리튬이온 배터리(LIB) 건전성 관리 시스템에서 남은 수명(RUL)을 정확하게 예측하는 것은 신뢰성과 안전성을 보장하는 데 매우 중요합니다. 기존 방법들은 일반적으로 훈련 및 테스트 데이터가 동일한 분포를 공유한다고 가정하여 모델 성능을 향상시키기 위해 다양한 데이터 소스를 통합하는 이점을 간과합니다. 이러한 한계를 해결하기 위해, 본 논문에서는 이종 데이터 소스를 활용하여 목표 예측을 개선하는 데이터 독립적 RUL 예측 프레임워크와 그 도메인 적응(DA) 접근 방식을 제시합니다. 본 접근 방식은 장단기 메모리(LSTM), 다중 헤드 어텐션 및 신경 상미분 방정식(NODE) 블록을 결합한 데이터 독립적 예측 모델인 HybridoNet과 함께 특징 추출, 잡음 제거 및 정규화를 포함하는 포괄적인 데이터 전처리를 통합합니다. 도메인 적응 버전인 HybridoNet Adapt는 소스 및 대상 도메인의 레이블이 지정된 사이클링 데이터에서 도메인 불변 특징을 학습하기 위해 도메인 적대적 신경망(DANN) 프레임워크, 회귀 앙상블 방법 및 최대 평균 불일치(MMD)에서 영감을 받은 새로운 기술을 사용하여 훈련됩니다. 실험 결과에 따르면 본 접근 방식은 최첨단 기술보다 우수한 성능을 보이며 실제 응용 분야에 대한 신뢰할 수 있는 RUL 예측을 제공합니다.
