PhyMamba: Physics-Modulated Mamba for Robust Battery Health Prognostics

📄 arXiv: 2608.27978v1 📥 PDF

作者: Sara Sameer, Yunyi Zhao, Wei Zhang, Minggang Zeng, Wenqing Li, Man-Fai Ng, Yonggang Wen

分类: cs.LG, eess.SY

发布日期: 2026-08-28

💡 一句话要点

提出PhyMamba框架以解决电池健康预测中的挑战

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 电池健康预测 物理调制 序列建模 电化学老化 多周期预测 电池管理系统 鲁棒性 准确性

📋 核心要点

  1. 电池健康预测面临操作条件依赖性和传感器噪声等挑战，现有方法难以实现长期准确预测。
  2. 提出PhyMamba框架，通过两阶段的物理调制方法，集成电化学老化信息，避免了对内部老化参数的明确识别。
  3. 在三个公共数据集上的实验表明，PhyMamba的整体平均误差降低31.8%，在准确性和效率之间实现了优化的权衡。

📝 摘要（中文）

电池健康预测是电池管理系统中的核心功能，但由于操作条件依赖性和传感器噪声，基于BMS信号的长期健康预测仍然具有挑战性。本文提出了PhyMamba，一个两阶段的物理调制Mamba框架，将电化学老化集成到序列建模中。PhyMamba无需明确识别内部老化参数，第一阶段中，轻量级Mamba编码器处理BMS信号并生成潜在表示，通过老化参数化模块转化为物理信息的老化特征。在第二阶段，定制的Mamba预测骨干网络执行多周期预测，物理信息紧密集成以调节模型的内部时间更新，确保与退化一致的演变。实验结果表明，PhyMamba在多个预测时间范围内的表现优于多种基线，整体平均误差降低31.8%。

🔬 方法详解

问题定义：本文旨在解决电池健康预测中的长期预测挑战，现有方法往往依赖于侵入式测量来识别内部老化参数，导致预测不准确和不稳定。

核心思路：PhyMamba框架通过物理调制的方式，将电化学老化信息融入序列建模中，避免了对内部老化参数的显式识别，从而提高了预测的准确性和鲁棒性。

技术框架：PhyMamba由两个主要阶段组成：第一阶段是轻量级Mamba编码器，处理BMS信号并生成潜在表示；第二阶段是定制的Mamba预测骨干网络，执行多周期预测，确保物理信息的紧密集成。

关键创新：PhyMamba的创新在于其物理调制机制，能够在不依赖侵入式测量的情况下，利用电化学老化信息进行有效的健康预测，这与现有方法有本质区别。

关键设计：在设计中，采用了轻量级的编码器结构，结合老化参数化模块，确保生成的老化特征具有物理信息。此外，损失函数和网络结构经过优化，以支持多周期预测的需求。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果显示，PhyMamba在三个公共数据集上的整体平均误差降低了31.8%，相较于多种基线方法表现最佳。这一显著提升表明，PhyMamba在电池健康预测中的有效性和可靠性，为实际应用提供了强有力的支持。

🎯 应用场景

该研究具有广泛的应用潜力，尤其在电池管理系统（BMS）中，可以用于电动车、储能系统等领域的电池健康监测与预测。通过提高预测的准确性和鲁棒性，PhyMamba能够有效延长电池使用寿命，降低维护成本，提升安全性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Battery health prognostics is a core function in battery management systems (BMSs), yet long-horizon health forecasting from BMS signals remains challenging due to operating-condition dependency and sensor noise. In this paper, we propose PhyMamba, a two-stage physics-modulated Mamba framework that integrates electrochemical aging into sequence modelling. PhyMamba does not require explicit identification of internal aging parameters, which often relies on intrusive measurements. In stage-1, a lightweight Mamba encoder first processes BMS signals and produces a latent representation that is transformed via an aging parameterization module, into physics-informed aging features. In stage-2, a customized Mamba forecasting backbone performs multi-cycle prediction, where physics is tightly integrated to regulate the model's internal temporal updates toward degradation-consistent evolution. Experiments on three public datasets under multiple forecast horizons show that PhyMamba achieves the best aggregated performance, with an overall mean error reduction of 31.8% compared with a diverse range of baselines. PhyMamba also offers an optimized accuracy-efficiency trade-off, which supports practical deployment for robust battery health prognostics.