1. 锂电池SOH在线估计的核心问题拆解1.1 为什么SOH在线估计这么难做锂电池的SOHState of Health健康状态在线估计说白了就是在电池还在车上跑、还在储能柜里充放电的时候实时告诉你还剩多少“命”。这个“命”通常用容量保持率或者内阻增长率来衡量行业里最常用的定义是当前最大可用容量与额定容量的比值。比如一块标称50Ah的三元锂电池用了两年之后满充只能放出43Ah那它的SOH就是86%。听起来简单做起来要命。难点集中在三个地方第一电池内部状态不可直接测量你只能看到端电压、电流、温度这些外部信号容量和内阻都是“隐变量”第二工况千变万化有人天天快充、有人长期慢充、有人经常大倍率放电不同使用习惯导致的衰减路径完全不同第三在线估计要求算法在嵌入式BMS电池管理系统上跑得动算力有限、存储有限不能动不动就上几百万参数的大模型。传统方法大致分两类。一类是基于模型的方法比如等效电路模型配合卡尔曼滤波系列算法通过辨识欧姆内阻、极化内阻等参数来间接推断SOH。这类方法在实验室条件下精度不错但实际工况下模型参数会随温度和老化漂移标定工作量巨大。另一类是数据驱动方法直接用机器学习从历史充放电数据里学映射关系。早期用SVM、随机森林做后来深度学习兴起LSTM、GRU、CNN都有人试。但数据驱动方法有个致命问题训练集和测试集的分布必须接近。实验室用标准充放电循环采的数据跟实车上那种忽快忽慢、时充时放的工况数据分布差异极大模型一上线就“翻车”。这就引出了当前最有希望的一条路自注意力机制 小样本深度迁移学习。自注意力擅长从长序列里抓关键退化信息迁移学习负责把实验室学到的知识搬到实际工况小样本则解决实车标注数据稀缺的问题。三者结合才有可能做出真正能落地的在线SOH估计方案。1.2 自注意力机制到底在电池数据里抓什么多头自注意力机制的原理网上讲Transformer的文章已经铺天盖地但放到电池SOH估计这个场景里它到底在“注意”什么很多人其实没想明白。电池的充放电曲线是一段典型的时间序列。以恒流充电阶段为例电压从3.0V升到4.2V的过程中不同老化程度的电池表现出不同的电压上升速率和拐点位置。早期电池在3.7V附近有一段明显的电压平台老化后这个平台会缩短甚至消失。自注意力机制的核心能力是对序列中任意两个时间步计算相关性权重然后加权聚合信息。这意味着模型可以自动学到“3.7V平台段的持续时间”与“当前SOH”之间的强关联而不需要人工设计特征。更具体地说假设输入序列长度为L每个时间步的特征维度为d包括电压、电流、温度、累计安时数等自注意力会生成Query、Key、Value三个矩阵通过QK^T计算注意力分数再经过softmax归一化得到权重最后对Value加权求和。这个过程允许模型在计算某个时间步的表示时直接“看到”序列中所有其他时间步的信息。对于电池退化这种缓慢累积的过程这种全局视野非常关键——因为SOH的变化往往体现在整段充电曲线的形态变化上而不是某一个点的数值。多头机制则进一步增强了表达能力。不同的注意力头可以关注不同的模式一个头可能盯着充电初期的电压斜率另一个头关注中段平台长度还有一个头可能捕捉充电末端的截止电流行为。最后把多个头的输出拼接再线性变换得到综合表示。实测下来4到8个头在电池SOH任务上表现比较均衡头数太少抓不全模式太多则容易过拟合且增加计算量。注意自注意力对输入序列长度敏感。电池充电数据如果按1Hz采样一次完整充电可能产生上万条记录直接输入会导致计算量爆炸。常见做法是按固定电压间隔重采样比如每10mV取一个点把序列压缩到几百个时间步既保留曲线形态又控制计算量。1.3 小样本深度迁移学习为什么是破局关键实车电池数据有个特点量大但标注少。你很容易拿到几百万条充放电记录但“这条记录对应的SOH是多少”这个标签需要做完整的容量标定测试才能获得成本极高。实验室里可以精心做几百个循环、每个循环都标定容量但实车不可能这么干。这就形成了小样本困境源域实验室有标注但数据分布单一目标域实车数据丰富但几乎没标签。