终止的充放电事件引起的测量值。
不要自动删除每一个异常值。突变可能表明发生了真实的电池事件，因此删除应基于测试元数据、相邻测量值和已知的操作限制。
4. 应用平滑方法
适当的方法取决于噪声水平、采样密度以及是否需要保留局部斜率信息。
移动平均
移动平均对于随机的高频波动简单且有效。然而，它可能会拉平重要的过渡，并在序列的开始和结束处引入延迟。
Savitzky–Golay 滤波
Savitzky–Golay 滤波器在移动窗口内拟合局部多项式。它通常比移动平均更好地保留局部斜率和曲率，因此当退化轨迹包含有意义的渐变时非常有用。
必须仔细选择其窗口大小和多项式阶数。过大的窗口可能会消除真实的退化变化。
基于 SVM 的平滑
SVM 回归模型可以学习循环次数与健康指数之间的平滑关系。当噪声比简单的随机波动更复杂时，它很有用，但其正则化和核参数需要验证。
模型不应仅仅为了产生视觉上吸引人的曲线而进行调整。它必须提高对未参与训练的退化数据的预测能力。
强制执行正确的物理趋势
平滑后使用单调性
平滑减少了局部噪声，但不能保证物理上有效的轨迹。第二步应检查每个新的健康指数值是否违反了预期的方向。
对于基于容量的指数，一个简单的规则是：
[ HI_t^{\text{corrected}}=\min(HI_t^{\text{smoothed}}, HI_{t-1}^{\text{corrected}}) ]
这可以防止新值超过之前修正后的值。
对于应该增加的退化度量，等效规则是：
[ D_t^{\text{corrected}}=\max(D_t^{\text{smoothed}}, D_{t-1}^{\text{corrected}}) ]
这在精神上等同于用前一个值替换疑似恢复的步骤，如主要参考文献中所述。
保守地应用约束
单调性应该消除不可信的逆转，而不是掩盖有意义的电池行为。由于休息期、温度变化、倍率效应或电化学弛豫，一些电池可能会表现出暂时的明显恢复。
因此，将约束应用于旨在表示长期退化的健康指数，并单独保留操作条件变量以对可逆效应进行建模。
在适当的时候考虑单调回归
硬阶梯式修正易于实现，但会在导数中产生平坦区域和不连续性。当有足够的数据时，保序回归或其他约束回归方法可以提供更系统的单调拟合。
选择应通过样本外 RUL 性能和物理可解释性来评估，而不是仅仅通过平滑度来评估。
将清洗后的信号输入预测模型
使用处理后的轨迹进行退化建模
一旦健康指数经过平滑和物理约束，就可以将其提供给以下模型：
- 基于 Copula 的退化模型。
- 粒子滤波器。
- 贝叶斯退化模型。
- 混合效应模型。
- 支持向量回归或集成机器学习模型。
与任何单个含噪声的循环测量相比，清洗后的轨迹提供了对潜在健康状态更稳定的估计。
区分群体行为与电池特定行为
跨多个电池的离线测试可以估计群体层面的退化参数和电池间的差异。来自单个电池的在线测量随后可以更新其特定的退化路径。
这种两阶段方法很有用，因为单个电池的老化速度可能比群体平均水平快或慢。贝叶斯更新或混合效应建模可以结合历史群体分布和当前电池的观测值。
保留不确定性，而不是只产生一条曲线
平滑和单调性强制执行改善了中心退化估计，但它们并没有消除不确定性。一个稳健的 RUL 系统应将测量和模型的不确定性传播到预测区间或生存概率中。
当电池尚未达到明确的失效状态，或者无法获得固定的寿命终点阈值时，这一点尤为重要。
包含动态操作条件
现实世界中的电池会经历变化的电流需求、阶段持续时间、温度和休息期。平均电流、电流变化、最大和最小电流以及阶段持续时间等负载统计数据可以提供给粒子滤波器或其他状态估计模型。
仅基于循环次数的退化模型在实验室老化中可能表现良好，但在动态车辆、无人机或设备操作中可能会失败。
验证完整的处理链
使用时间序列验证
在训练集和测试集之间随机混合早期和晚期循环，可能会使 RUL 性能看起来比实际更好。使用时间序列分割或失效验证，以便永远不会使用未来的退化来处理或训练过去的数据。
任何平滑窗口、滤波器参数或单调性规则都必须仅使用训练数据来选择。
比较原始、平滑和约束信号
