2026.06.12 · 电池研究日报

电池寿命预测论文每日监测（2026-06-12）

今日结论

• 本次脚本触发新线索 4 篇；Hermes 复核后纳入正式报告 3 篇，剔除 1 篇材料/正极稳定循环论文。
• 最值得跟进：Scientific Reports 的 PIML-DM 论文，直接针对锂离子电池跨化学体系、免标定 SOH/退化预测，页面可访问，摘要级证据充分。
• 可跟进：Journal of Energy Storage 的 Li-S 早期循环寿命预测论文，以及 Batteries 的基于被动 EIS 的 LIC 在线 SOH 估计论文。两者主题匹配，但本次只能核验到摘要/元数据级信息。
• 观察项：arXiv 预印本 Causal Anomaly Detection for Lithium-Ion Battery Degradation 分数低于阈值，但主题相关，建议后续加入低阈值预印本 review 队列。
• 排除项：Energy Storage Materials 的高截止电压单晶富锂正极稳定循环论文更偏材料机理/循环稳定性，不是寿命预测、RUL/EOL/SOH/SOF 建模。

核验说明：按要求尝试打开每篇 papers[] 的 DOI/URL 页面。Scientific Reports 页面成功获取；ScienceDirect 与 MDPI 页面由 web_extract 获取失败，随后使用 web_search 元数据和脚本 payload 交叉核验。对未能访问全文的条目均标注为“摘要/元数据级”。

论文总览表

论文卡片 1：Hybrid physics-informed machine learning framework for calibration-free degradation prediction of lithium-ion batteries

基本信息

• 标题：Hybrid physics-informed machine learning framework for calibration-free degradation prediction of lithium-ion batteries
• 作者：Ali M. Eltamaly；Zeyad Almutairi
• 期刊：Scientific Reports
• 发表日期：2026-06-09
• DOI/URL：https://doi.org/10.1038/s41598-026-56439-z
• 脚本评分：89
• 开放状态：OpenAlex 标记 open access；Nature 页面可访问早期未编辑稿摘要。
• 可信度：页面摘要级。web_extract 成功获取 Nature/Scientific Reports 页面摘要、早期访问声明、模型概述、数据集与核心结果；未核验完整 PDF 附录、代码仓库和所有实验表格。
• 期刊指标核验：未核验具体 JIF/JCI/CiteScore/SJR 数值；脚本期刊层级为“broad open-access journal / Q1”。

纳入理由

• 题名和摘要直接出现 degradation prediction、SoH prediction、lithium-ion batteries。
• 研究目标是免化学体系专属实验标定、仅用 operational telemetry 进行锂离子电池 SOH/退化预测，属于本任务核心范围。
• 与一般材料循环稳定性论文不同，该文输出目标是 SOH 轨迹/退化预测，并强调可部署 BMS/EV/grid-storage prognostics。

创新点

• 提出 Hybrid Physics-Informed Machine Learning Degradation Model（PIML-DM）。
• 采用双分支框架：LSTM 学习非线性 aging residuals，physics-constrained loss 约束 Arrhenius 温度动力学、Wöhler fatigue stress 和 SOH 单调性。
• 核心主张是 calibration-free：不需要针对每种电池化学体系进行实验室参数标定。
• 强调跨化学体系泛化：NASA LCO 训练、Oxford NCA 验证、本地 LFP benchmark。

主要内容

• 问题：传统锂电退化模型依赖 chemistry-specific laboratory calibration，限制跨材料体系和真实工况部署。
• 方法：用 operational telemetry 输入机器学习分支，同时把通用老化物理先验放进损失函数。
• 结果：页面摘要声称在不同电压曲线和退化路径的化学体系上达到 sub-0.5% RMSE，且 SOH 轨迹物理一致。

模型架构

• 方法类别：physics-informed + LSTM + hybrid degradation model。
• 输入：operational telemetry；页面未给出具体字段完整列表，推测可能含电压、电流、温度、循环/时间特征，但本次未能从可访问内容确认。
• 输出：SOH/退化轨迹预测。
• 物理约束：Arrhenius temperature kinetics、Wöhler fatigue stress、strict monotonicity。
• baseline：页面摘要未说明具体 baseline 列表；需全文确认是否对比纯 LSTM、传统经验模型、PINN/physics-informed baseline 等。

