做电池寿命预测的人都知道，真正卡脖子的往往不是模型选得多高级，而是数据怎么处理、标签怎么定义、变量怎么取舍。这次分享的项目，是一套完整的锂电池剩余寿命预测方案：先把电池容量提取出来，再基于CNN-Attention对单变量容量序列建模，最终用Matlab代码端到端输出剩余使用寿命（RUL）。通俗地说，就是给一条容量衰减曲线做“智能趋势外推”，告诉你这颗电池在第几次循环之后会衰减到寿命终点。如果你正在做电池管理系统算法验证、课题实验或者工业状态评估，这套代码和调参经验可以直接当基线，之后改多变量版本也不难。先说清楚边界：模型定位是单变量输入、曲线外推、离线预测，不需要电压、电流、温度的多通道数据，复现门槛比较低。

1. 项目整体思路：单变量容量序列怎么撑起RUL预测

1.1 先给任务做一次“翻译”

RUL（Remaining Useful Life）预测，本质上是一个序列回归问题。输入是一段容量历史，输出是一个标量：还能用多少次循环。这里涉及两个相邻概念需要先理顺。第一个是SOH（State of Health），通常用当前容量与额定容量的比值表示，是电池健康状态的直接指征；第二个是EOL（End of Life），工程上一般把容量保持率衰减到80%以下作为寿命终点。

举个例子：一颗电池额定容量2Ah，当前用了200次循环，容量保持率还有95%，按衰减曲线推算，到第310次循环时容量会跌破80%，那当前时刻的RUL就是110次循环。如果把任务形式化，训练数据是过去L个循环的容量序列，标签是“当前窗口末端时刻”距离EOL的循环数。这里有个容易踩的坑：标签应该从窗口末端那一刻开始数，不是从窗口开头数，也不是从当前训练样本的随机时刻数。很多第一次做滑窗回归的人都在这里栽过，预测看起来漂移，根因往往是标签起点错位。

这个任务的核心难点在于容量衰减不是线性趋势。早期有快速衰减区，中期进入平台期，后期又会加速“跳水”。不同电池之间的衰减形态差异很大，即便同型号电池，初始容量和使用工况不同，曲线形状也会有明显偏移。所以模型必须从局部趋势和全局形态两方面同时抓信息，这才引出后面的CNN加Attention结构。

1.2 为什么只留容量这一个变量

很多初学者拿到电池数据，第一反应是把电压、电流、温度、内阻全部堆进模型，觉得信息越多越好。但实际上，多变量输入引入的问题往往比它解决的问题更多。首先是特征对齐：不同变量的采样频率可能不同，有的按秒记录，有的按循环记录，需要花大量时间做时序对齐和缺失插值。其次是噪声渠道变多：电压电流的瞬态变化、温度传感器的采集误差，都会成为模型的干扰信号。第三是部署成本：多变量模型在真实BMS系统里意味着更多传感器和更多计算资源。

容量是SOH最直接的反映指标，衰减趋势信息干净且稳定。虽然容量测量本身有噪声，但经过按循环提取后，长期趋势非常清晰。对RUL预测来说，趋势比瞬时值重要得多，所以单变量容量序列在大多数场景下已经提供了足够的预测信号。这个项目选单变量不是简化，而是把模型的注意力集中在与寿命相关性最高的一个指标上。

当然单变量也有明确的适用边界：它适合温度恒定的实验室老化数据或工况相对稳定的设备场景。如果你的数据来自户外复杂工况，温度和充放电倍率对寿命影响很大，那就需要考虑多变量方案，但可以先拿单变量模型做基线，后面再逐步加通道。

1.3 为什么是CNN加Attention而不是纯LSTM

做时序预测，很多人第一反应是LSTM。LSTM的门控机制确实擅长长序列依赖，但放在这个任务里不一定是首选。原因有几个：一是单变量容量序列的长度通常只有几百到上千个循环，不算长序列，LSTM在数据量不大时很难发挥循环结构的优势；二是LSTM超参敏感，训练速度慢，调起来费时间；三是Matlab里部署LSTM的代码生成相对复杂，后期往嵌入式端迁移不顺手。

