舰载锂离子电池的健康状态（SOH）与剩余使用寿命（RUL）评估因传感器中断及遥测数据缺失而精度下降。现有数据驱动方法在数据缺失时难以捕捉非线性退化行为。本研究提出一个融合多数据集特征对齐、退化感知数据补全与先进时序建模的SOH-RUL联合评估统一框架。本研究开发了一种单调性感知的时间序列生成对抗网络，用于重构不完整的电池序列，同时保持与退化相关的时间结构特征。该网络采用定制化可变形卷积网络与选择性状态空间Mamba模块相结合的设计，能够捕捉多尺度时间依赖关系及长程退化演变规律。通过统一的滑动窗口表征与特征标准化处理流程，实现了跨数据集训练能力，使所提框架在动态负荷与恒流放电条件下均保持有效性。在公开数据集和实验数据集上，所提出的框架持续提升估计精度，与未采用生成式增强的方法相比，实现了健康状态（SOH）平均绝对误差（MAE）降低58.4%、剩余使用寿命（RUL）MAE降低61.9%。同时，该模型在估计性能与计算效率之间保持了良好平衡，展现出在配对电池管理系统中的强大应用潜力。

引言

全球交通运输部门占燃料燃烧所致碳排放量的24%，这些排放是导致全球变暖与气候变化的主要因素[1]。海运业电气化是应对气候变化、提升能源效率及确保可持续发展的关键优先事项[2]。各国政府与行业利益相关方正积极推动电动船舶的应用，尤以近海航运与内河船舶领域为重点。锂离子电池因其高能量密度、长循环寿命以及可同时支持主推进系统与辅助电力系统的能力，已成为船载储能系统的首选解决方案[3]。其在纯电动与混合动力船舶中的应用显著增长，为传统柴油动力源提供了替代选择[4]。
蓄电池是船舶电力推进的主要能量来源。与传统依赖机械能转换的燃油发动机不同，电池动力系统利用电能存储形式实现能量转换[5]。电动船舶具备多项运行优势，包括噪声更低、维护需求更少，并具备在排放控制区域（如港口和港湾）的运营能力[6]。这些优势的实现取决于电池系统的性能、可靠性与使用寿命。
电池管理系统（BMS）用于监测电池的运行状态。传统BMS策略依赖于电压或温度阈值等基本估算规则，此类方法无法充分表征电池退化机制的复杂性[7]。船舶配对作业使电池承受动态读档曲线、频繁充放电循环及波动的环境条件，这些因素会加速锂电池性能衰退，并影响电池系统的健康状态（SOH）与剩余使用寿命（RUL）[8]。SOH（健康状态）表示电池当前容量相对于出厂时额定容量的比值，该值会因化学反应、热效应及反复充放电循环而随时间逐渐衰减[9]。RUL（剩余使用寿命）则指电池在判定为不适用前可承受的剩余循环次数[10]。准确估算RUL对于确定何时需要维护、更换或充电至关重要。
此外，锂电池在海洋环境中的应用呈现出与陆地场景截然不同的独特挑战[11]。相较于陆上电动汽车面临的挑战，这些独特挑战包括有限的数据可用性和更为严苛的环境条件[12]。同时，海洋环境中常出现通信异常现象，如数据丢失、传输延迟及传感器间歇性失效等。特殊环境因素可能加速电池老化、增加安全风险，并对电池管理系统（BMS）提出更高要求。因此，如何准确评估电池健康状态（SOH）与剩余使用寿命（RUL）成为当前亟待解决的关键难题[13]。

