Deep learning for lithium-ion battery RUL estimation with transfer learning and MC Dropout

Lithium-ion batteries have been widely used in electric vehicles, consumer electronics, and stationary applications, owing to their high energy density, long lifespan, and low self-discharge. However, the performance degrades with prolonged cycling, making accurate prediction of Remaining Useful Life (RUL) a critical task for ensuring reliability, safety, and cost-effective maintenance in industrial and daily applications. This thesis investigates data-driven methods for RUL prediction, starting from a comparative analysis of multiple mainstream deep learning models, including LSTM, GRU, CNN, Transformer and BiLSTM architectures, to evaluate their performance under different cycle life conditions. The results highlight that GRU model consistently achieves the lowest error during the late-life stages. Both GRU and BiLSTM exhibit strong accuracy for long-life cells, while LSTM provides balanced accuracy across different life spans. Then to address the distributional shift between different datasets, transfer learning with fine-tuning strategies is further employed. It confirms that only when combined with appropriate fine-tuning strategies, prediction accuracy can be improved significantly on small-sample target domain, otherwise, negative transfer can occur. Finally, Monte Carlo dropout is applied for uncertainty quantification, this probabilistic framework provides confidence intervals and predictive variance, enabling risk-aware maintenance decisions. The experimental results show that GRU-based models are the most sensitive to dropout and achieve the best trade-off between accuracy and calibrated uncertainty. Performances were evaluated using multiple public lithium-ion battery datasets, SNL and Toyota-MIT datasets are applied as the source domain, while UMBL dataset is served as target domain.

Le batterie agli ioni di litio sono ampiamente utilizzate in veicoli elettrici, elettronica di consumo e applicazioni stazionarie, grazie alla loro elevata densità energetica, lunga durata e bassa autoscarica. Tuttavia, le prestazioni si degradano con il prolungato utilizzo ciclico, rendendo la previsione accurata della Durata Residua Utile (RUL) un compito critico per garantire affidabilità, sicurezza e manutenzione economica nelle applicazioni industriali e quotidiane. Questa tesi investiga i metodi data-driven per la previsione della RUL, partendo da un'analisi comparativa di molteplici modelli di deep learning mainstream, incluse architetture LSTM, GRU, CNN, Transformer e BiLSTM, per valutarne le prestazioni in diverse condizioni di vita ciclica. I risultati evidenziano che il modello GRU raggiunge costantemente l'errore più basso durante le fasi finali della vita. Sia GRU che BiLSTM mostrano una forte accuratezza per le celle a lunga durata, mentre LSTM fornisce un'accuratezza bilanciata in diverse durate di vita. Successivamente, per affrontare lo spostamento di distribuzione tra diversi set di dati, viene ulteriormente impiegato il transfer learning con strategie di fine-tuning. Ciò conferma che solo se combinato con strategie appropriate di fine-tuning, l'accuratezza della previsione può essere significativamente migliorata su domini target con piccoli campioni, altrimenti può verificarsi un trasferimento negativo. Infine, il Monte Carlo dropout viene applicato per la quantificazione dell'incertezza; questo framework probabilistico fornisce intervalli di confidenza e varianza predittiva, consentendo decisioni di manutenzione consapevoli del rischio. I risultati sperimentali mostrano che i modelli basati su GRU sono i più sensibili al dropout e raggiungono il miglior compromesso tra accuratezza e incertezza calibrata. Le prestazioni sono state valutate utilizzando molteplici set di dati pubblici di batterie agli ioni di litio: i set di dati SNL e Toyota-MIT sono stati applicati come dominio sorgente, mentre il set di dati UMBL è stato utilizzato come dominio target.