A Novel Method Based on Hybridization of Generative Adversarial Imputation Nets and SDAE-Kriging for RUL Prediction of Lithium-Ion Battery in Scenarios of Missing and Incomplete Data

基于生成对抗补全网络与SDAE-Kriging混合模型的锂离子电池在缺损数据场景下的剩余寿命预测新方法

这篇论文通过引入生成对抗补全网络（GAIN）来模拟并修复缺失的电池运行数据，随后结合堆叠降噪自编码器（SDAE）与克里金（Kriging）回归模型，实现了在传感器故障或通信中断导致数据严重缺失（最高40%缺失率）的情况下，依然能够高精度预测电池的剩余寿命。

在实际的电动汽车运行中，电池管理系统（BMS）经常会因为传感器损坏或信号干扰导致监测数据不全。现有的寿命预测方法大多依赖完整的数据链，一旦数据断档，预测精度就会大打折扣甚至失效。这篇论文给出的方案非常实用，它通过对抗学习让AI学会补全缺失的电学特征，这种修复+预测的组合思路，能显著提升电池管理系统在极端工况下的可靠性。

原文标题: A Novel Method Based on Hybridization of Generative Adversarial Imputation Nets and SDAE-Kriging for RUL Prediction of Lithium-Ion Battery in Scenarios of Missing and Incomplete Data 发表日期: 2025年5月 期刊/来源: IEEE Transactions on Industry Applications DOI链接: https://doi.org/10.1109/TIA.2025.3549408