2026.06.15 · 电池研究日报

2026-06-15 电池寿命预测论文每日监测

今日结论

今日脚本发现 3 篇新条目，经 Hermes 复核后均可作为报告对象，但可信度分层如下：

1. 最值得跟进：Applied Energy 的动态时空图 RUL 论文：题名直接指向锂离子电池 RUL 预测，期刊质量高；但 Elsevier 正文/摘要未成功开放获取，本报告只能做到 Crossref/元数据级核验。
2. 可读但需审慎：IRE Journals 的 LSTM-CNN 多任务 BMS 论文：PDF 与期刊页可访问，覆盖 SoC/SoH/RUL、NASA/CALCE、边缘部署；但期刊可信度和实验细节需重点审查。
3. 观察项：Applied Energy 的 SOH 估计攻击论文：确认是 Applied Energy 学术论文，主题是“操纵 SOH 估计”的安全攻击，不是寿命预测模型本身；对 BMS/SOH 估计鲁棒性有启发，优先级低于直接 RUL 预测。

核验说明：每篇均尝试打开 pdf_url / url / DOI 或 Crossref 元数据。不可访问全文的条目明确标注为“摘要/元数据级”。

论文总览表

1. Battery Management System in Electric Vehicles Using Deep Learning: A Hybrid LSTM-CNN Framework for Enhanced State Estimation and Predictive Maintenance

基本信息

• 作者：Khushbu; Dr. Vipin
• 期刊/来源：Iconic Research and Engineering Journals, Volume 9 Issue 12, pp. 1323–1330
• 发布日期：2026-06-12
• DOI/URL：https://doi.org/10.64388/IREV9I12-1718891
• PDF：https://www.irejournals.com/formatedpaper/1718891.pdf
• 脚本评分：76
• 开放性：开放 PDF，可访问期刊详情页
• 可信度：PDF/页面级；可核对摘要、关键词、引用信息和页面元数据，但仍需人工阅读全文确认实验表格与实现细节。
• 期刊指标核验：未核验 JCR/JIF/JCI/CiteScore/SJR；不得据此推断期刊质量。

纳入理由

• 题名、摘要和关键词均明确包含 Battery Management System、SoH、RUL、Predictive Maintenance、Lithium-Ion Batteries。
• 摘要称模型联合预测 SoC、SoH、Remaining Useful Life (RUL)，属于电池健康状态估计与寿命预测范围。
• 区别于普通材料论文：该文聚焦 BMS 状态估计、退化轨迹和在线部署，不是电极/电解液合成。

创新点

• 将 CNN 用于多维电压-电流-温度矩阵的局部/空间特征提取。
• 将 LSTM + attention 用于长期退化轨迹建模。
• 采用 multi-task learning 同时输出 SoC、SoH、RUL。
• 讨论 TensorRT/ONNX、INT8 量化、结构化剪枝 等边缘部署路径。

主要内容

论文声称传统 ECM、EKF、库仑计量等方法难以处理真实 EV 工况下的温度依赖、历史依赖和非线性老化。提出端到端混合深度学习 BMS 框架，并强调在资源受限硬件上的实时推理。

模型方法

• 已确认：CNN + BiLSTM/LSTM + attention；摘要和 PDF 提到 squeeze-and-excitation blocks、多任务学习、边缘优化。
• 输入：多维 V-I-T（voltage-current-temperature）矩阵；可能包含循环或驾驶工况序列。
• 输出：SoC、SoH、RUL。
• 未能确认：具体层数、隐藏维度、损失权重、训练超参、随机种子、代码仓库。

数据集/电池体系

• 电池类型：锂离子电池；摘要提到 EV 场景，并列举 NMC/NCA/LFP 作为传统方法难点背景。
• 数据来源：NASA Ames Prognostics Center 与 CALCE benchmark datasets。
• 工况：摘要称在 UDDS 和 US06 driving cycles 下评估。
• 循环规模：摘要称 SoH 预测覆盖 1,150+ cycles。
• 未能确认：具体电芯数量、训练/测试按电芯还是按循环切分、温度/倍率分布。

结果指标

• SoC：摘要称 RMSE/MAE 误差降低 71%。
• SoH：摘要称 RMSE 低于 1.15%。
• RUL：摘要称预测误差约 ±18.7 cycles。
• 部署：38 ms inference latency，0.9 mJ energy consumption。

Baseline

• 摘要提及传统 ECM、EKF、heuristic algorithms 作为背景；PDF 摘要称相比 classical/recent ML baselines 有提升。
• 未能确认：具体 baseline 名称、同等调参、公平性、是否含强 Transformer/GNN 基线。

泄漏风险

• 风险判断：中到高，信息不足。
• 使用 NASA/CALCE 公开数据时常见风险包括随机切分循环片段导致同一电芯泄漏、全生命周期归一化、使用未来容量标签构造特征等。
• 目前可访问摘要未说明划分策略与防泄漏措施，需要阅读全文表格和方法部分。