CNN加Attention的组合在单变量序列上反而更合适。CNN通过局部感受野扫描容量曲线，能快速捕捉容量“突然跳水”、拐点这类强局部特征。Attention则给卷积提取到的特征分配权重，让模型关注当前窗口里对剩余寿命影响最大的时间段。参数规模更小，训练更快，Matlab下的部署链路也更顺。

举个例子解释这个结构：把容量序列想成一段心电图，CNN像是一个滑动窗口的“扫描探针”，专门找异常波形片段；Attention像是医生在看完整段波形后，圈出最关键的几个导联和时段。两者配合，既看局部细节，也抓全局重点。

2. 数据准备：容量提取过程才是项目的隐性工作量

2.1 公开老化数据集怎么挑、怎么看

我用的是一套公开的锂电循环老化数据，类似某宇航中心早期发布的电池老化库，以及复现时常用的某高校电池团队开源老化数据。这类数据的组织方式通常是一颗电池一个文件夹，里面按循环记录充放电过程的电压、电流、温度，有的版本会直接给出容量列，有的则只给原始充放电记录。

选数据集时我主要看三件事。第一，是否记录了完整的循环充放电过程，这决定了能不能自己提取容量；第二，电池样本数量是否够，至少要有4到5颗同型号电池，太少训练不出泛化能力；第三，是否包含完整的寿命周期，也就是说电池必须真的老化到EOL，否则标签没法构造。测试集和训练集要按电池划分，不能随机混合循环数据，否则会发生严重的数据泄露，最后算出来的指标全都会虚高。

2.2 容量提取的三种典型方法

容量提取是这个项目里最容易被低估的环节。标题特意把“电池容量提取”放在前面，是因为原始数据里往往没有现成的容量序列，必须自己从充放电曲线里算出来。三种常用方法各有适用场景。

第一种是直接读取数据集自带的容量字段，最省事。但要注意确认它是放电容量还是充电容量，不同数据源定义不一样。充电容量会因为库仑效率存在副反应损耗，做RUL预测时优先用放电容量。

第二种是安时积分法，也叫库仑计数法，对放电阶段的电流在时间上做积分。Matlab里用trapz可以快速实现：

% 放电电流序列与采样时间 I_discharge = ...; % 单位A t = ...; % 单位s Q_as = trapz(t, I_discharge); % 积分结果是安秒(As) Q_ah = Q_as / 3600; % 转换成安时(Ah)

单位换算是新手最容易踩的坑。电流单位是A，时间单位是s，积分结果是As，必须除以3600才是Ah。如果数据源里放电电流有多个放电脉冲段，要把所有段落的积分结果累加。还要注意排除自放电和微小脉冲造成的“假容量”。

第三种是恒流充放电时间反推。如果放电过程是恒定电流，容量就等于电流乘以放电持续时间：Q = I × Δt。前提是你能准确识别恒流阶段的起止点。如果是恒流恒压（CC-CV）充电，恒流阶段可以这么算，但恒压阶段电流在衰减，不能直接套这个公式。

三种方法对比如下：

2.3 异常点清洗与趋势平滑

容量序列提取出来后，直接拿去训练大概率效果不好，因为原始曲线里几乎一定包含三类异常现象。

第一类是头部回升。很多电池在最初几十个循环里容量会先上升再下降，这是电极材料和电解液活化的过程。这段曲线代表的是电池“激活期”，不是RUL预测要建模的主体。我通常的处理方式是把头部20到30个循环截断，或者至少知道这个现象存在，不要被它带偏。

