近日，我校计算机科学与工程学院陈超教授在人工智能领域顶级期刊《Engineering Applications of Artificial Intelligence》（中科院一区，TOP期刊，IF=9.0）上发表题为 A Linear-Complexity Deep Learning Framework for Efficient Battery State of Health Estimation in Resource-Constrained Systems 的学术论文。四川轻化工大学为第一单位，计算机科学与工程学院2024级研究生王华江为第一作者，陈超教授为通讯作者。该研究得到了四川省科技厅科技创新人才基金、学校“大数据可视分析与人机交互”652科研团队和四川新能源汽车创新中心的资助。
本研究针对车载电池管理系统（BMS）的算力受限、传统深度学习计算开销大的痛点，提出了基于恒流充放电积分面积的自适应特征提取方法，有效削弱传感器噪声干扰；创新提出轻量化锂离子电池健康状态（State of Health，SOH）估计框架SL-AgentNet，并依托快速局部-全局融合注意力机制（FLFA）将计算复杂度从传统Transformer的O(N²)降低到O(N)，搭配多尺度卷积、异构激活模块提升预测性能；该模型体积仅为 40.92KB，实验结果显示，相较CNN-Transformer基线模型的平均绝对误差（MAE）降低了74.78%，在 TI Cortex-M4 单片机开展硬件在环（HIL）验证，经查表优化后推理精度损耗＜0.3%，完全满足嵌入式设备实时部署需求。
该工作将人工智能算法落地动力电池管控场景，完善轻量化时序预测算法理论体系，为 AI 与动力电池交叉领域提供全新通用技术范式。成果可应用于新能源汽车、储能电池的在线健康监测，有效规避电池安全隐患，助力动力电池梯次利用与全生命周期管理，服务国家双碳与新能源产业发展。
论文链接：https://doi.org/10.1016/j.engappai.2026.115420
【复审：张潇文 终审：许筠柱】
