[IEEE TTE 2025, IF 8.3] 祝贺陈彦文等同学论文被工程技术领域顶刊IEEE TTE 录用！
点击次数：
发布时间：2025-08-01
发布时间：2025-08-01
文章标题：[IEEE TTE 2025, IF 8.3] 祝贺陈彦文等同学论文被工程技术领域顶刊IEEE TTE 录用！
内容：
OSE: On-Site State-of-Health Estimation for Li-Ion Battery Using Real-Time Field Data （作者： Yanwen Chen, Cong Zhao*, Xuebin Ren, Shusen Yang, Peng Zhao, Qing Han, Yuqian Yang , and Shuaijun Wu）。该工作提出了一种基于边云协同框架和知识嵌入深度迁移学习的电动汽车电池健康状态估计方法，OSE。由于无标签实时现场数据质量低、在役电动汽车运行环境多样以及车载设备计算能力有限，基于受控实验环境数据建立的现有技术难以应用于真实电动汽车的SoH估计。该方法主要：1）设计了一种融合机理知识的通用数据预处理方法，以处理多样运行环境下的低质量数据；2）开发了一种适用于无标签现场数据的域自适应混合深度模型，该模型可通过边云协同框架部署，以满足实际计算能力限制。与现有方法相比，OSE方法对现场数据的估计误差降低可达78.5%。
图1：OSE的方法概述图