轻量级知识蒸馏预测模型

参数压缩36倍

面向边缘设备部署，通过动态多教师蒸馏和混合专家结构，在显著压缩模型规模的同时保持剩余寿命预测精度。

Jijuan, Hu · He, Jiabei · 吴立锋

Journal of Energy Storage 2026

参数信息

参数量压缩比
36.6 ×
浮点运算量压缩比
15.7 ×
RUL预测均方根误差（CALCE）
1.43 %
RUL预测均方根误差（NASA）
0.68 %
绝对预测误差（CALCE）
4 cycles
绝对预测误差（NASA）
1 cycle
RMSE（真实电动车数据）
3 %
MAE（真实电动车数据）
3 %

技术优势

模型缩小36倍

通过知识蒸馏将参数量压缩为原来的1/36.6，显著降低内存占用，使模型可以部署在边缘设备上。

计算负担减轻15倍

总浮点运算量减少15.7倍，降低了对算力的要求，有利于在低成本硬件上实时运行。

预测误差低于0.7%

在NASA数据集上RUL预测RMSE仅为0.68%，绝对误差降至1个循环，满足高精度健康管理需求。

应用场景