你当前的代码已经完成了 **B0005电池数据的预处理、可视化与保存**，包括： - 容量衰减曲线绘制（原始 + 平滑） - 容量衰减百分比计算与绘图 - 数据保存为 `.mat` 文件（包含 `battery_data`, `smoothed_capacity`, `capacity_fade`） - 输出基本统计信息（总循环数、有效循环数、初始/最终容量、衰减率等） --- ✅ **下一步目标：基于 Transformer 模型进行锂电池寿命预测** 你需要构建一个 **序列到序列或序列到标量** 的深度学习模型，输入是历史容量序列（如前 N 次循环的容量），输出是未来某次循环的容量或剩余寿命（RUL）。 --- ## 🚀 所需后续步骤 & 代码框架 ### ✅ 第一步：加载并准备训练数据 从你保存的 `B0005_processed.mat` 中提取数据，并构造适合 Transformer 输入的样本格式。 ```matlab % 加载处理后的数据 load('B0005_processed.mat'); % 提取关键变量 cycle_numbers = battery_data.cycle_numbers; % 假设结构体中有此字段 capacity_data = smoothed_capacity; % 使用平滑后数据更稳定 capacity_fade = capacity_fade; % 可选：用于回归 RUL % 构造输入输出对（滑动窗口法） window_size = 20; % 用过去20次循环预测下一次 predict_step = 1; % 预测下一个点 X = []; Y = []; for i = 1:(length(capacity_data) - window_size - predict_step + 1) X(end+1, :) = capacity_data(i:i+window_size-1); % 输入序列 Y(end+1) = capacity_data(i+window_size); % 目标值（下一时刻容量） end % 转换为 cell 数组供 MATLAB Deep Learning Toolbox 使用（或直接转 tensor） X_cell = num2cell(X, 2); % 每个样本是一个行向量 → 转为列向量？根据模型调整 Y_cell = num2cell(Y, 2); % 或者转换为 dlarray（推荐用于自定义训练循环） X_dl = dlarray(X', 'CB'); % C: channel=1, B: batch Y_dl = dlarray(Y', 'CB'); ``` > 💡 注意：MATLAB 的 `transformerLayer` 需要输入是 `(featureDim, sequenceLength, batchSize)` 格式。你可能需要将每个样本 reshape 成 `[1, window_size, 1]`，然后拼接成批量。 --- ### ✅ 第二步：定义 Transformer 模型架构 使用 MATLAB 的 `transformerLayer` 构建编码器-only 或 encoder-decoder 结构。这里我们做一个简单的 **Encoder-only 回归模型**。 ```matlab numFeatures = 1; % 单变量时间序列（容量） sequenceLength = window_size; embeddingSize = 64; numHeads = 4; numLayers = 2; dropoutRate = 0.1; % 输入层 inputLayer = sequenceInputLayer(numFeatures); % 位置编码 + Embedding embeddingLayer = featureEmbeddingLayer(embeddingSize); posEncodingLayer = positionalEncodingLayer(sequenceLength); % Transformer Encoder Layers encoderLayers = []; for l = 1:numLayers encoderLayers = [encoderLayers; transformerLayer(embeddingSize, numHeads, ... 'DropoutRate', dropoutRate, ... 'Name', "transformer_" + string(l))]; end % 全局平均池化 + 全连接输出 globalAvgPoolLayer = globalAveragePoolingLayer('Name', 'gap'); fcLayer = fullyConnectedLayer(1, 'Name', 'output'); regressionLayer = regressionLayer('Name', 'regression'); % 组装网络 layers = [ inputLayer embeddingLayer posEncodingLayer encoderLayers globalAvgPoolLayer fcLayer regressionLayer ]; % 可视化网络结构 analyzeNetwork(layers); ``` > ⚠️ 注意：MATLAB 的 `transformerLayer` 要求输入是 `(embeddingSize, sequenceLength, batchSize)`，所以你的输入数据需要先通过 `featureEmbeddingLayer` 映射到高维空间。 --- ### ✅ 第三步：设置训练选项并训练模型 ```matlab options = trainingOptions('adam', ... 'MaxEpochs', 100, ... 