Deep Learning mit Zeitdaten-Augmentation verbessert RUL von Li‑Ionen‑Batterien

Die präzise Vorhersage der verbleibenden Nutzungsdauer (Remaining Useful Life, RUL) von Lithium‑Ion‑Batterien ist entscheidend für zuverlässiges Gesundheitsmonitoring und datengetriebene Wartungsstrategien. Trotz großer Fortschritte in der Modellierung bleibt die Zuverlässigkeit bei komplexen Betriebsbedingungen und begrenzten Datenmengen ein zentrales Problem.

Um diese Herausforderungen zu überwinden, stellt die Studie das hybride Deep‑Learning‑Modell CDFormer vor. CDFormer kombiniert Convolutional Neural Networks, Deep Residual Shrinkage Networks und Transformer‑Encoder, um multiscale zeitliche Merkmale aus Messsignalen wie Spannung, Strom und Kapazität zu extrahieren. Durch die gleichzeitige Modellierung lokaler und globaler Degradationsdynamiken verbessert das System die RUL‑Präzision deutlich.

Ein weiteres Schlüsselelement ist die composite temporal data augmentation‑Strategie, die Gaussian‑Noise, Time‑Warping und Time‑Resampling nutzt. Diese Technik berücksichtigt Messrauschen und Variabilität explizit und erhöht die Robustheit der Vorhersagen.

CDFormer wurde auf zwei realen Datensätzen getestet und zeigte konsistente Überlegenheit gegenüber herkömmlichen RNN‑ und Transformer‑Baselines in allen wichtigen Leistungsmetriken. Die Ergebnisse demonstrieren, dass das Modell nicht nur genauer, sondern auch zuverlässiger ist, was für die Planung von Wartungsmaßnahmen und die Optimierung von Batterienutzung von großer Bedeutung ist.

Durch die Kombination aus fortschrittlicher Architektur und gezielter Datenaugmentation liefert CDFormer verlässliche RUL‑Vorhersagen aus Messdaten. Dies unterstützt Betreiber dabei, Wartungsstrategien datenbasiert zu gestalten und die Lebensdauer von Lithium‑Ion‑Batterien effektiv zu verlängern.