电动船舶的蓄电池在长期运行过程中会经历复杂的老化过程[14]。准确评估其性能状态与剩余使用寿命对保障航行安全、优化能源管理及降低维护成本至关重要[15]。目前学界已开发出多种健康状态(SOH)与剩余使用寿命(RUL)预测方法，各类方法均具有独特优势与挑战。这些方法总体上可分为基于传统物理模型的方法与数据驱动方法[16]。
传统方法主要基于经验模型、物性模型、滤波方法及混合方法。经验模型依赖历史数据与趋势提取来预测未来性能，但其准确性受限于数据的可获得性与质量。物性模型通过模拟电池电化学行为深入解析退化机制，但存在计算成本高、需大量参数校准的缺点[17]。基于滤波的方法（如卡尔曼滤波KF与粒子滤波PF）通过实时测量值持续更新状态估计[18]。KF在线性高斯噪声系统中表现可靠，而PF虽能处理非线性与非高斯特性，但计算成本显著更高。混合方法则致力于整合经验模型、物性模型与滤波方法的优势。然而，这些方法在准确性和泛化能力方面存在局限，特别是在实际应用中，运行条件可能存在显著差异。
人工智能与大数据分析等先进技术的发展为数据驱动建模创造了新机遇[19]。数据驱动方法依赖海量数据和强大处理器，无需理解电池内部复杂机理。包括支持向量机、随机森林和神经网络在内的机器学习算法，在电池健康状态(SOH)与剩余使用寿命(RUL)估算方面展现出比传统方法更高的精度潜力[20][21]。通过分析历史数据，这些模型能够揭示电池性能与衰退过程中隐藏的模式，从而实现更可靠的联合估计[22]。近期研究进一步探索了交互式混合框架，将离线深度序列学习与在线基于模型的校正相结合，例如整合双向长短期记忆网络（BiLSTM）与自注意力机制及无迹卡尔曼滤波，以迭代优化电池剩余使用寿命（RUL）的估算精度[23]。其他混合方法已将基于滤波的估计器与深度卷积架构相结合，例如通过将UKF-PF混合估计器与配备注意力机制和多尺度跳跃连接的增强型卷积神经网络相结合，以改进非线性退化跟踪和特征提取[24]。此外，基于时间卷积和注意力机制的混合时序学习策略在复杂非线性序列预测中也展现出强大Ability，进一步验证了混合时序特征提取框架的有效性[25]。
尽管存在这些优势，一个主要挑战在于模型训练所需的高质量数据集要求[26]。现有数据往往存在有限性、不完整性或噪声干扰，这些因素均可能导致准确度下降[27]。常见的数据增强方法可分为两大类别：经典方法与高级方法。经典方法涉及简单的随机变换与数据组合操作。针对时间序列数据，可通过时间轴上的随机缩放、平移或插值运算生成新样本[28]。高级方法通常采用机器学习与神经网络技术[29]。虽然这些方法需要消耗更多计算资源并涉及复杂算法设计，但它们能显著提升模型性能与泛化能力，尤其对于高维度、复杂或不平衡数据集效果更为突出[30]。

本研究提出一种基于退化感知数据补全的SOH与RUL联合预测统一框架。该框架能有效缓解数据缺失对预测性能的负面影响，增强时序特征学习能力，支持不同工况下的稳定运行。主要创新点可归纳如下。

• (1)
  典型的时序生成对抗网络（TimeGAN）架构被重构为单调性感知时序生成对抗网络（MATGAN），其整合了多尺度时序对齐、退化感知约束和单调性引导的潜在动态机制。这些增强功能使生成器能够保持不可逆的老化趋势，并重建物理一致的电压-电流轨迹，即使在数据缺失情况下也能实现。
• (2)
  下游估计器通过定制化的卷积架构得到增强，该架构采用可学习扩张偏移量和多尺度特征融合来扩展感受野。通过整合受Mamba选择性状态机制启发的状态空间层，长程时序依赖建模能力得到提升，最终形成统一的定制化可变形卷积神经网络（TDCN）-Mamba估计器。
• (3)
  滑动窗口表征与特征标准化处理流程实现了复杂电池数据集间的联合训练，展现出对传感器数据中断的鲁棒性。

上一篇：roadhawk铅酸蓄电池寿命终结管理的全面综述：未来展望与指导方针
下一篇：roadhawk蓄电池水系锌电池中通过硒桥联电子转移跨链桥实现的快速固-固氧化还原动力学