'MiniBatchSize', 32, ... 'InitialLearnRate', 0.001, ... 'Shuffle', 'every-epoch', ... 'Plots', 'training-progress', ... 'Verbose', false); % 训练模型 net = trainNetwork(X_cell, Y_cell, layers, options); ``` > ❗ 如果报错“输入维度不匹配”，请检查 `X_cell` 中每个元素是否为 `[numFeatures, sequenceLength]` 形状。例如： ```matlab % 修正 X_cell 格式 X_cell = cell(size(X,1), 1); for i = 1:size(X,1) X_cell{i} = reshape(X(i,:), [1, window_size]); % [1, seq_len] end ``` --- ### ✅ 第四步：评估与预测 ```matlab % 在测试集上预测（可用最后20%数据作为测试） test_ratio = 0.2; test_idx = floor((1-test_ratio)*size(X,1)) : size(X,1); X_test = X(test_idx, :); Y_test = Y(test_idx); % 预测 YPred = predict(net, num2cell(X_test, 2)); % 计算误差 rmse = sqrt(mean((YPred - Y_test).^2)); mae = mean(abs(YPred - Y_test)); fprintf('Test RMSE: %.4f\n', rmse); fprintf('Test MAE: %.4f\n', mae); % 可视化预测结果 figure; plot(cycle_numbers(test_idx), Y_test, 'b-o', 'DisplayName', 'True'); hold on; plot(cycle_numbers(test_idx), YPred, 'r-s', 'DisplayName', 'Predicted'); xlabel('Cycle Number'); ylabel('Capacity (Ah)'); title('Transformer Prediction vs True Capacity'); legend; grid on; ``` --- ### ✅ 第五步（可选）：预测剩余使用寿命（RUL） 如果你希望预测的是 **还能循环多少次才失效**（比如容量低于80%初始容量），可以修改标签为 RUL： ```matlab % 定义失效阈值（如 80% 初始容量） initial_capacity = 1.8565; % 来自你输出的基本信息 threshold = 0.8 * initial_capacity; % 计算每个点的 RUL（距离失效还有多少循环） rul = zeros(size(capacity_data)); for i = 1:length(capacity_data) if capacity_data(i) >= threshold % 找到第一个低于阈值的索引 idx_fail = find(capacity_data(i:end) < threshold, 1); if ~isempty(idx_fail) rul(i) = idx_fail - 1; else rul(i) = length(capacity_data) - i; end else rul(i) = 0; end end % 重新构造训练数据：输入仍是容量序列，输出是 RUL Y_rul = []; for i = 1:(length(rul) - window_size - predict_step + 1) Y_rul(end+1) = rul(i+window_size); end % 替换之前的 Y 为 Y_rul，重新训练即可 ``` --- ## 总结：你需要补充的代码模块 | 步骤 | 功能 | 是否需要 | |------|------|----------| | 1. 数据加载与滑动窗口构造 | ✅ 必须 | | 2. Transformer 模型搭建 | ✅ 必须 | | 3. 训练配置与执行 | ✅ 必须 | | 4. 评估与可视化 | ✅ 推荐 | | 5. RUL 预测扩展 | ✅ 可选但实用 | --- ## 🔧 额外建议 - 使用 `dlupdate` 和自定义训练循环可获得更高灵活性。 - 加入早停机制防止过拟合。 - 尝试不同 `window_size`、`embeddingSize`、`numLayers` 做超参搜索。 - 对比 LSTM、GRU 等传统时序模型性能。 - 若数据量小，可考虑迁移学习或使用预训练权重（需外部资源）。 --- ## 📁 最终项目结构建议 ``` battery_life_prediction/ ├── data/ │ └── B0005_processed.mat ├── scripts/ │ ├── preprocess.m % 你已有的代码 │ ├── prepare_dataset.m % 滑动窗口构造 │ ├── build_transformer_model.m % 模型定义 │ ├── train_model.m % 训练脚本 │ └── evaluate_and_predict.m % 评估与预测 └── results/ ├── plots/ ── metrics.txt ``` --- ✅ **你现在只需按上述步骤逐步实现，即可完成基于 Transformer 的锂电池寿命预测系统！** 如需我帮你生成完整可运行的 `.m` 文件模板，也可以告诉我，我会为你打包好所有函数和主程序。祝你建模顺利！🔋📈