2026.06.20 · 电池研究日报

2026-06-20 电池寿命预测论文每日监测

今日结论

• 新增合格论文：2 篇，均来自 OpenAlex，均已打开 DOI/论文页面核验题名、来源、日期和主题证据。
• 最值得跟进：
  1. Deep learning-based RUL and SOH prediction of lithium-ion batteries using LOCO（Scientific Reports, 2026-06-18, 评分 91）：重点是严格 Leave-One-Cell-Out（LOCO）跨电池验证和统计可靠性分析，适合作为哥哥后续 benchmark 设计参考。
  2. Intelligent prediction of the remaining useful life of lithium-ion batteries based on a CGHF-MDH-Mamba model（Intelligence & Robotics, 2026-06-18, 评分 56）：Mamba + 单调容量约束 head，方法上值得观察，但期刊影响力和外部验证强度需要进一步确认。
• **总体判断：**第一篇更像“评测协议/基线框架”型论文，对避免随机切分泄漏、强调跨 cell 泛化更有价值；第二篇是“模型结构创新”型论文，对在线部署和物理约束设计有启发，但需要复核代码、超参和数据划分细节。
• **可信度说明：**本次 web 提取能访问论文页面/摘要级内容；第一篇页面显示 early-access/unedited manuscript。未能确认所有全文表格、具体超参和完整 baseline 数值时，下文明确标注“未能从可访问内容确认”。

论文总览表

单篇论文分析

1. Deep learning-based RUL and SOH prediction of lithium-ion batteries using LOCO

论文基本信息

• **标题：**Deep learning-based RUL and SOH prediction of lithium-ion batteries using LOCO
• **DOI/URL：**https://doi.org/10.1038/s41598-026-58379-0
• **期刊/会议/预印本平台：**Scientific Reports
• **发表日期：**2026-06-18
• **作者：**Bisma Ali, Irum Matloob, Nuha Alkhalifa, Amal K. Alkhalifa, Nayab Asim, Shamsa Kanwal, Saba Inam
• **脚本评分：**91
• **期刊指标核验：**脚本期刊分层为 “broad open-access journal / Q1; Scientific Reports”。未单独核验 2026 JCR/JIF/JCI/CiteScore/SJR，故不臆测具体数值。
• **访问核验：**DOI 页面可访问；页面说明为 early-access unedited manuscript，已核对题名、期刊、发布日期和摘要/页面证据。

纳入理由

• 该文题名直接包含 RUL and SOH prediction of lithium-ion batteries，属于电池寿命预测和健康状态评估核心范围。
• 摘要/页面证据显示：研究目标是锂离子电池 Remaining Useful Life (RUL) prediction 与 State of Health (SOH) assessment，并明确讨论 degradation、cross-cell generalization 和 prognostics。
• 与一般材料论文不同：该文不是电极合成或热管理，而是围绕公开老化数据、时间序列模型、RUL/SOH 标签和验证协议进行预测评估。

创新点

• 将 LSTM、TCN、TFT 放入统一 benchmark 框架，强调相同预处理、特征工程、归一化和训练流程。
• 采用 Leave-One-Cell-Out (LOCO)，即测试电池 cell 在训练阶段完全不可见，比随机循环片段切分更贴近真实部署。
• 把随机种子训练波动与 LOCO fold/cell 差异分开分析，并报告均值±标准差、置信区间和 cell-level evaluation。

主要内容

• 论文关注锂离子电池退化非线性和跨电池异质性对 RUL/SOH 预测的影响。
• 使用滑动窗口将退化相关特征和时间统计描述符组织成时间序列输入。
• 将 RUL 作为回归任务；SOH 基于归一化放电容量分析退化行为。
• 结论强调：模型表现受退化复杂性和 cell-to-cell heterogeneity 影响，可靠评测需要严格跨电池验证和统计可靠性分析。