深度迁移学习的思路是先在源域上预训练一个自注意力网络让它学会从充放电曲线中提取退化特征的一般能力然后把这个网络迁移到目标域只用少量标注数据做微调。微调的策略有几种一种是冻结底层参数、只训练最后几层适合源域和目标域差异较小的情况另一种是全网络微调但用很小的学习率适合差异较大的场景还有一种是加一个域适应模块在特征层面对齐源域和目标域的分布。实际项目中我倾向于采用“预训练域对抗小样本微调”的三段式方案。域对抗的核心思想是在特征提取器后面接一个域判别器判别器试图区分特征来自源域还是目标域而特征提取器则试图骗过判别器。这样训练下来特征提取器学到的表示就具有域不变性源域和目标域的数据在特征空间里分布接近后续微调只需要很少的标签就能收敛。小样本微调阶段通常每个SOH区间比如90%-100%、80%-90%、70%-80%只需要5到10个标注样本就能把估计误差控制在3%以内。这个精度对于BMS做健康管理已经够用了——毕竟SOH估计的主要目的是判断电池是否该退役、是否该降功率使用而不是做精确的容量计量。2. 从原始数据到模型输入的完整处理链路2.1 数据采集与预处理的关键细节电池数据采集看似简单实则坑很多。先说采样频率。BMS通常以1Hz到10Hz的频率记录电压、电流、温度但不同厂商的BMS采样精度和同步性差异很大。我遇到过电压和电流时间戳对不齐的情况导致安时积分计算出来的容量偏差超过5%。所以第一步必须做时间对齐通常用线性插值把不同信号统一到相同时间轴上。然后是充电段提取。SOH估计最常用的数据段是恒流充电段因为这段电流稳定、电压变化规律性强。但实车充电往往不是标准恒流可能是多阶段恒流、恒功率、甚至脉冲充电。这时候需要做工况分割把充电过程切成若干稳定片段只保留电流波动小于5%的片段用于SOH估计。放电段也可以用但放电工况更复杂负载变化大信噪比不如充电段。温度补偿是另一个容易被忽视的环节。锂电池的电压曲线对温度非常敏感零下10度和25度下的充电曲线形态完全不同。如果训练集里只有25度的数据模型到冬天就会严重失准。解决办法有两个一是采集多温度数据做训练二是把电压信号归一化到参考温度。工程上常用后者用温度系数做线性修正虽然精度有限但计算量小适合嵌入式部署。实操心得数据预处理阶段一定要做异常值剔除。我见过因为BMS通信丢包导致某段时间电压恒为0的情况这种数据如果不剔除训练出来的模型会学到完全错误的模式。简单做法是设定电压变化率阈值超过阈值的点直接标记为无效。2.2 特征工程与序列构建原始信号只有电压、电流、温度三个通道直接输入自注意力网络也能跑但效果不如手工特征原始信号混合输入。手工特征的作用是给模型提供先验知识降低学习难度。常用的手工特征包括充电起始电压、充电截止电压、恒流段持续时间、恒流段电压上升斜率、充电末段电流衰减时间常数、累计充入安时数、平均温度、温度变化率等。这些特征从不同侧面反映电池老化状态。比如恒流段持续时间随SOH下降而缩短因为老化电池内阻增大达到截止电压更快充电末段电流衰减时间常数则与锂离子扩散系数相关老化后扩散变慢时间常数增大。序列构建方式有两种一种是单周期序列即每次充电作为一个独立样本输入是这次充电的完整曲线另一种是多周期序列把连续多次充电拼在一起让模型捕捉退化趋势。单周期样本量大、训练稳定但丢失了历史信息多周期能捕捉退化速率但样本数量少、对齐困难。实际项目中我通常先用单周期预训练再用多周期做微调兼顾两者优势。序列长度需要权衡。按10mV间隔重采样从3.0V到4.2V共120个点加上电流和温度通道输入维度是120×3。这个长度对自注意力来说计算量适中在嵌入式NPU上也能跑到实时。如果按5mV间隔序列长度翻倍到240精度提升有限但计算量增加明显性价比不高。2.3 源域与目标域的划分策略迁移学习的效果很大程度上取决于源域和目标域的划分是否合理。源域通常是实验室标准循环数据比如在25度下以0.5C恒流充放电循环500次每50次做一次容量标定。