电池预测和健康管理的大型模型：回顾和未来路线图

arXiv:2608.26111v1 公告类型：新 摘要：电池预测和健康管理 (BPHM) 对于确保电动汽车、电网存储和消费电子产品中电池的安全、可靠和经济高效的运行至关重要。传统的 BPHM 方法，包括基于物理的模型和以任务为中心的深度学习方法，在计算效率和参数化、跨域泛化、对大量标记的运行到故障数据的依赖以及模型可解释性方面面临挑战。最近基于 Transformer 架构和自监督预训练构建的大型模型 (LM) 提供了一种变革性的新范式来克服这些长期存在的瓶颈。这篇综述首次全面调查了 BPHM 中的 LM 应用，系统地研究了这些模型如何应对该领域的挑战。我们首先阐明支持 LM 的基础技术，包括 Transformer 架构、自监督学习、大规模多模态数据集和 PEFT 技术。然后，我们按照四个关键维度对最新进展进行分类：缓解数据稀缺性、增强泛化性和鲁棒性、集成领域知识以实现可解释性以及实现系统级自动化。尽管取得了令人鼓舞的成果，但在数据可访问性、情报验证、可信度和部署可行性方面仍然存在重大挑战。为了指导未来的研究，我们提出了一个路线图，重点关注构建协作数据生态系统、验证工业应用的智能、通过基于物理的设计增强可信度以及实现高效的设备上部署。本综述建立了一种系统方法来理解和推进 LM 驱动的 BPHM，为研究人员和从业者提供了开发下一代电池管理系统的重要见解，该系统能够在整个电池生命周期中安全、可靠和自主运行。