数据来源 / 结构 / 电池类型 / 循环协议

• 训练集：NASA LCO dataset。
• 验证集：Oxford NCA dataset。
• benchmark：本地采集 LFP dataset。
• 电池体系：锂离子电池，包含 LCO、NCA、LFP。
• 循环协议/样本量：摘要未说明电池数量、倍率、温度、EOL 阈值、循环数；需全文或补充材料确认。
• 跨域设计：跨公开数据集和本地数据集，且跨化学体系，这是该文最大价值点。

结果指标

• 摘要明确声称 sub-0.5% RMSE。
• 是否报告 MAE/MAPE/R²、按 chemistry/temperature/C-rate 分层指标、不确定性校准：未能从可访问内容确认。

泄漏风险

• 初步判断：中等，需全文复核。
• 正面证据：跨 NASA → Oxford → LFP 的外部/跨化学体系验证可以降低同一电池随机切分造成的过拟合风险。
• 待核验风险：是否在全数据上归一化；是否使用未来循环统计量；本地 LFP 数据是否用于调参；NASA/Oxford 的 cell split 是否严格按电池而非循环片段划分。

局限性

• 可访问内容未说明样本量、循环工况分布和代码开源情况。
• “calibration-free” 仍需确认是否真正无需任何目标域少量校准，或只是无需化学参数标定。
• sub-0.5% RMSE 很强，需查看测试集划分、误差单位、容量/SOH 标签定义。

复现性

• 判断：信息不足。
• 数据中 NASA/Oxford 可公开获取概率较高；本地 LFP 数据是否开放未知。
• 代码、超参、训练细节、随机种子未能从页面摘要确认。

启发 / 后续动作

• 将该文加入重点阅读清单，优先下载 PDF/补充材料。
• 重点检查：跨化学体系 split、特征定义、loss 公式、是否有目标域调参、LFP 本地数据开放性。
• 若方法可信，可借鉴单调性 + Arrhenius + fatigue stress 的轻量约束用于现有 SOH/RUL pipeline。

论文卡片 2：Data-driven machine learning framework for accelerating lifetime prediction of LiS batteries using early-cycle electrochemical features

基本信息

• 标题：Data-driven machine learning framework for accelerating lifetime prediction of LiS batteries using early-cycle electrochemical features
• 作者：Shengheng Wu；Fuming Lai；Chongju Chen；Zhi Yang；Shuo Yang；Shengfu Tong
• 期刊：Journal of Energy Storage
• 发表日期：2026-06-10
• DOI/URL：https://doi.org/10.1016/j.est.2026.123079；ScienceDirect 线索页：https://www.sciencedirect.com/science/article/abs/pii/S2352152X2602743X
• 脚本评分：64
• 可信度：摘要/元数据级。DOI 与 ScienceDirect 页面 web_extract 获取失败；web_search 结果和 OpenAlex payload 一致，确认题名、期刊和核心摘要线索。
• 期刊指标核验：未核验具体 JIF/JCI/CiteScore/SJR 数值；脚本期刊层级为“core storage journal / Q1”。

纳入理由

• 题名直接包含 lifetime prediction、LiS batteries、early-cycle electrochemical features。
• web_search 摘要显示其目标是用早期 ΔQ(V) 特征加速 Li–S battery lifetime prediction，属于 cycle life / lifetime forecasting。
• 与材料合成论文不同，它的主要贡献是早期循环特征到寿命预测的机器学习框架。

创新点

• 面向 锂硫电池（Li–S batteries），比常见 NASA/CALCE 锂离子基准更少见。
• 使用早期循环 electrochemical features，web_search 摘要明确提到 early ΔQ(V) features（1.6–2.4 V）。
• 目标是缩短 Li–S 寿命评估周期，适合材料/电解液筛选场景。

主要内容

• 问题：Li–S 电池寿命测试周期长，早期电化学信号可能包含后续退化信息。
• 方法：数据驱动机器学习框架，从早期循环曲线/电化学特征预测 lifetime。
• 结果：本次未能获取全文或完整摘要，具体性能指标未能确认。

模型架构

• 方法类别：data-driven machine learning。
• 输入：早期循环 electrochemical features；web_search 摘要提及 ΔQ(V) 区间 1.6–2.4 V。
• 输出：Li–S battery lifetime / cycle life。
• 具体模型：未说明/未能从可访问内容确认。
• baseline：未说明/未能从可访问内容确认。

数据来源 / 结构 / 电池类型 / 循环协议

• 电池体系：Li–S batteries。
• 数据来源：未说明/未能从可访问内容确认，可能为实验室 Li–S 循环数据。
• 电池数量/循环数量/温度/倍率/协议：未能确认。
• 跨电池/跨工况验证：未能确认。