模型架构/方法流程

模型方法

• **方法类别：**数据驱动深度学习 benchmark。
• **比较模型：**LSTM、Temporal Convolutional Network (TCN)、Temporal Fusion Transformer (TFT)。
• **流程：**公开数据集 → 统一预处理/特征工程/归一化 → 滑动窗口构造时间序列 → LOCO 训练/验证 → MAE/RMSE/R² 与统计分析。
• **未说明/未能从可访问内容确认：**每个模型的具体层数、hidden size、学习率、batch size、早停策略和硬件信息。

输入特征与输出目标

• **输入特征：**页面可确认包含 degradation-related features、temporal statistical descriptors、time-series sequences；具体每个传感变量和统计特征清单未能从可访问内容确认。
• **输出目标：**RUL 回归；SOH 由 normalized discharge capacity 表征。
• **EOL/RUL/SOH 定义：**RUL 单位/终止阈值未能从可访问内容确认；SOH 明确为归一化放电容量相关。

数据来源/数据结构/电池类型/循环协议

数据集/电池体系

• **电池体系：**锂离子电池。
• **数据来源：**NASA Ames Battery Aging Dataset；Oxford Battery Degradation Dataset。
• **数据结构：**公开电池老化/容量退化时序数据；使用滑动窗口构造成序列样本。
• **循环协议/温度/倍率：**可访问摘要未给出细节，需全文表格核对。
• **跨电池验证：**明确使用 LOCO，每次留出完整 cell 做验证/测试，用于衡量跨 cell 泛化。

结果指标

• **回归指标：**MAE、RMSE、R²。
• **统计报告：**mean ± standard deviation，跨随机种子重复；另有 confidence interval、seed-level variability、cell-level evaluation。
• **未能确认：**各模型在 NASA/Oxford 上的具体数值排序、最佳模型、显著性检验细节。

Baseline/对比方法

• 对比方法为 LSTM、TCN、TFT 三类代表性深度时序模型。
• 论文价值更偏向公平 benchmark，而不是提出单一新模型。
• 是否包含传统机器学习 baseline（SVR/RF/XGBoost/GPR 等）未能从可访问内容确认。

验证设计

• **数据划分方式：**严格 LOCO，按 cell 留出，避免同一电池同时出现在训练和测试。
• **鲁棒性：**重复随机种子，分离 seed-level 和 fold/cell-level 波动。
• **外部验证：**跨两个公开数据集；是否做跨数据集训练-测试迁移未能确认。
• **不确定性校准：**未看到预测区间校准/NLL/coverage 等证据。

指标

• MAE、RMSE、R² 为主。
• 分层报告包括 seed-level、cell-level 和置信区间分析。
• 未能确认是否报告 MAPE、cycle error、提前预警误差或 uncertainty calibration。

泄漏风险

• 风险判断：低到中。
• **降低风险的证据：**LOCO 明确把测试 cell 完全留出，显著降低随机切分循环片段导致的同电池泄漏。
• **仍需核对：**归一化参数是否只在训练 fold 拟合；滑动窗口是否使用预测时不可用的未来容量；超参是否在测试 cell 上调优。

复现性

• **公开数据：**NASA 与 Oxford 数据集公开可获取，复现基础较好。
• **代码：**可访问内容未确认是否开源代码。
• **训练细节：**摘要级信息不足，超参和实现细节需全文/PDF 继续核对。
• **复现性判断：中。**数据公开且协议清楚，但代码和超参未确认。

局限性

• 主要基于公开实验室数据集，真实车队/BMS、复杂温度和工况域迁移仍需验证。
• LSTM/TCN/TFT 的模型范围有限，未必覆盖近年 Mamba、foundation model、physics-informed 或 uncertainty-aware 方法。
• 如无代码，复现 LOCO 细节和统计分析会有成本。

