锂金属电池（LMBs）因其卓越的理论能量密度而被广泛认为是下一代储能技术中最有前途的候选者[1,2]。然而，与传统的锂离子电池（LIBs）不同，LMBs的退化机制 fundamentally distinct，主要受锂金属阳极处异质锂沉积和枝晶生长的影响[3,4]。这些独特的失效机制强调了开发准确且特定于系统的电池健康状态（SOH）评估策略的必要性[5,6]。
SOH评估的核心在于提取可靠的健康指标（HIs）以及建立这些指标与SOH之间的稳健映射[7,8]。现有方法大致可以分为三类：基于经验拟合的方法、基于模型的方法和数据驱动的方法[9,10]。基于经验拟合的方法通常依赖于对物理参数（如内阻或电化学阻抗）的直接测量，并使用数学函数来近似它们与SOH的相关性[11,12]。相比之下，基于模型的方法构建了从等效电路表示到详细电化学模型的物理信息框架，SOH是从对老化敏感的模型参数中推断出来的[[13], [14], [15]]。尽管在理论上非常严谨，但由于操作条件的多样性、温度范围的广泛性以及材料化学性质的差异和容量范围的广泛性，这两类方法在实际应用中都面临着重大挑战[16,17]。数据驱动的方法作为一种有前景的替代方案应运而生[[18], [19], [20]]。通过利用机器学习和深度神经网络，它们避免了显式机制建模的需要，而是直接从数据中学习HIs与SOH之间的复杂非线性关系[[21], [22], [23]]。这些方法在适应操作条件和温度依赖性方面显示出明显优势。然而，它们的有效性在很大程度上取决于每种新电池化学成分或容量范围是否有大型校准数据集[24]，这给快速的产品开发周期带来了显著的成本和延迟。
迁移学习作为一种强大的策略，用于提高数据驱动的SOH评估模型的适应性[25,26]。通过利用从源领域获得的知识，迁移学习能够使SOH评估适用于不同的操作条件、材料化学成分和制造来源，从而展示了领域自适应学习在解决实际电池应用复杂性方面的潜力[27]。He等人[28]引入了一种用于跨条件容量评估的对抗性领域适应方法。为了应对电池材料的快速演变，Zhao等人[29]通过结合卷积神经网络（CNNs）和自注意力机制应用了深度迁移学习，实现了从LFP电池到NCM和NCA电池的知识转移，MAPE分别为0.67%和1.14%。Dou等人[30]通过将对抗学习与自编码器相结合，进一步推进了跨领域SOH评估，即使在材料和循环条件同时变化的情况下也能保持准确的准确性。尽管取得了这些进展，当模型需要同时泛化不同的容量范围以及材料和操作变化时，仍然存在重大挑战[31]。这种多维异质性继续阻碍了SOH模型从实验室规模原型到工业规模部署的无缝转移，突显了需要更先进的方法来更高效地弥合这些跨领域和跨规模的差距。
总之，电池开发通常经历多个阶段，包括制造、实验室规模原型制作和工业规模生产。单一材料配方可以产生多种容量变体，而对材料系统的持续优化进一步增加了多样性。这些过程共同形成了一个具有跨规模和不同制造商配方工艺异质性的工业产品矩阵。然而，现有的SOH评估模型在适应这种复杂性方面面临着重大挑战。在实验室环境中开发的模型通常是在小容量、特定电池的数据上训练的，而工业应用则需要具有更强泛化能力的模型来应对多样化的跨特征场景[32]。此外，基于工业数据的二次开发需要广泛的验证和测试，这阻碍了快速迭代（图1a）。因此，实现SOH模型从实验室研究到工业应用的高效转移成为一个关键目标。根本性的挑战在于减轻跨规模和不同制造商配方工艺差异带来的限制，从而在数据有限的情况下实现准确的工业环境适应（图1b）。
为了弥合这一知识差距，我们提出了一个堆叠自编码器-全连接网络（SAE-FCN），它首次解决了LMBs在容量范围和不同制造商配方工艺变化方面的SOH评估的可转移性问题。本研究的主要贡献包括：
(1) 设计了一种集成学习-自编码器混合网络，仅使用21个甚至6个松弛电压点即可自动提取高度相关的健康指标（HIs）。
(2) 一种集成的模块化设计使得LMBs的SOH模型可以在不同容量范围和不同制造商配方工艺变化之间进行可扩展和通用的转移，并已在3.8毫安时到19.9安时的电池上得到了验证。
