PFFN: A Parallel Feature Fusion Network for Remaining Useful Life Early Prediction of Lithium-Ion Battery
Notice bibliographique
Résumé
Remaining useful life (RUL) early prediction of lithium-ion battery (LIB) is crucial to develop advanced battery health management and complete security assessment. However, most of the existing methods still suffer from two limitations, i.e., the inadaptability to the different data distribution and the inability to capture the relationship between input series and RUL, which always make the RUL early prediction difficult and challengeable. To address these issues, this article proposes a parallel feature fusion network (PFFN) for RUL early prediction of LIB. First, a feature selection strategy is designed to filter the optimal feature sets (containing cycle statistical features and domain knowledge-based features) that are most related to RUL of LIB. Second, two specific transformer encoders connected in parallel configuration are developed to integrate the cycle statistical features and domain knowledge-based features, respectively, achieving original RUL early prediction results. Furthermore, Bayesian optimization is applied for global iterative optimization, aiming to enhance the prediction accuracy and generalization capability. A series of experiments are conducted with different data distributions. Experimental results demonstrate that the proposed PFFN outperforms the state-of-the-art (SOTA) methods, achieving 6.00%~27.61%, 0.58%~6.49%, and 5.95%~7.03% reduction in root mean square error (RMSE), mean absolute percentage error (MAPE), and score, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».