第二类是温度波动造成的容量毛刺。实验恒温箱控温不良时，同一颗电池的容量会在相邻循环间出现周期性起伏，幅度甚至能到5%以上。

第三类是单点测量噪声。这类离群点比较少见，但影响很大，因为它会被CNN的局部卷积核当成真实特征。

我推荐的清洗流程是：先用3σ原则识别离群点并用前后均值替换，再用滑动平均或稳健局部回归做轻度平滑。Matlab里smoothdata(Y, 'loess', span)就够用。核心忠告是平滑程度宁小勿大，滑动窗口宽度不要超过总循环数的2%，否则会把真实容量跳水特征也平滑掉，模型反而学不到关键模式。

3. 模型结构与样本构造详解

3.1 滑窗构造与标签定义

滑窗是这个项目把序列数据变成监督样本的核心手段。假设容量序列长度为N，窗口长度是L，那么第i个样本的输入是capSeq(i : i+L-1)，对应标签是当前窗口末端到EOL的循环数：

RUL(i) = eolIdx - (i + L - 1);

这句话看起来很平淡，但它是全项目的核心逻辑之一。我用一个例子说明：某电池在第400次循环达到EOL，窗口长度50，第100个样本的输入是第100到149次循环的容量，窗口末端在第149次，那这个样本的标签就是400 - 149 = 251。

窗口长度L的选择直接影响模型性能。太小学不到趋势，太大样本量不够。经验值是按总寿命的10%到20%取。总寿命500次循环，窗口取50到80；总寿命不到100次循环，窗口至少取15到20。构造滑窗时，步长默认设为1，也就是每个循环位置都生成一个样本，样本量等于N - L + 1。

这里有一个很多人忽略的细节：样本分布是不均衡的。因为电池寿命终点的样本相对后期更多，早期样本较少。如果训练时发现模型对寿命中期的预测偏差大，可以按RUL区间做加权采样，让不同寿命阶段的样本量尽量均衡。

3.2 CNN模块：局部衰减特征的提取器

CNN在本项目里的角色是“局部趋势特征提取器”。一维卷积可以理解成一个滑动的小探针，在容量曲线上逐段扫描，寻找特定的变化形态。比如“连续几个循环容量缓慢下降再趋于平稳”“某一段突然加速下降”，这些模式会被不同卷积核分别捕捉。

网络结构建议是两层卷积加ReLU激活：

Input [1, L] -> Conv1D(32, kernel=5) -> ReLU -> Conv1D(64, kernel=3) -> ReLU -> Attention层 -> Flatten -> FC(1)

第一层卷积核尺寸取5，视野较大，捕捉衰减的粗粒度模式；第二层取3，更精细，捕捉局部弯曲和突变。卷积核数量32到64足够，不需要更多。这里要特别注意padding的选择。时序任务里，如果卷积采用'same'padding，会在序列边缘补零，边缘位置的特征会受到影响。更严谨的做法是采用'causal'padding，只向左补零，确保当前时刻的特征不依赖未来数据。在离线训练时这个影响不明显，但如果你之后把模型部署到在线滚动预测场景，这会变成硬性约束。

池化层在这个结构里可选择保留也可以去掉。如果保留最大池化，特征图的时间维会减半，Attention的分辨率也会降低。我实际做的时候更倾向于保留序列完整长度，让CNN输出的每个时间步都对应原序列的一个位置，这样Attention能给出更精细的时间权重。

3.3 Attention机制的选择与设计

Attention模块是整个模型的关键。它的作用是对CNN特征图的不同时间位置做加权，让模型学习到“哪些片段对寿命影响最大”。

完整的多头自注意力在这个任务里是杀鸡用牛刀。单变量短序列场景下，最简单的“时间步注意力”就够用，还能可视化权重，解释模型行为。时间步注意力的计算思路如下：先对CNN输出的每个时间步特征计算一个得分，再经过softmax归一化成权重，最后对特征做加权求和。

e_t = score(h_t) alpha_t = softmax(e_t) c = sum(alpha_t * h_t)