这种数据标注准确、工况标准但分布单一。目标域是实车数据工况复杂但标签稀缺。划分目标域时要注意不能把所有实车数据混在一起当目标域因为不同车辆、不同电池包、不同使用地区的分布差异可能比源域和目标域的差异还大。合理做法是按车辆或按电池包划分每个目标域只包含同一批次、同一使用场景的数据。比如“北方冬季网约车”和“南方夏季私家车”应该作为两个独立的目标域分别做迁移。如果目标域之间差异过大可以考虑多源域迁移。即用多个实验室数据集不同温度、不同倍率、不同电池类型作为多个源域分别预训练多个模型然后对目标域做模型融合。这种做法精度更高但工程复杂度也更高适合对精度要求极高的场景比如电池梯次利用分选。3. 自注意力SOH估计网络的搭建与训练3.1 网络结构设计与参数选择整个网络可以分成三个模块特征提取模块、自注意力编码模块、回归输出模块。特征提取模块负责把原始序列映射到高维表示。可以用一维卷积做局部特征提取卷积核大小取3到5步长1输出通道数32到64。卷积层的作用是捕捉局部波形特征比如电压曲线的拐点、平台边缘等。然后接一个位置编码层因为自注意力本身不包含位置信息需要显式注入。位置编码用正弦函数或者可学习参数都可以实测差异不大。自注意力编码模块是核心。标准Transformer编码层包括多头自注意力、前馈网络、残差连接和层归一化。对于电池SOH任务我建议用2到4层编码层每层4到8个注意力头隐藏维度64到128。层数太多容易过拟合因为电池退化特征相对简单不需要太深的网络。前馈网络的隐藏维度通常是注意力的2到4倍用GELU激活函数。回归输出模块把编码后的序列表示映射到SOH值。有两种做法一种是取序列最后一个时间步的输出接全连接层回归另一种是对所有时间步做平均池化再回归。我倾向于后者因为SOH是全局属性平均池化能聚合整段曲线的信息更鲁棒。输出层用Sigmoid激活把SOH限制在0到1之间再乘以100得到百分比。损失函数用MSE为主可以加一个单调性约束项。因为电池SOH随循环次数增加单调下降如果模型预测出SOH反弹说明学错了。单调性约束的实现方式是对同一电池的连续两个循环如果后一个循环的预测SOH大于前一个则施加惩罚。这个约束在微调阶段特别有用能显著提升小样本下的泛化能力。3.2 预训练阶段的训练技巧预训练在源域上进行目标是让网络学会从充放电曲线提取退化特征。源域数据量通常有几千到几万条足够训练一个中等规模的网络。优化器用AdamW学习率设1e-3到1e-4权重衰减1e-4到1e-5。学习率调度用余弦退火从初始值降到1e-6。Batch size取32到64太小训练不稳定太大泛化差。训练轮数看收敛情况通常100到200轮足够。数据增强在预训练阶段很重要。电池数据增强的手段包括时间缩放把充电曲线在时间轴上拉伸或压缩5%到10%、幅值扰动电压加高斯噪声信噪比控制在30dB以上、片段裁剪随机截取充电曲线的80%作为输入。这些增强模拟了实际工况中的各种变化能提升模型的鲁棒性。注意数据增强不能改变SOH标签。时间缩放和幅值扰动不改变容量保持率所以标签不变。但片段裁剪要小心如果裁掉的是充电末段而末段信息对SOH估计很关键标签就不准了。建议裁剪时保留首尾各20%的片段只裁中间部分。预训练完成后在源域的验证集上评估。如果MSE小于0.5%对应SOH误差约2.2%说明预训练效果合格可以进入迁移阶段。如果误差偏大检查数据预处理是否有问题或者增加网络容量。3.3 迁移阶段的域适应与微调迁移阶段是决定最终精度的关键。我采用的流程是先冻结预训练网络的前两层只训练后两层和输出层用目标域的少量标注数据做初步适配然后解冻所有层用更小的学习率做全局微调。域对抗模块在初步适配阶段加入。具体做法是在特征提取模块后面接一个梯度反转层再接一个域判别器通常是两层全连接。域判别器试图区分特征来自源域还是目标域梯度反转层在反向传播时把梯度取反让特征提取器朝着“骗过判别器”的方向更新。域对抗的权重需要调太大容易导致特征退化太小起不到域适应效果。