结果指标

• 具体 MAE/RMSE/MAPE/R²/cycle error 未能确认。
• 是否按电池/材料配方/工况分层报告未知。

泄漏风险

• 判断：信息不足偏中高。
• 早期循环寿命预测常见风险包括：同一配方/批次在 train/test 同时出现、用后验容量曲线构造特征、全数据归一化、用完整寿命信息选择特征窗口。
• 需全文确认是否按 cell 或 batch split，以及 ΔQ(V) 特征是否只来自预测时可获得的早期循环。

局限性

• 本次未获取全文，样本规模和数据开放性未知。
• Li–S 体系退化机制与 Li-ion 不同，模型是否可迁移到其他电池体系未知。
• 如果仅基于单实验室数据，外部泛化风险较高。

复现性

• 判断：信息不足。
• 代码、数据、超参、随机种子未确认。

启发 / 后续动作

• 值得下载全文，重点关注 ΔQ(V) 特征构造、早期窗口长度、数据切分和寿命标签定义。
• 若数据公开，可纳入非锂离子/后锂体系寿命预测 benchmark。

论文卡片 3：From Operation to SOH Estimation: Analysis of Lithium-Ion Capacitors Based on Passive EIS for E-Bus Application

基本信息

• 标题：From Operation to SOH Estimation: Analysis of Lithium-Ion Capacitors Based on Passive EIS for E-Bus Application
• 作者：Tarek Ibrahim；Muhammad Usman Tahir；Mohamed Abdel‐Monem；Erik Schaltz；Václav Knap；Daniel‐Ioan Stroe；Tamás Kerekes
• 期刊：Batteries
• 发表日期：2026-06-10
• DOI/URL：https://doi.org/10.3390/batteries12060212；MDPI 页面：https://www.mdpi.com/2313-0105/12/6/212
• 脚本评分：63
• 开放状态：OpenAlex 标记 open access；MDPI 页面搜索可见，但 web_extract 未能抓取。
• 可信度：摘要/元数据级。payload 摘要详细，web_search 确认 MDPI 题名与页面；全文未成功获取。
• 期刊指标核验：未核验具体 JIF/JCI/CiteScore/SJR 数值；脚本期刊层级为“specialized battery journal”。

纳入理由

• 摘要明确研究 online state of health (SOH) estimation，并报告容量衰减相关验证。
• 方法从实际运行电流/电压信号中提取被动 EIS/阻抗点，训练模型估计 SOH，属于在线诊断和电池健康估计。
• 虽对象是 lithium-ion capacitors（LICs）而非传统 Li-ion cells，但属于电化学储能器件健康估计，符合本任务“不限定锂电”的范围。

创新点

• 使用 FFT-based passive impedance extraction，避免传统 EIS 外部激励和专用硬件。
• 从 operational current/voltage 直接提取低频阻抗点和欧姆电阻点，拟合 ECM 参数，再用于 SOH 模型。
• 面向 e-bus/flash-charged electric bus 应用，强调在线部署。

主要内容

• 问题：传统 EIS 用于 onboard diagnostics 成本高、硬件复杂。
• 方法：利用运行过程中的电流/电压信号，通过 FFT 提取被动阻抗，构建 ECM 参数，再用监督学习模型估计 SOH。
• 实验：5 个 LIC cells，在不同 C-rate 和温度下老化。
• 结果：摘要称 SOH prediction errors as low as 2.23%。

模型架构

• 方法类别：被动 EIS + ECM 参数识别 + supervised machine learning。
• 输入：运行电流/电压信号，经 FFT 得到阻抗点；ECM 参数（ohmic resistance、charge-transfer resistance、Warburg diffusion 等）。
• 输出：SOH。
• 模型：Polynomial Regression（PR）、Principal Components Analysis（PCA）相关模型、Random Forest（RF）regression。
• baseline：摘要只列出 PR/PCA/RF；是否与传统 EIS、容量直接测量、EKF/GP 等 baseline 比较未能确认。

数据来源 / 结构 / 电池类型 / 循环协议

• 电池体系：Lithium-ion capacitors（LICs）。
• 样本量：5 个 LIC cells。
• 老化工况：C-rates 1C、4C、7C；温度 35 °C、40 °C、50 °C。
• 数据来源：实验数据；是否公开未知。
• 循环数量/EOL 阈值：未能从可访问内容确认。

