锂电池全生命周期寿命预测系统产品系统

1.立项原因：解决锂电池健康管理中长序列预测难、模型缺乏可解释性、系统化程度低的问题。
2.业务背景：新能源汽车与储能快速发展，SOH评估与RUL预测是保障安全的关键技术；现有方法在联合预测和故障解释方面存在不足，亟需高精度且可解释的智能化管理系统。

1.多源数据管理：支持 NASA、CALCE 等 7 个公开数据集导入及用户上传 CSV，自动完成标准化与特征提取。
2.健康状态评估（SOH）：输出当前 SOH 值、容量衰减轨迹及不确定性区间。
3.剩余使用寿命预测（RUL）：基于 xLSTM-Transformer 混合架构预测容量衰减曲线、剩余循环次数、寿命终止点及退化拐点。
4.故障诊断与报告导出：基于时序感知 GraphRAG，通过知识图谱双路检索生成可解释诊断报告（故障类型、原因链、处置建议），支持 Markdown/JSON/CSV 格式导出。

1.负责任务：混合预测模型设计、GraphRAG 诊断引擎开发、前后端全栈系统搭建。
2.技术栈：Python 3.11 + FastAPI + PyTorch（后端），React 18 + Ant Design + ECharts（前端），SQLite + Neo4j（数据层）。
3.实现亮点：
- xLSTM-Transformer 双路门控融合架构，兼顾长程记忆与全局建模。
- 多源预训练 → 单源微调迁移学习，CALCE 数据集上 R² 提升 398%。
- 时序感知双路检索（语义 + 时序特征加权融合），生成含故障传播链的可解释诊断报告。
4.难点：xLSTM 矩阵记忆单元的自定义前向传播实现；知识图谱多跳推理与大规模时序数据的联合检索优化。