评估每个处理阶段是否改善了：
- 预测误差。
- 重复运行的稳定性。
- 退化开始的检测。
- 寿命终点时间。
- 不确定性区间的校准。
视觉上更平滑的曲线不足以证明该方法更好。
使用适当的 RUL 指标
报告以下指标：
- 平均绝对误差。
- 均方根误差。
- 相对 RUL 误差。
- 重复预测的标准差。
- 放电结束或寿命终点的时间误差。
补充参考文献描述了在特定实验设置中实现 RMSE 低于 2% 和相对 RUL 误差在 9% 以内的先进方法。这些值应被视为报告的参考结果，而非普遍保证。
使用硬件在环测试进行验证
硬件在环测试可以通过实验室电池设备重放动态负载曲线，同时将测量的电池行为与预测状态估计进行比较。
这暴露了静态循环可能遗漏的故障，包括模型对电流变化、环境条件、参数收敛和过放电风险的敏感性。
理解权衡
过度平滑可能会掩盖真实的退化
较大的滤波窗口可能会消除由加速老化、损坏或进入快速退化阶段引起的实际阶跃变化。这会产生看起来稳定的信号，但可能会延迟故障检测。
使用在实质上减少测量噪声的同时保留物理上有意义的变化的最小平滑量。
单调性可能会产生虚假的信心
即使底层测量包含真实的异常事件，单调曲线看起来可能更真实。如果电池损坏、热行为发生变化或测试协议发生偏移，强制执行趋势可能会掩盖重要的诊断信号。
保留原始信号和处理后的信号以进行审计和异常检测。
固定的失效阈值并不总是可靠的
内阻或其他健康指数可能没有一个通用的阈值来准确定义跨电池和操作条件的失效。制造差异、负载曲线、故障模式可能会改变测量信号与实际寿命终点之间的关系。
当固定阈值不适用时，将退化建模与失效时间或风险建模相结合，以概率方式估计生存率。
复杂的模型无法修复糟糕的测量
集成模型、粒子滤波器、贝叶斯模型和优化后的机器学习算法可以提高稳健性，但它们无法无限期地补偿不一致的测试程序或损坏的传感器数据。
测量可重复性、校准、同步通道和定义明确的循环终止标准仍然是基础。
如何将其应用于您的项目
使用分阶段的工作流程，保持信号调节、物理约束、预测建模和验证的独立性和可追溯性。
- 如果您的主要重点是实验室循环数据： 提取可重复的健康指数，应用 Savitzky–Golay 或移动平均平滑，强制执行正确的单调方向，并针对失效电池进行验证。
- 如果您的主要重点是动态现实世界操作： 在清洗后的健康指数旁边保留电流、温度、阶段持续时间和负载统计数据，以便预测模型可以将操作影响与永久性老化区分开来。
- 如果您的主要重点是概率 RUL 预测： 将约束轨迹输入粒子滤波器、基于 Copula 的模型、贝叶斯模型或风险框架，同时传播不确定性，而不是仅报告点估计。
- 如果您的主要重点是部署可靠性： 离线校准群体参数，在线更新电池特定参数，并在现场部署前使用硬件在环测试。
- 如果您的主要重点是诊断： 同时保留原始信号和处理后的信号，因为删除的逆转可能是噪声，也可能是真实的测试或电池异常的证据。
可靠的 RUL 预测来自于结合清洗后的测量值、物理上一致的健康轨迹、环境感知建模以及在现实操作条件下的验证。
总结表：
| 步骤 | 操作 | 示例方法 | 关键考量 |
|---|---|---|---|
| 1 | 标准化原始测量值 | 按循环对齐，检查单位 | 确保测试条件一致 |
| 2 | 提取健康指数 | 放电容量、电阻 | 必须可重复 |
| 3 | 检测无效观测值 | 标记通信故障 | 不要盲目删除异常值 |
| 4 | 应用平滑 | Savitzky–Golay，移动平均 | 保留有意义的变化 |
| 5 | 强制执行物理趋势 | 单调约束 | 匹配健康指数方向 |
| 6 | 输入预测模型 | 粒子滤波器，贝叶斯 | 传播不确定性 |
| 7 | 使用时间序列分割验证 | 失效测试 | 正确使用未来数据 |
准备好通过可靠的 RUL 预测来增强您的电池研发了吗？KINTEK 提供用于电池研发和先进材料研究的综合实验室设备，涵盖整个电池制造工作流程。我们的精密工具可确保高质量的数据收集。立即联系我们，讨论我们如何支持您的 RUL 建模和预测性维护需求。