对哥哥研究/落地的启发和后续动作

是否值得跟进

• 结论：强烈跟进。
• 建议把 LOCO 作为哥哥后续电池寿命预测 benchmark 的默认划分协议，避免随机窗口泄漏。
• 后续动作：下载最终排版版 PDF；核对 NASA/Oxford 的具体 cell 数、EOL 阈值和特征清单；把 LSTM/TCN/TFT 作为基础 baseline；记录归一化和滑窗细节用于复现实验。

2. Intelligent prediction of the remaining useful life of lithium-ion batteries based on a CGHF-MDH-Mamba model

论文基本信息

• **标题：**Intelligent prediction of the remaining useful life of lithium-ion batteries based on a CGHF-MDH-Mamba model
• **DOI/URL：**https://doi.org/10.20517/ir.2026.15
• **期刊/会议/预印本平台：**Intelligence & Robotics
• **发表日期：**2026-06-18
• **作者：**Yanhao Li, Xin Zhou, Feng Zhong, Wei Han, Zichong Zhang, Rui Tong, Lyuwen Huang
• **脚本评分：**56
• **期刊指标核验：**脚本仅识别 venue: Intelligence & Robotics，未做 JCR/JIF/JCI/CiteScore/SJR 单独核验，故不臆测数值。
• **访问核验：**DOI 页面可访问；已核对题名、任务、模型模块、数据集和部分结果指标。

纳入理由

• 题名和摘要直接包含 remaining useful life of lithium-ion batteries。
• 摘要/页面证据显示模型用于 lithium-ion batteries RUL 和容量退化轨迹预测，并在 NASA 与 TJU 电池循环数据上评估。
• 与一般储能调度/控制不同：该文直接输出电池 RUL/容量预测，并引入单调容量约束以符合退化物理趋势。

创新点

• 提出 CGHF-MDH-Mamba：channel-grouping half-convolution、Variable Selection Network、Mamba selective state-space encoder、Monotonic Decreasing Head 组合。
• MDH 显式施加“容量非增加/单调下降”约束，试图避免纯数据驱动模型预测不符合物理的容量回升。
• 使用 Mamba 捕获长程依赖，强调线性时间复杂度和较低推理延迟，面向在线健康监测。

主要内容

• 论文认为电池退化受电压、电流、温度、容量和历史工况耦合影响，存在非线性、局部容量恢复、噪声和个体差异。
• CGHF 负责轻量局部时序/通道特征提取；VSN 对多变量健康指标自适应加权；Mamba 建模长序列依赖；MDH 输出带单调约束的容量/RUL 预测。
• 在 NASA Randomized Battery Usage Dataset 与 TJU Commercial Lithium-Ion Battery Cycling Dataset 上报告较低容量预测 MAE。

模型架构/方法流程

模型方法

• **方法类别：**数据驱动深度学习 + 物理约束输出层。
• 架构模块：
  • CGHF：channel-grouping half-convolution，部分通道卷积、部分通道保留，降低冗余；结合 SE attention。
  • VSN：Variable Selection Network，自适应筛选/加权变量。
  • Mamba：selective state-space sequence modeling，用于长程依赖。
  • MDH：Monotonic Decreasing Head，引入非增加容量约束和 adaptive gating。
• **未能确认：**完整损失函数权重、Mamba block 数量、hidden dimension、训练 epoch、学习率、batch size。

输入特征与输出目标

• **输入特征：**页面提到电压、电流、温度、容量及多变量 battery health indicators；具体采样频率、窗口长度、特征工程细节需全文确认。
• **输出目标：**RUL 与容量退化轨迹/容量预测。
• **EOL/RUL/SOH 定义：**RUL 预测任务明确；EOL 阈值（如 80% 容量保持率）未能从可访问内容确认。

