锂离子电池凭借能量密度高、自放电率低等优势，已广泛应用于电动汽车、航空航天、通信设备和储能系统。准确预测电池剩余使用寿命（remaining useful life，RUL），对于保障设备安全运行、降低维护成本以及优化电池全生命周期管理具有重要意义，但实际电池容量退化过程并非严格单调下降，往往同时包含长期衰减趋势、局部容量再生和阶段性波动。现有卷积神经网络、循环神经网络及Transformer等方法，通常难以同时兼顾长程依赖建模、局部动态刻画与计算效率。青岛大学王凯团队在ENG. Chem. Eng.发表论文，提出了一种基于状态空间建模的坐标感知Mamba2框架，即CA-Mamba2。该方法以Mamba2为序列建模骨干，引入坐标特征注意网络，对关键退化阶段和健康变量进行自适应强化，并构建SwiGLU门控残差网络，以增强复杂非线性退化关系的表征能力及寿命终点预测稳定性。研究在NASA、TJU和XJTU三个公开电池数据集上开展了单变量输入、多变量输入、不同预测起点及泛化实验。结果表明，CA-Mamba2在预测精度、稳定性、计算效率和适应不同数据条件等方面均表现出较好的综合优势。

构建融合坐标注意与状态空间建模CA-Mamba2框架

本文构建了融合坐标特征注意网络、Mamba2编码器-解码器和SwiGLU门控残差网络的CA-Mamba2框架，分别完成关键退化特征增强、长时序依赖建模与非线性关系重构。各模块协同作用，使模型能够同时刻画容量整体衰减趋势、局部容量再生及寿命终点附近的复杂动态变化。

从时间与变量维度增强关键退化信息表征

坐标特征注意网络从时间和变量两个维度生成自适应权重，突出关键退化阶段和重要健康指标，降低冗余信息干扰。在TJU数据集的17维输入实验中，预测起点为200、300和400时，模型MAE分别为0.0014、0.0015和0.0016，决定系数均高于0.9995。

利用门控残差结构提高寿命终点预测稳定性

本文在解码阶段引入SwiGLU门控残差网络，通过ELU非线性变换、门控筛选、残差连接和层归一化重构高层退化特征。消融实验表明，在预测起点为400时，完整模型将基准Mamba2的MAE由0.0139降至0.0016，寿命终点误差由5.7降至2.4个循环。

通过多数据集实验验证模型的综合性能

研究在NASA、TJU和XJTU数据集上开展单变量、多变量、不同预测起点及泛化实验。NASA数据集上的MAE不高于0.0098；TJU数据集上的训练和推理时间分别为57.848 s和0.476 s；XJTU数据集上测试结果的决定系数均不低于0.9860，验证了模型的综合性能。

图1.展示了CA-Mamba2的整体架构及核心模块，（a）坐标特征注意网络CFAN；（b）Mamba2模块；（c）状态空间模型SSM；（d）SwiGLU门控残差网络SGRN。输入数据经过变量嵌入和CFAN特征增强后，由Mamba2编码器提取全局退化上下文，再通过Mamba2解码器和SGRN完成特征重构与RUL输出。

图2.展示了预测起点分别为50、70和90个循环时，不同方法对NASA B0005电池容量退化轨迹的预测结果。LSTM、Transformer、PathFormer、TimeMixer和Mamba等对比模型虽然能够描述容量衰减的基本方向，但在寿命后期普遍存在不同程度的局部偏差。相比之下，CA-Mamba2的预测曲线与真实容量退化轨迹保持较高一致性，不仅能够准确跟踪电池容量的长期下降趋势，还能较好地刻画失效阈值附近的局部波动和轻微容量再生现象。

图3.比较了LSTM、Transformer、PathFormer、TimeMixer、Mamba和CA-Mamba2在TJU数据集上不同预测起点下的MAE、RMSE、决定系数和寿命终点绝对误差。CA-Mamba2在3个预测起点下均获得最低的预测误差和最高的拟合精度，并且不同起点之间的性能变化较小，说明该模型对预测阶段变化具有较强的鲁棒性。

（来源：EngineeringJournals微信公众号）

相关论文信息：https://journal.hep.com.cn/fcse/EN/10.1007/s11705-026-2687-x