这里h_t是第t个时间步的特征向量，score可以是一个可学习的小全连接层，也可以直接用特征与全局向量的点积。加权求和得到的向量c再进入全连接回归头输出RUL。

如果你想用更标准的自注意力，公式是：

Q = X * W_Q K = X * W_K V = X * W_V Attn = softmax(Q * K^T / sqrt(d_k)) * V

但在调试过几轮之后，我的体会是：这个任务里的信号结构相对简单，模型复杂度不是越高越好。时间步注意力参数量小，过拟合风险低，训练稳定，同时能输出每个时间位置的权重，方便做可解释性分析。如果你只是想快速跑通一个基线，先上时间步注意力，不要一上来就多头。

3.4 回归输出层与损失函数设计

回归头只需要一个全连接层，输出一个标量，对应RUL。损失函数用MSE即可，优化MSE等同于优化RMSE，只是RMSE常用于最终评估。

有两个细节值得强调。第一，预测值必须是非负的。RUL不可能为负，训练初期模型可能输出负值，需要在训练结束后做max(0, y_pred)处理，或者在自定义层里加一个clip操作。第二，有两种建模路线可选：直接回归RUL，或者先预测未来容量曲线再反推RUL。前者路径短，误差累积小，是推荐做法。后者能输出完整的未来容量曲线，信息更丰富，但预测误差会在积分过程中累积，最后RUL的误差往往更大。

4. Matlab代码实现：从数据到预测的完整链路

4.1 数据加载与滑窗构造代码

完整项目里，数据加载和滑窗构造是最先执行的部分。下面这个函数的核心逻辑，就是根据容量序列和寿命终点索引生成训练样本。

function [X, Y] = slidingWindow(capacitySeq, windowLen, eolIdx) n = length(capacitySeq); if n < windowLen + 1 error('序列长度不足以构造样本'); end m = n - windowLen + 1; X = zeros(m, windowLen); Y = zeros(m, 1); for i = 1 : m X(i, :) = capacitySeq(i : i + windowLen - 1); Y(i) = eolIdx - (i + windowLen - 1); end valid = Y >= 0; X = X(valid, :); Y = Y(valid, :); end

这段代码里valid = Y >= 0很关键。当窗口末端已经越过EOL时，剩余寿命为负，这些样本应该被剔除。实际数据中，窗口长度L以内的最后几个循环无法构造有效标签，剔除后样本量会略有减少，这是正常的。

构造完样本后要做标准化。这里有一个隐蔽的数据泄露点，我必须单独强调：均值mu和标准差sd必须只从训练集计算，测试集必须沿用训练集的那一套参数，不能重新计算。一旦用全量数据算标准化，测试集的分布信息就被泄漏进了训练过程，最终评估指标会偏乐观。

mu = mean(Xtrain, 'all'); sd = std(Xtrain, 0, 'all'); Xtrain = (Xtrain - mu) ./ sd; Xtest = (Xtest - mu) ./ sd;

训练集和测试集的划分要按电池维度进行。假设你有6颗电池，建议4颗做训练、1颗做验证、1颗做测试，而不是把所有电池的循环混在一起随机切分。

4.2 CNN网络结构定义代码

Matlab里搭建这个网络有两条路线。如果不想用自定义层，可以先用内置层搭一个CNN基线：

layers = [ imageInputLayer([1, windowLen, 1], 'Name', 'input') convolution2dLayer([1, 5], 32, 'Padding', 'same', 'Name', 'conv1') reluLayer('Name', 'relu1') convolution2dLayer([1, 3], 64, 'Padding', 'same', 'Name', 'conv2') reluLayer('Name', 'relu2') fullyConnectedLayer(1, 'Name', 'fc') regressionLayer('Name', 'output') ];

这里把每条容量样本看成一个宽为windowLen、高为1的灰度图。这个结构没有Attention，属于纯CNN基线，可以用来对比验证Attention到底带来了多少增益。加上Attention之后，自定义层是绕不开的。下面是一个简化版的时间步注意力层：

classdef attentionLayer < nnet.layer.Layer properties Name end properties (Learnable) W % 时间步权重参数，windowLen x 1 end methods function layer = attentionLayer(windowLen, name) layer.Name = name; layer.W = ones(windowLen, 1); end function Z = predict(layer, X) % X: windowLen x C x batchSize weights = softmax(layer.W, 1); Z = sum(X .* reshape(weights, [], 1, 1), 1); end function [Z, memory] = forward(layer, X) Z = predict(layer, X); memory = []; end end end

