马里兰电池数据集RNN、LSTM电池剩余寿命RUL预测

电池的剩余寿命（RUL）预测是工业领域的重要课题。马里兰大学发布的电池老化数据集记录了多组锂电池在循环充放电过程中的电压、电流、温度等参数，这玩意儿天生就是时间序列预测的练兵场。今天咱们拿这个数据集试试手，用RNN和LSTM搞点有意思的预测实验。

先看看数据长啥样——直接上代码加载数据：

import pandas as pd

data = pd.read_csv('BatteryAgingARC-FY08-4.csv', skiprows=33)
print(data[['Cycle_Index', 'Voltage_measured', 'Current_measured', 'Temperature_measured']].head())

输出显示每个充放电周期对应着电压、电流、温度三个核心参数。有意思的是，当电池容量衰减到原始容量的70%时就被视为寿命终点，RUL其实就是这个终点前的剩余周期数。

处理时序数据得先构造时间窗口。这里我用了滑窗法把历史数据打包成训练样本：

def create_sequences(data, window_size):
    X, y = [], []
    for i in range(len(data)-window_size):
        X.append(data[i:i+window_size])
        y.append(data[i+window_size])
    return np.array(X), np.array(y)

window_size = 10
X_train, y_train = create_sequences(train_data, window_size)

这里window_size设成10意味着用前10个周期的数据预测第11个周期的容量。这个参数别随便拍脑袋定，后面会看到它对模型效果的影响。

先来个基础版RNN试试水。搭建模型的时候要注意，当处理多维特征（电压+电流+温度）时需要设置input_shape：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import SimpleRNN, Dense

model_rnn = Sequential()
model_rnn.add(SimpleRNN(32, input_shape=(window_size, 3), activation='relu'))
model_rnn.add(Dense(1))
model_rnn.compile(optimizer='adam', loss='mae')

这里用32个RNN单元接全连接层输出预测值。训练时发现个问题——模型容易过拟合，验证集误差在第15轮之后就开始往上窜。这时候就该LSTM出场了，毕竟门控机制更适合捕捉长期依赖。

升级到LSTM时结构得微调：

from tensorflow.keras.layers import LSTM

model_lstm = Sequential()
model_lstm.add(LSTM(64, return_sequences=True, input_shape=(window_size, 3)))
model_lstm.add(LSTM(32))
model_lstm.add(Dense(1))

这里用了两层LSTM，第一层设置return_sequences=True把每个时间步的输出都传给下一层。注意第二层LSTM会自动取最后一个时间步的输出，这个设计让模型能同时捕捉短期波动和长期趋势。

跑完训练后对比两个模型的结果：

plt.figure(figsize=(12,6))
plt.plot(y_test[:200], label='真实值')
plt.plot(rnn_preds[:200], linestyle='--', label='RNN预测')
plt.plot(lstm_preds[:200], linestyle=':', label='LSTM预测')
plt.legend()

实际效果图上，LSTM的预测曲线明显更贴近真实衰减轨迹。尤其是在容量骤降阶段，RNN容易产生滞后预测，而LSTM因为记忆单元的存在能更快捕捉到突变信号。

不过也别迷信LSTM，当把window_size调大到50时，发现两个模型的预测误差都开始增大。这说明过长的历史窗口反而引入了噪声，合适的窗口长度需要根据电池退化特性来定——这也是领域知识发挥作用的地方。

最后留个思考题：当电池出现异常充放电（比如突然的电压骤降）时，现有模型预测会出现什么情况？这时候可能需要引入注意力机制或者结合物理模型，但那就是另一个故事了。