Machine Learning-Based Battery State-of-health Prediction for Unmanned Aerial Vehicles Predictive Maintenance

4. Machine Learning-Based Battery State-of-health Prediction for Unmanned Aerial Vehicles Predictive Maintenance

• 标题： Machine Learning-Based Battery State-of-health Prediction for Unmanned Aerial Vehicles Predictive Maintenance
• DOI/URL： http://arxiv.org/abs/2607.06791v1；PDF: https://arxiv.org/pdf/2607.06791v1
• 期刊/会议/预印本平台： arXiv
• 发表日期： 2026-07-07
• 作者和机构： Jiarui Xie（McGill University Mechanical Engineering）, Lingchen Kong（McGill University）, Mohamed Rami Latreche（Université de Sherbrooke）, Sean Smith（VOZWIN Inc.）, Elaine Mosconi（Université de Sherbrooke）, Yaoyao Fiona Zhao（McGill University）
• 通讯作者： 未能确认
• 脚本评分： 57
• 期刊指标核验： 预印本，未核验

纳入理由和命中证据

• 摘要第一句明确：Battery SoH prediction aims to estimate remaining capacity by modeling degradation through life cycle。
• 全文提到 Predictive Maintenance 需要 SoH/RUL 监测；目标是在 UAV 电池传感受限、数据稀缺、高变异场景下构建 ML pipeline。
• 与一般 UAV 控制论文不同：核心输出是电池剩余容量/SoH，而输入来自电压、电流、油门等飞行遥测。

创新点

• 面向 UAV LiPo 电池，而非常见 EV/实验室恒流循环数据。
• 数据采集来自真实 UAV 放电飞行实验，强调轻量化传感限制。
• 将时间序列数据转换为图像，使用预训练 ResNet-50 的图像特征提取能力，并在两类电池之间做迁移学习以缓解数据稀缺。

主要内容

• 设计不同总重量（150–250 g）和飞行时长（5–15 min）的 UAV 任务。
• 使用 Pixhawk 4 mini 采集输出电压、电流等；采样频率 10 Hz。
• 每次实验后用 B6 V2 平衡充电器充满并测量充入容量；每 10 次实验测量剩余容量作为标签。
• 对两种容量 LiPo 电池做知识迁移，训练 SOH/剩余容量预测模型。

模型架构/方法流程

1. UAV 飞行放电实验采集电压、电流、油门等遥测。
2. 对时间序列进行处理并转换为图像表示。
3. 使用预训练 ResNet-50 提取图像特征。
4. 训练机器学习/迁移学习模型，完成不同电池类型之间知识迁移。
5. 输出剩余容量/SoH 预测。

输入特征与输出目标

• 输入特征： 电压、电流、油门；摘要也提到传统 SoH 可用电压、电流、温度，但本研究按传感可用性选择前三者。
• 输出目标： 剩余容量 / SoH。

数据来源/数据结构/电池类型/循环协议

• 数据来源： 自建 UAV 飞行实验数据。
• 电池类型： 3-cell LiPo 电池包，2200 mAh 与 1100 mAh 两类。
• 样本规模： 342 次与 289 次飞行实验。
• 工况： UAV 负载 150–250 g；飞行时长 5–15 min；10 Hz 采样。
• EOL： 文中方法部分定义为任一 cell failure 或容量降至初始容量 80%。
• 标签： 每 10 次实验测量剩余容量。

结果指标

• 可访问片段称“obtained accurate SoH prediction models”和迁移学习提升有限数据下性能。
• 具体 MAE/RMSE/R²/相对误差表格未在本次提取片段中完整确认，需后续全文精读。

Baseline/对比方法

• 全文方法段称训练并比较 ML models 以选择 optimal model；具体 baseline 名称和结果表未在可访问片段中确认。

泄漏风险/局限性/复现性

• 泄漏风险： 中等/信息不足。需要确认迁移学习和测试集是否按电池类型/单体严格划分，避免同一电池相邻飞行样本泄漏。
• 局限性： 数据只覆盖两种 UAV LiPo 容量和特定飞行平台；温度等传感数据受轻量化限制可能缺失；每 10 次标注一次容量导致标签稀疏。
• 复现性： 中等偏低。全文说明实验平台和采样，但未确认公开数据/代码。

对哥哥研究/落地的启发和后续动作

• 对真实场景 BMS 很有启发：不一定能拿到完整充放电曲线，必须利用有限遥测和稀疏容量标签。
• 后续动作：精读全文指标表；若数据开源，纳入“弱传感/稀疏标签 SOH”benchmark；参考其时间序列转图像 + 预训练模型路线。