这个简化版把CNN输出的特征图沿时间步做加权平均，权重本身可学习。如果要用trainNetwork训练，自定义层需要额外实现backward方法，手动写反向梯度，比较繁琐。更省事的做法是用dlnetwork和dlgradient做自动微分训练，梯度由Matlab自动计算，自定义层只需要实现forward和predict。

我实际跑通的方式是dlnetwork加adamupdate，训练循环自己写。虽然比trainNetwork多写一点代码，但对自定义层支持的友好度最高，出错时也更好排查。

4.3 训练配置与早停逻辑

如果走trainNetwork路线，训练选项可以这样配置：

options = trainingOptions('adam', ... 'InitialLearnRate', 0.001, ... 'MaxEpochs', 200, ... 'MiniBatchSize', 64, ... 'ValidationData', {Xval, Yval}, ... 'ValidationFrequency', 20, ... 'LearnRateSchedule', 'piecewise', ... 'LearnRateDropFactor', 0.5, ... 'LearnRateDropPeriod', 40, ... 'Shuffle', 'every-epoch', ... 'Plots', 'training-progress');

这几个参数是我在多次实验后觉得比较稳的起点。初始学习率0.001配Adam，在大多数单变量容量序列上不会发散。最大轮数200配合早停足够了，不需要硬跑满200轮。早停的patience建议设15到20轮，也就是验证loss连续15到20轮不下降就提前终止。学习率每40轮衰减一半，可以在训练后期帮助收敛。

如果你走dlnetwork路线，优化器换成adamupdate，代码结构大致是：

dlnet = dlnetwork(initialLayers); avgGrad = []; avgSqGrad = []; for iter = 1 : maxIters [XBatch, YBatch] = nextBatch(); dlX = dlarray(XBatch, 'CTB'); dlY = dlarray(YBatch, 'CB'); [loss, grads] = dlfeval(@modelLoss, dlnet, dlX, dlY); [dlnet, avgGrad, avgSqGrad] = adamupdate(dlnet, grads, ... avgGrad, avgSqGrad, iter, 0.001); end

'CTB'是dlarray的维度格式，C代表特征维，T代表时间维，B代表批量维。对于单变量序列，C等于1，T等于windowLen。dlgradient会自动对损失函数里的所有可学习参数求梯度，不需要手动写反向传播。

4.4 测试预测与指标计算

模型训练完成后，测试阶段输出预测RUL并计算指标。三个核心指标是RMSE、MAE和R²，一段代码直接算出来：

rmse = sqrt(mean((yTrue - yPred).^2)); mae = mean(abs(yTrue - yPred)); r2 = 1 - sum((yTrue - yPred).^2) / sum((yTrue - mean(yTrue)).^2);

RMSE对较大误差更敏感，MAE反映平均偏移水平，R²衡量模型解释了多少方差。三个指标配合使用，才能全面判断模型质量。可视化方面，我通常会画两张图。第一张是真实容量衰减曲线和预测剩余寿命的对照图；第二张是横轴为循环次数、纵轴为RUL的预测收敛曲线，真实RUL和预测RUL应该随着循环推进逐渐靠拢。如果预测值在早期偏差大、越靠近EOL越准，这是正常规律，因为更多历史信息带来了更强的预测信号。

5. 调参与踩坑实录

5.1 五个影响最大的超参数

按影响程度排序，前五个超参数是：窗口长度L、卷积核尺寸、卷积核数量、初始学习率、MiniBatchSize。

窗口长度是最难调的参数。如果预测结果出现系统性的滞后，比如预测RUL总是比真实值偏大，很可能就是窗口太短，模型没有看到足够的下降趋势。如果训练集样本量太少导致过拟合，优先检查窗口是不是太长。卷积核数量不是越多越好，单变量序列的信息量有限，64个卷积核已经是上限，再加特征层只会增加过拟合风险。