局限性

• 期刊层级与审稿严格性未核验。
• 多任务、边缘部署和大幅误差降低的组合较强，需验证实验是否充分。
• 对真实车载 BMS 数据、跨化学体系、跨温度/倍率泛化的证据尚不清楚。

复现性

• 数据：NASA/CALCE 可公开获取。
• 代码：未确认开源。
• 训练细节：未能从可访问摘要确认。
• 复现性判断：中低，除非正文提供完整网络与超参。

启发

• 可把 V-I-T 矩阵 + temporal attention 作为多任务 SoH/RUL baseline 复现方向。
• 对边缘部署场景，可记录 latency/energy 作为 BMS 模型评价维度，而不只看 RMSE。

2. A novel framework with dynamic spatiotemporal graph modeling and adaptive optimization for lithium-ion battery remaining useful life prediction

基本信息

• 作者：Teng Liu; Wei Li; Zhiqiang Li; Shangbo Wu; Weiwei Huo
• 期刊/来源：Applied Energy, Volume 421, Article 128211
• DOI：https://doi.org/10.1016/j.apenergy.2026.128211
• PII：S0306261926008652
• 出版信息：Crossref 显示 2026-10；Crossref created 2026-06-13, deposited/indexed 2026-06-14
• 脚本评分：66
• 开放性：Elsevier/ScienceDirect 页面未能成功获取；Crossref 元数据可访问。
• 可信度：摘要/元数据级，全文未开放或未成功获取。
• 期刊指标核验：未核验具体 JCR/JIF/JCI/CiteScore/SJR；Applied Energy 为脚本期刊分层中的 core energy systems journal / Q1，但本报告未独立核验指标数值。

纳入理由

• 标题直接包含 lithium-ion battery remaining useful life prediction。
• 关键词线索为 dynamic spatiotemporal graph modeling 与 adaptive optimization，明显属于 RUL 预测方法论文。
• Crossref 确认为 Elsevier 的 Applied Energy journal article，而非普通网页或非学术线索。

创新点

• 已确认到题名级：动态时空图建模 + 自适应优化，用于锂离子电池 RUL 预测。
• 推测但未确认：可能使用图结构表示跨时间、跨特征或跨电芯关系；不可写成已证实细节。

主要内容

• 可访问元数据仅确认题名、作者、期刊、DOI、PII、出版卷期和引用数量。
• Crossref 记录显示参考文献主题集中于 RUL、SOH、深度学习、GNN/Transformer/Informer/Mamba/physics-informed 等近期方向。
• 未能从可访问内容确认摘要、实验数据、模型结构和结果指标。

模型方法

• 已确认：题名级“dynamic spatiotemporal graph modeling and adaptive optimization”。
• 输入：未说明/未能从可访问内容确认。
• 输出：RUL，单位大概率为循环数或剩余寿命，但未能确认。
• 训练策略：未说明/未能确认。

数据集/电池体系

• 电池类型：锂离子电池。
• 数据来源：未说明/未能确认。
• 电芯数量、循环数量、温度、倍率、老化协议：未说明/未能确认。
• 跨电池/跨工况验证：未说明/未能确认。

结果指标

• 未说明/未能从可访问内容确认。
• 后续需要核对 MAE、RMSE、MAPE、R2、cycle error、提前预测窗口等。

Baseline

• 未说明/未能确认。
• 因题名强调图建模，需重点检查是否与 LSTM、GRU、Transformer、Informer、Mamba、GNN、physics-informed baseline 公平比较。

泄漏风险

• 风险判断：信息不足。
• RUL 论文常见泄漏点：随机循环切分、用完整退化曲线生成健康因子、未来容量参与归一化/特征选择、同电芯训练测试混入。
• 正文不可访问前不能判断其验证设计是否可信。

局限性

• 目前只有 Crossref 元数据，无摘要/全文。
• 文章出版日期显示为 2026-10，可能为 Article in Press / ahead-of-print 元数据；需等 ScienceDirect 页面开放。

复现性

• 代码、数据、超参、随机种子均未确认。
• 复现性判断：信息不足。

启发

• 高优先级加入追踪清单：一旦摘要或 PDF 可访问，优先提取图构建方式、输入窗口、RUL label 生成、跨电芯划分和 baseline。
• 如果方法确实支持动态时空图，可与现有 GNN/Transformer 寿命预测 pipeline 对照。

3. Reinforcement learning-driven adaptive stealthy attacks manipulating battery state of health estimation

基本信息

• 作者：Mingqiang Lin; Heng Li; Jinhao Meng
• 期刊/来源：Applied Energy, Volume 421, Article 128217
• DOI：https://doi.org/10.1016/j.apenergy.2026.128217
• PII：S0306261926008718
• 出版信息：RSS 显示 publication date 2026-10-15；Crossref 显示 published 2026-10，created/deposited/indexed 2026-06-14
• 脚本评分：62
• 开放性：ScienceDirect 页面未能成功获取；Crossref 元数据可访问。
• 可信度：摘要/元数据级，全文未开放或未成功获取。
• 期刊指标核验：未核验具体 JCR/JIF/JCI/CiteScore/SJR；Applied Energy 为脚本期刊分层中的 core energy systems journal / Q1，但本报告未独立核验指标数值。