经验值取0.1到0.5之间根据源域和目标域的分布差异调整。微调阶段的学习率要比预训练小一个数量级比如预训练用1e-3微调用1e-4。这是因为预训练权重已经包含有用信息大学习率会破坏这些信息。微调轮数控制在20到50轮早停策略用目标域验证集的MSE连续5轮不下降就停止。小样本条件下正则化很重要。除了权重衰减还可以用Dropout率取0.1到0.3和标签平滑把硬标签变成软标签比如SOH85%变成83%到87%的均匀分布。标签平滑能防止模型对少量样本过拟合实测能降低微调后的验证误差约0.3%。4. 在线估计的工程化部署与优化4.1 模型压缩与嵌入式适配训练好的模型要部署到BMS的嵌入式芯片上算力和存储都是硬约束。典型的BMS主控芯片算力在100DMIPS到500DMIPS之间RAM在64KB到256KB之间根本跑不动原始的自注意力网络。模型压缩的第一步是量化。把32位浮点权重和激活值量化到8位整数模型大小直接缩小4倍计算速度提升2到3倍。量化方式有训练后量化和量化感知训练两种。训练后量化简单但精度损失可能较大量化感知训练在训练时就模拟量化误差精度保持更好。对于SOH估计这种回归任务量化感知训练能把精度损失控制在0.2%以内。第二步是剪枝。自注意力网络里有很多冗余的注意力头剪掉对输出影响小的头能减少计算量。剪枝策略有基于权重大小的、基于注意力分数熵的、基于梯度敏感度的。我常用基于注意力分数熵的剪枝计算每个头在验证集上的注意力分布熵熵越大的头说明注意力越分散、越不重要优先剪掉。剪掉一半的头精度损失通常不到0.1%。第三步是知识蒸馏。用一个大的教师网络预训练微调后的完整模型指导一个小学生网络层数更少、隐藏维度更小训练。学生网络的输出要同时拟合真实标签和教师网络的软输出。蒸馏温度取2到5软输出损失权重取0.5到0.7。蒸馏后的小网络参数量可以降到原来的十分之一精度损失控制在0.5%以内。4.2 在线推理流程与实时性保障在线推理的流程是BMS实时采集电压、电流、温度信号缓存最近一次完整充电段的数据当检测到充电结束或达到预设触发条件时启动SOH估计流程预处理模块做时间对齐、重采样、温度补偿然后送入量化后的自注意力网络做前向推理输出SOH值并更新到BMS的健康状态寄存器。实时性方面一次完整推理需要在100ms内完成否则会影响BMS的其他任务调度。量化后的网络在100MHz主频的MCU上120个时间步、4层编码、4个注意力头的配置推理时间大约在30到50ms满足要求。如果时间步增加到240推理时间会翻倍到60到100ms接近上限。所以序列长度不能无限增加需要在精度和实时性之间找平衡。触发策略也很关键。如果每次充电都做SOH估计计算资源浪费严重因为电池退化是缓慢过程一天内SOH变化微乎其微。合理做法是每隔一定循环次数比如50次或者每隔一定时间比如一周触发一次估计。触发条件可以结合充电深度只有充电深度超过80%的完整充电才触发因为部分充电的曲线不完整估计精度差。实操心得在线部署时一定要加置信度输出。模型除了输出SOH值还输出一个置信度分数可以用预测方差或者注意力熵来衡量。当置信度低于阈值时BMS应该标记该次估计为“低可信”并继续使用上一次的高可信估计值。这样能避免偶发的异常输入导致SOH跳变。4.3 模型更新与持续学习机制电池老化是一个持续过程模型上线后需要定期更新才能保持精度。但实车数据没有标签不能直接做监督学习。持续学习机制需要解决两个问题一是如何从无标签数据中获取监督信号二是如何在不遗忘旧知识的前提下更新模型。对于第一个问题可以用自监督学习。比如用对比学习同一电池的相邻两次充电曲线作为正样本对不同电池的充电曲线作为负样本对训练模型让正样本对的特征表示接近、负样本对的特征表示远离。这样模型能持续从无标签数据中学习退化特征而不需要SOH标签。对于第二个问题可以用弹性权重巩固EWC或者记忆回放。EWC的核心思想是在更新模型参数时对重要参数施加约束防止它们被大幅修改。