结果指标

• 摘要报告 SOH prediction error 最低 2.23%。
• RMSE/MAE/R²、按温度/倍率分层、每个 cell 的误差分布：未能确认。

泄漏风险

• 判断：中等到高，需全文复核。
• 样本量仅 5 个 cells，若随机按样本点切分，很容易出现同一 cell 的相邻老化阶段同时进入训练/测试。
• 需要确认是否 leave-one-cell-out、跨温度/倍率外推，或只是同分布随机 split。
• 还需确认 PCA/归一化是否仅在训练集拟合，避免全数据泄漏。

局限性

• 样本量小，且对象是 LIC，向常规 Li-ion battery、pack-level BMS 迁移需验证。
• 被动 EIS 的信号质量依赖运行激励频谱，真实公交工况下低频信息是否稳定需看全文。
• 摘要未说明代码/数据开放。

复现性

• 判断：信息不足。
• MDPI 通常全文可开放，但本次抓取失败；需后续人工下载 PDF 确认数据表、公式和参数。

启发 / 后续动作

• 适合关注“无额外硬件在线 SOH”方向。
• 后续重点检查：被动 EIS 特征提取窗口、ECM 拟合稳定性、leave-one-cell/leave-one-condition 验证。

模板字段补充索引

以下小节用于保持报告 lint 字段完整；详细内容已在各论文卡片中展开。

数据集/电池体系

• PIML-DM：Li-ion，NASA LCO / Oxford NCA / 本地 LFP。
• Li–S lifetime：Li–S batteries，早期循环电化学特征，数据结构待全文确认。
• LIC passive EIS：5 个 lithium-ion capacitors，1C/4C/7C，35/40/50 °C。

EOL/RUL/SOH 定义

• PIML-DM：SOH/退化轨迹；具体 SOH 定义和 EOL 阈值待全文确认。
• Li–S lifetime：lifetime / cycle life；EOL 阈值待全文确认。
• LIC passive EIS：SOH 估计；RUL 未报告或不适用。

模型方法

• PIML-DM：physics-informed hybrid LSTM，Arrhenius/Wöhler/monotonicity 约束。
• Li–S lifetime：data-driven ML，early ΔQ(V) / electrochemical features。
• LIC passive EIS：FFT 被动阻抗提取 + ECM 参数 + PR/PCA/RF 回归。

验证设计

• PIML-DM：摘要显示跨数据集/跨化学体系验证；细节待全文确认。
• Li–S lifetime：数据划分和 baseline 未能确认。
• LIC passive EIS：摘要显示多倍率/温度实验；是否 leave-one-cell-out 未能确认。

是否值得跟进

• PIML-DM：强烈跟进。
• Li–S lifetime：跟进。
• LIC passive EIS：跟进。
• Energy Storage Materials 高截止电压正极论文：不跟进，除非全文显示明确预测建模。

后续追踪清单

1. 下载并精读 PIML-DM 全文/PDF：核验 loss 公式、训练/验证 split、是否目标域调参、数据和代码开放情况。
2. 获取 Journal of Energy Storage Li–S 论文全文：记录模型类别、样本量、ΔQ(V) 特征窗口、寿命标签定义、性能指标与 baseline。
3. 获取 Batteries/MDPI LIC 被动 EIS 论文全文：重点检查 5-cell 数据划分是否 leave-one-cell/leave-one-condition，避免同 cell 时间序列泄漏。
4. 将 arXiv Causal Anomaly Detection for Lithium-Ion Battery Degradation 加入低阈值预印本人工 review 清单。
5. 调整 RSS/Web 规则：只有“degradation/stable cycling”但无 prediction/SOH/RUL/EOL/health estimation 的材料论文应降低分数或进入观察而非正式通知。

核验后排除说明

• Breaking the Voltage-Dependent Degradation Paradigm: High Cut-Off Voltage Enables Stable Cycling of Single-Crystal Lithium-Rich Cathodes
  • 来源：RSS/Web，Energy Storage Materials，ScienceDirect URL。
  • 脚本分数：65。
  • 核验情况：ScienceDirect 页面 web_extract 获取失败；web_search 与 RSS 元数据确认题名和来源。
  • 排除理由：题名和摘要线索聚焦高截止电压、单晶富锂正极、稳定循环/材料退化范式，未显示 EOL/RUL/SOH/SOF、寿命预测模型、早期寿命预测或健康状态估计。属于电池材料/循环稳定性研究，不是本监测主题的预测论文。
  • 是否建议加入 false-positive label：建议观察一次；若后续全文仍无预测建模，应加入 false_positive。