数据来源/数据结构/电池类型/循环协议

数据集/电池体系

• **电池体系：**锂离子电池。
• **数据来源：**NASA Randomized Battery Usage Dataset；TJU Commercial Lithium-Ion Battery Cycling Dataset。
• **数据结构：**循环老化数据，包含容量和多变量运行/健康指标。
• **循环协议/温度/倍率：**NASA Randomized 暗示随机使用工况；TJU 为商用锂电循环数据。具体电池数量、倍率、温度、截止条件未能从可访问内容确认。
• **跨工况/跨数据验证：**在两个数据集上验证；是否做严格跨 cell/跨工况外推未能确认。

结果指标

• **容量预测 MAE：**NASA minimum MAE = 0.0081 Ah；TJU minimum MAE = 0.0009 Ah。
• **计算指标：**完整模型推理延迟约 0.1–0.2 s（页面提取信息）。
• **未能确认：**RUL cycle error、RMSE、MAPE、R²、统计显著性和误差方差。

Baseline/对比方法

• 摘要称在相同设置下 outperform strong baselines。
• 可访问内容未列出完整 baseline 名单和每个 baseline 数值。
• 后续需核对是否比较 LSTM/GRU/TCN/Transformer/Mamba-only/无 MDH/无 CGHF 等消融。

验证设计

• **数据划分方式：**未能从可访问内容确认是随机 split、按 cell split 还是跨工况 split。
• **消融实验：**页面贡献强调各模块，但消融表是否完整未确认。
• **鲁棒性：**作者提示仍需在更多真实工况下验证。
• **外部验证：**NASA + TJU 两个公开数据集，属于多数据集验证，但不等同于真实 BMS/车队外部验证。

指标

• 已确认容量预测 MAE 和推理延迟。
• 未能确认是否报告 RMSE、MAPE、R²、cycle error、uncertainty interval 或 calibration。
• 如果最终用于 BMS，需要补充 RUL 误差（cycle/time）和早期预测阶段误差分层。

泄漏风险

• 风险判断：中。
• 原因：页面可确认用了公开数据集和容量序列，但未确认是否按电池划分、归一化是否只用训练数据、滑动窗口是否避免未来信息。
• MDH 单调约束有助于物理一致性，但不能替代严格的训练/测试隔离。

复现性

• **公开数据：**NASA 与 TJU 数据集相对可获取。
• **代码：**可访问内容未确认是否开源。
• **实现细节：**架构模块描述较清楚，但超参、训练脚本、随机种子未确认。
• **复现性判断：中到低。**需全文和代码仓库进一步确认。

局限性

• 期刊/平台影响力需进一步核验，当前评分主要来自主题匹配和开放页面，而非顶级 venue 加权。
• 公共数据集上的最低 MAE 可能受划分方式、归一化和容量标签处理影响。
• 是否能泛化到车载 BMS 的不规则采样、温度变化、快充/慢充混合工况仍未知。

对哥哥研究/落地的启发和后续动作

是否值得跟进

• 结论：跟进。
• 可借鉴“状态空间模型 + 物理单调约束 head”的结构，尤其适合容量轨迹预测中抑制不合理容量反弹。
• 后续动作：下载全文核对 split 协议和 baseline 表；若有代码，优先复现 NASA/TJU；把 MDH 思路抽象成可插拔 post-head，用在现有 LSTM/Transformer/Mamba baseline 上做公平对照。

后续追踪清单

1. 下载并归档两篇 PDF/最终版页面，补全全文表格中的 cell 数、循环协议、EOL 阈值、划分方式和 baseline 数值。
2. 把 LOCO 评测原则写入哥哥的电池寿命预测 benchmark checklist：按 cell split、训练 fold 归一化、禁止未来容量特征、seed/fold 方差分开报告。
3. 对 CGHF-MDH-Mamba 做代码/复现性检索；若无代码，可先复现简化版 “Mamba encoder + monotonic head”。
4. 人工标注本轮两篇新论文的 gold label，避免 precision@5 因 unlabeled 项被低估。
5. 继续观察 arXiv TC-SOH：若发布代码或期刊版，纳入正式阅读队列。