重要程度用Fisher信息矩阵衡量Fisher信息大的参数说明对旧任务重要更新时惩罚大。记忆回放则是保留一小部分旧数据每次更新时混合新旧数据一起训练防止灾难性遗忘。实际工程中模型更新频率不需要太高。每季度或每半年更新一次即可因为电池退化是慢过程模型精度下降也是渐进的。更新时在云端完成训练然后把新模型参数下发到BMS。下发过程要注意版本管理和回滚机制新模型上线后如果精度下降要能快速回退到旧版本。5. 常见问题与排查技巧实录5.1 估计精度突然变差的排查思路SOH估计精度突然变差最常见的原因是数据分布漂移。比如车辆从南方开到北方环境温度从25度降到零下10度电压曲线形态变化巨大模型如果没在低温数据上训练过精度会断崖式下降。排查方法是检查最近一段时间的数据温度分布跟训练集的温度分布做对比如果差异超过10度基本可以确定是温度漂移问题。解决办法是加入温度自适应层或者用少量低温标注数据做快速微调。第二个常见原因是传感器故障。电压传感器漂移会导致整段充电曲线偏移电流传感器漂移会导致安时积分错误。排查方法是对比BMS采集的电压和外部万用表测量的电压如果偏差超过50mV说明传感器有问题。电流传感器可以用标准电阻做校准检查。传感器故障不解决再好的算法也没用。第三个原因是充电工况变化。比如车辆原来用慢充最近改用快充充电曲线从恒流转为多阶段恒流模型没见过这种模式精度自然下降。排查方法是统计最近充电段的电流波形跟训练集的电流波形做相似度对比。如果相似度低说明工况漂移需要采集新工况数据做微调。5.2 迁移学习不收敛的典型场景迁移学习不收敛表现是微调阶段损失震荡或者持续上升。最常见的原因是源域和目标域差异过大域对抗模块无法对齐分布。比如源域是磷酸铁锂电池数据目标域是三元锂电池数据两者的电压平台和退化模式完全不同强行迁移会适得其反。解决办法是换用更接近的源域或者用多源域迁移把磷酸铁锂和三元锂分别作为独立源域目标域根据电池类型选择对应的源域。第二个原因是学习率设置不当。微调阶段学习率太大会破坏预训练权重太小则收敛太慢。排查方法是画学习率扫描曲线从1e-5到1e-3取若干值看哪个学习率下验证损失最低。通常1e-4附近是比较安全的起点。第三个原因是小样本数量太少。如果每个SOH区间只有1到2个标注样本模型很难学到有效的微调方向。解决办法是增加标注样本或者用数据增强扩充样本量。对于SOH估计时间缩放和幅值扰动是有效的增强手段能把1个样本扩充到10个以上。5.3 嵌入式部署中的内存与算力瓶颈嵌入式部署最常见的问题是内存溢出。自注意力网络的中间激活值占用大量RAM如果序列长度是240、隐藏维度是128、4层编码中间激活值可能超过100KB超过很多MCU的RAM容量。解决办法是用梯度检查点技术在推理时只保留必要的中间结果其余重新计算。梯度检查点会增加计算量约30%但能把内存占用降低60%以上。算力瓶颈的表现是推理超时。如果推理时间超过BMS的任务周期会导致其他任务被延迟。解决办法除了模型压缩还可以用算子融合。把卷积、批归一化、激活函数融合成一个算子减少内存访问次数能提升推理速度20%到30%。另外用定点运算代替浮点运算也能提速但要注意定点位宽的选择位宽太低会导致精度损失。注意嵌入式部署前一定要做充分的压力测试。模拟各种极端输入全零输入、满量程输入、随机噪声输入确保模型不会崩溃或输出异常值。我见过因为输入全零导致softmax除零的情况虽然概率低但一旦发生就是严重故障。5.4 常见问题速查表问题现象可能原因排查方法解决措施SOH估计值跳变输入数据异常检查电压电流是否有丢包或尖峰加异常值过滤用上次有效值填充低温下精度差温度分布漂移对比训练集和当前数据温度分布加温度自适应层或低温数据微调迁移后不收敛源域目标域差异大可视化特征分布计算MMD距离换源域或多源域迁移推理超时模型太大或序列太长测量单次推理耗时量化剪枝蒸馏缩短序列长度内存溢出中间激活值占用大查看编译后的RAM占用梯度检查点算子融合置信度低输入工况罕见检查充电曲线是否完整跳过本次估计用历史值6. 