Nature子刊论文复现！基于信号分解和机器学习的锂电池RUL预测

往期精彩内容：

前言

本期基于美国国家航天局（NASA）锂电池实验数据，复现了Nature子刊论文中提出的 CEEMDAN+SSA-LSTM+SVR 模型实验。通过对该先进深度学习模型的深入剖析和实验验证，旨在为后续锂电池健康管理系统（Battery Health Management, BHM）研究提供可借鉴的方法路径和数据支持，具有显著的学习和参考价值。

论文题目：《A hybrid approach for lithiumion battery remaining useful life prediction using signal decomposition and machine learning》

论文链接：

https://www.nature.com/articles/s41598-025-92262-8

1 复现效果简介

1.1 模型评估：

1.2 预测对比可视化：

我们同时提供详细的资料和视频讲解，包括参数调整教程，预测任务的替换等，代码逐行注释，参数介绍详细：

● 数据集：NASA锂离子电池寿命试验公开数据集

● 环境框架：python 3.11 pytorch 2.1 及其以上版本均可运行

● 使用对象：论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

2 复现论文简介

2.1 论文摘要

锂离子电池在许多领域有着广泛的应用，其剩余使用寿命的准确预测是电池有效管理和安全保障的关键。为了解决电池容量退化过程中局部容量再生现象导致RUL预测精度下降的问题，提出了一种新的RUL预测方法，该方法将完全集成经验模式分解和自适应噪声(CEEMDAN)技术与支持向量回归(SVR)和长短期记忆(LSTM)网络相结合的混合预测策略相结合。

首先，使用CEEMDAN将电池容量数据分解为高频分量和低频分量，从而减少容量再生的影响。然后，利用支持向量机模型对表征主要退化趋势的低频分量进行预测，对包含容量再生特征的高频分量采用基于麻雀搜索算法(SSA)优化的LSTM网络进行预测。最后，将两种模型的预测结果结合起来，得到最终的RUL预测。在美国宇航局公开数据集上的实验结果表明，该混合方法的均方根误差均小于0.0086 ah，平均均方误差均小于0.0060 ah，R2值均大于0.96，RUL预测误差控制在一个周期内。该方法充分发挥了支持向量机和LSTM的互补优势，为锂离子电池RUL预测提供了准确可靠的解决方案。

2.2 论文模型简介

本文结合CEEMDAN、SVR和LSTM提出了一种新的锂电池RUL预测方法。CEEMDAN用于将容量数据分解为多个IMF和一个残差项。每个IMF代表原始数据中不同的频率成分，残差是数据的长期趋势部分。SVR用于捕获数据的低频残差部分，LSTM用于捕获高频分量的非线性和长期和短期相关性。为了避免人工调整LSTM超参数对预测精度的影响，采用麻雀搜索算法(SSA)进行超参数优化。该方法在NASA Ames预测卓越中心(PCOE)的公共数据集上进行了实验验证。结果表明，该方法的预测精度高于其他主流方法，验证了该方法对电池RUL准确预测的有效性。

2.3 论文数据集简介

本文从NASA艾姆斯研究中心获得了锂电池循环老化的原始数据集。选取了编号为B0005、B0006、B0007和B0018的四块电池来验证该方法的有效性。所有电池的测试都是在24°C的恒定环境温度下进行的。具体的充放电方案如下：在充电阶段，最初施加1.5A的恒流(CC)，直到电池电压达到4.2V，然后切换到恒压(CV)模式，直到充电电流衰减到20 mA，标志着充电结束。放电过程包括恒定电流(CC)2 A，直到电池电压降至每个电池特定的截止电压：电池B0005为2.7V，电池B0006和B0018为2.5V，电池B0007为2.2V，完成了放电过程，表1还列出了其他关键参数，包括放电电流(DC)、放电电压(DV)和电池故障阈值(TS)。本文利用原始数据集的容量数据进行了实验验证。电池寿命的终止(EOL)定义为电池容量降至额定容量(1.4ah)的70%时。但是，对于电池B0007，未达到1.4ah，将EOL设置为额定容量(1.45ah)的72%。如图显示了NASA锂电池的容量退化趋势。

3 数据预处理

3.1 CEEMDAN分解

本文将CEEMDAN算法直接应用于锂离子电池容量数据的分解，得到多个IMF。与锂离子电池电流和电压数据的分解相比，该方法具有更快的处理速度、更高的精度和更低的计算复杂度。模式数k的选择对分解性能有显著影响。如图显示了使用CEEMDAN算法分解NASA锂电池容量数据获得的IMF。在图中，每个IMF都显示了锂离子电池数据的不同特征。高频IMF(IMF1到IMF3)主要捕捉短期变化和快速波动，尽管类似随机噪声，但它仍然可以提供对电池性能细微变化的洞察。IMF4代表主要趋势，反映了随着时间的推移总体能力下降。这种分解可以进行清晰的分析，区分瞬时波动、周期性特征和主要的退化趋势。