纳入理由

• RSS/Web 线索经 Crossref 复核为 Applied Energy 正式 journal article。
• 题名明确包含 battery state of health estimation，属于电池 SOH 估计相关主题。
• 但研究目标是 reinforcement learning-driven adaptive stealthy attacks，即攻击/操纵 SOH 估计，而非直接提出寿命预测模型；因此列为低优先级观察项。

创新点

• 已确认到题名级：使用强化学习构造自适应隐蔽攻击，影响/操纵电池 SOH 估计。
• 对寿命预测研究的价值主要在鲁棒性、安全性、攻击检测与可信 BMS，而非 RUL 精度提升。

主要内容

• Crossref 元数据确认文章身份、作者、DOI、PII、期刊和参考文献数量（51）。
• 引用主题包括 lithium-ion battery modeling、SOH estimation、RUL prediction、cloud/edge BMS、AI/deep learning diagnostics 等。
• 未能从可访问内容确认具体攻击模型、状态空间、动作空间、reward 设计、实验平台与结果。

模型方法

• 已确认：reinforcement learning-driven adaptive stealthy attacks。
• 输入/状态：未说明/未能确认。
• 动作/输出：操纵 SOH 估计的攻击策略，具体形式未说明。
• 目标：使 SOH 估计被操纵且攻击保持隐蔽，具体优化目标未说明。

数据集/电池体系

• 未说明/未能确认。
• 需后续确认是否使用公开电池老化数据、仿真 BMS、真实传感器攻击或车云 BMS 场景。

结果指标

• 未说明/未能确认。
• 后续应关注：SOH 偏移量、攻击成功率、隐蔽性指标、检测逃逸率、对 RUL/安全阈值的影响。

Baseline

• 未说明/未能确认。
• 应检查是否与固定扰动、随机攻击、优化攻击、模型无关攻击等 baseline 比较。

泄漏风险

• 风险判断：信息不足。
• 这里更关键的不是传统训练泄漏，而是威胁模型是否现实：攻击者是否假设可观测真实 SOH/模型梯度/完整 BMS 状态，是否超过实际攻击能力。

局限性

• 不直接解决 RUL/EOL/SOH 估计准确性，而是研究估计系统被操纵的风险。
• 正文不可访问，无法判断实验是否仅仿真、是否有硬件/实车验证。

复现性

• 代码、数据、攻击环境均未确认。
• 复现性判断：信息不足。

启发

• 可为“寿命预测模型可信度”增加安全评估维度：传感器扰动、数据投毒、云边协同攻击、SOH/RUL 输出的异常检测。
• 若后续全文显示其攻击显著影响 RUL/SOH 阈值决策，应纳入 BMS 鲁棒性文献库。

后续追踪清单

1. Applied Energy 128211：等待 ScienceDirect 摘要/全文开放；重点抽取图构建方式、数据划分、RUL label、baseline 与结果。
2. Applied Energy 128217：等待全文；判断其是否只是 BMS 安全论文，还是对 SOH/RUL 估计有可量化影响。
3. IRE Journals 1718891：阅读全文并核查实验表格；重点检查 NASA/CALCE 数据划分是否按电芯独立、是否存在同电芯循环泄漏。
4. 低阈值 preprint 队列：将 CausalHealth arXiv 预印本作为候选复核，尤其关注其早期异常检测是否可转化为 EOL/RUL 预警。
5. 检索策略：对 “SOH estimation attacks / robust BMS / adversarial battery health estimation” 建立观察关键词，但默认不要与 RUL 预测混为同等优先级。

Lint 补充核查字段

EOL/RUL/SOH 定义

• IRE Journals 论文：SoH 定义和 EOL 阈值未能从摘要/页面确认；RUL 以循环数误差（±18.7 cycles）呈现。
• Applied Energy 128211：题名确认 RUL prediction，但 EOL 阈值、RUL 单位和标签生成方式未能从 Crossref 元数据确认。
• Applied Energy 128217：题名确认 SOH estimation，但 SOH 的容量型/内阻型/能量型定义未能确认；RUL/EOL 不是题名主任务。

是否值得跟进

• IRE Journals 1718891：观望跟进。主题相关、PDF 可访问，但期刊指标和实验严谨性需人工核查。
• Applied Energy 128211：强烈跟进。题名直指锂电 RUL + 动态时空图建模，待全文开放后优先解析。
• Applied Energy 128217：观察。更偏 SOH 估计安全/攻击，若全文显示对 RUL/SOH 决策有显著影响，再纳入鲁棒寿命预测专题。