实际项目中的经验沉淀与扩展方向6.1 从实验室到实车的落地教训实验室里跑通算法只是第一步实车落地才是真正的考验。我踩过最大的坑是数据对齐问题。实验室数据是同一台设备采集的时间戳天然对齐实车数据来自不同ECU电压、电流、温度的时间戳可能相差几百毫秒。如果不做对齐安时积分误差能到10%以上SOH估计完全失准。后来我们统一用CAN总线的时间戳做基准所有信号按最近邻插值对齐到同一时间轴问题才解决。第二个坑是充电段提取的鲁棒性。实验室数据充电段很干净实车数据里混着空调、DC-DC等各种负载的干扰充电电流经常波动。我们最初用固定阈值判断充电段结果把很多带负载的片段误判为充电段。后来改用滑动窗口方差检测窗口内电流方差小于阈值才认为是稳定充电段准确率大幅提升。第三个坑是模型版本管理。实车部署后模型更新了好几个版本但不同车辆更新的时间不同导致路上跑着好几个版本的模型。后来我们建了一套版本管理系统每辆车的模型版本、更新日志、精度指标都记录在云端方便追溯和回滚。6.2 多任务联合估计的扩展思路SOH估计不是孤立的它跟SOC荷电状态、RUL剩余寿命估计密切相关。实际项目中我们尝试过把SOH、SOC、RUL三个任务联合训练共享特征提取模块各自接不同的输出头。联合训练的好处是三个任务互相正则化SOH估计精度提升了约0.5%RUL估计精度提升了约2%。原因是SOC估计需要精确的容量信息而容量正是SOH的定义基础RUL估计需要退化速率信息而SOH序列的斜率就是退化速率。联合训练的难点是标签对齐。SOC标签容易获取充放电过程中安时积分即可SOH标签需要容量标定RUL标签需要全生命周期数据。实际做法是先用SOC标签预训练特征提取模块再用SOH标签微调最后用RUL标签做多任务联合微调。这样每个阶段都有足够的监督信号训练稳定。6.3 不同电池体系的适配策略三元锂电池和磷酸铁锂电池的退化模式差异很大不能用一个模型通吃。三元锂的电压平台倾斜充电曲线形态随老化变化明显自注意力容易抓到特征磷酸铁锂的电压平台平坦充电曲线中段几乎水平老化信息更多体现在平台长度和末端上升速率上需要更精细的特征提取。我们的做法是为每种电池体系单独预训练一个模型然后在迁移阶段做跨体系知识共享。具体来说底层卷积层可以共享因为局部波形特征在不同体系间有共性自注意力层和输出层各自独立因为全局退化模式差异大。这种部分共享的迁移策略比完全独立训练精度高约1%比完全共享精度高约3%。磷酸铁锂还有个特殊问题电压平台太平电压传感器的小漂移会导致SOH估计大误差。解决办法是引入增量容量分析ICA把电压曲线转换成dQ/dV曲线平台区的微小变化在ICA曲线上会放大成明显的峰。自注意力网络输入ICA曲线而不是原始电压曲线精度能提升约2%。6.4 后续可以深入的方向第一个方向是引入物理信息神经网络。纯数据驱动模型缺乏物理可解释性预测结果可能违反热力学规律。把电池的等效电路方程、 Arrhenius温度关系等物理约束嵌入损失函数能让模型预测更合理小样本下泛化更好。第二个方向是在线自适应。当前方案是定期离线更新模型未来可以做到在线自适应模型在BMS上持续学习每次充电后根据自监督信号微调参数。这需要解决嵌入式端的训练算力问题目前看用轻量级适配器Adapter模块比较可行只训练少量新增参数不动主干网络。第三个方向是联邦学习。不同车辆的数据分散在各自BMS里出于隐私考虑不能上传云端。联邦学习允许多个车辆协同训练全局模型每辆车只上传梯度或模型更新不上传原始数据。这样既能利用海量实车数据又能保护隐私。挑战在于车辆通信带宽有限、训练同步困难需要设计高效的通信协议和异步聚合算法。我个人在实际操作中的体会是锂电池SOH估计没有“一招鲜”的方案必须根据具体应用场景做取舍。实验室追求极致精度可以用大模型、多源域、复杂融合实车部署必须考虑算力、内存、实时性往往要在精度和效率之间妥协。最关键的是把数据链路做扎实数据质量不行再先进的算法也是空中楼阁。