5.2 数据泄露的三个隐蔽来源

数据泄露是这个项目里最隐蔽的问题，因为它不会报错，只会让指标好看得不真实。三个来源我逐个说。

第一，标准化参数包含测试集信息。前面提过，均值方差必须在训练集上计算。如果整个数据集一起算，测试样本的分布信息已经在训练阶段被模型“看到”了，评估结果自然虚高。

第二，滑窗重叠导致同类样本跨集合。如果你把一个电池的一部分窗口放训练集、另一部分窗口放测试集，那同一颗电池的相邻窗口高度相似，模型几乎是在“背诵”这颗电池的模式。这等价于数据泄露，R²能跑出0.95以上，但一换新电池就崩。

第三，标签构造时无意使用了未来信息。RUL标签本身包含了未来信息，这是监督学习的正常情况。但如果你把未来容量值也作为输入特征（比如用序列后半段预测前半段的寿命），这是真正的泄露。模型在部署时根本拿不到未来数据，训练时却用了，指标会失真。判断标准很简单：部署时能拿到的信息才能进输入。

5.3 模型失效的典型现象与对策

我在调试过程中遇到过三种比较典型的失效模式，写在这里供参考。

第一种是过拟合。训练loss很低、验证loss很高，特征是在训练曲线上出现“尖刺式”下降。对策依次是：减小卷积核数量、增大MiniBatchSize、加Dropout层、缩短窗口长度。不要一上来就加正则化项，先从结构上降复杂度。

第二种是预测值严重偏保守，所有预测都往平均值方向收缩。这通常是因为样本分布不平衡，早期样本太少而后期样本太多，模型学到的“平均寿命”主导了输出。对策是按RUL区间重采样或加权损失，让每个寿命区间都对loss有贡献。

第三种是Attention权重退化。如果训练完发现权重接近均匀分布，说明Attention没有学到有效的时间位置，退化成简单的平均池化。对策是检查卷积输出特征是否有区分度，或者改用带缩放因子的点积注意力Q*K^T/sqrt(d)。还有一种情况是学习率太低，权重更新过慢，试着把学习率调回0.001再看权重分布。

6. 实测表现与后续扩展方向

6.1 一组公开数据上的参考结果

我在一套公开老化数据上做了验证，测试方式是按电池划分，两颗电池训练、一颗电池测试。窗口长度取60，两层卷积，时间步注意力，Adam优化器，初始学习率0.001，训练200轮早停。参考结果如下：

Attention带来的提升主要集中在中后期，也就是离EOL越近，权重能更准确地聚焦到容量加速下降的区间。这个表里的数字只是示例参考，不同数据集的绝对数值差异很大，重点看CNN-Attention相对基线的相对增益。

6.2 从单变量到多变量、区间预测和在线部署

单变量版本跑通之后，往三个方向扩展都很有价值。第一个方向是多变量输入，把电压曲线、温度曲线、内阻变化作为多通道CNN的输入。多变量模型的精度通常更高，代价是特征对齐和部署复杂度的上升。第二个方向是区间预测，把确定性预测改成概率区间。做法可以是分位数回归，输出RUL的90%置信区间，工程上对运维决策更有参考价值。第三个方向是在线部署，用Matlab Coder导出模型，嵌入到边端设备做滚动预测。这时需要使用'causal'padding和严格的因果卷积，避免在线模式下信息泄漏。

6.3 一点个人体会

这套方案实际跑下来，我最深的体会是：模型结构排在第二，数据和标签定义排第一。同样的CNN-Attention网络，标签起点定义错一位，结果完全不一样；容量序列里残留几个离群点，Attention的权重就被带偏了。如果你看完这篇也想复现，我建议先把滑窗和标签的逻辑在纸上画清楚，再动手写代码。数据那关过了，CNN还是LSTM、注意力复杂还是简洁，对最终结果的影响往往没有想象中大。