2026年1月26日晚20:00，“可靠性之家”线上论坛第六期成功举办，安徽大学康闻达博士应邀作《Robust Transfer Learning for Battery Lifetime Prediction Using Early Cycle Data》主题报告，报告由电子科技大学胡家文教授主持。
电池寿命预测是保障系统安全、降低运维成本的关键技术，尤其在新能源汽车与储能等领域具有重要意义。然而，在利用早期循环数据进行预测时，不同批次电池之间往往存在显著的数据分布差异，导致依赖同分布假设的传统机器学习算法泛化性能下降。虽然迁移学习（Transfer Learning）有望解决这一问题，但在源域与目标域差异过大时，极易引发“负迁移”现象，反而降低预测精度。
针对上述挑战，康闻达博士提出了一种稳健迁移学习（RobustTL）框架 。该框架的核心思想是构建一种模型平均架构，利用“最大均值差异”（MMD）度量来量化源域与目标域之间的距离，并据此构造动态权重机制 。该机制能够自适应地对传统机器学习（ML）和迁移学习（TL）的预测结果进行加权融合：当MMD值较大、表明分布差异明显时，自动降低迁移学习的权重以避免负迁移；反之，则增加权重以充分利用源域知识。
报告进一步介绍了该方法在理论与实践层面的验证结果。理论上，该研究证明了方法的泛化误差界，表明预测误差主要由源域误差和MMD度量共同决定 。在应用层面，基于磷酸铁锂/石墨电池数据集的案例分析显示，RobustTL框架能有效抑制负迁移的负面影响，其预测精度和稳健性均显著优于传统方法。
本期视频已上传B站，请扫描观看分享。
"可靠性之家"线上论坛由中国现场统计研究会可靠性工程分会和中国系统工程学会系统可靠性专委会联合发起，本期为第六期，未来将持续分享可靠性领域的前沿技术与实践，促进学术交流与产学研合作。
报告人简介
康闻达，安徽大学大数据与统计学院讲师，2025年获荷兰代尔夫特理工大学与北京理工大学双博士学位。主要研究方向为可靠性统计、迁移学习及应用统计。相关成果已在《IEEE Transactions on Industrial Informatics》、《Reliability Engineering & System Safety》、《IEEE Transactions on Reliability》等期刊发表，获授权国家发明专利2项，现主持国家自然科学基金数学天元基金项目1项。曾获SRSE最佳论文奖、Wiley威立中国高贡献作者奖等荣誉。