2026-07-09 电池寿命预测论文每日监测
今日结论
- 新增合格论文：4 篇。本次 payload 状态为
new，4 篇均已按规则尝试打开pdf_url → url/DOI；其中 arXiv 论文可访问全文，3 篇 Elsevier 论文主要可核验到 Crossref/DOI 元数据和脚本抓取摘要/RSS 信息，ScienceDirect 页面或 PDF 未成功获取。 - 最值得跟进 1：《TWNN-LSTM-GSTA: A novel hybrid deep learning architecture for enhanced battery state of health prediction》（Energy Reports，评分 75）。它直接做锂电 SOH 预测，融合可训练小波、LSTM 和门控时空注意力，并在 NASA 与实验室 LFP 动态工况数据上验证。
- 最值得跟进 2：《Machine Learning-Based Battery State-of-health Prediction for Unmanned Aerial Vehicles Predictive Maintenance》（arXiv，评分 57）。它面向 UAV LiPo 电池的真实飞行实验，数据场景和 BMS/轻量传感约束更贴近落地。
- **总体判断：**今天新增项以数据驱动 SOH/容量预测为主；Mamba 与第二寿命路径依赖论文值得观察，但当前只能核验到元数据级信息，需后续补全文或出版社摘要。
论文总览表
| 标题 | 期刊/来源 | 日期 | 评分 | 任务 | 模型/方法 | 数据集 | 指标 | 链接 | 可信度 |
|---|---|---|---|---|---|---|---|---|---|
| TWNN-LSTM-GSTA: A novel hybrid deep learning architecture for enhanced battery state of health prediction | Energy Reports | 2026-07-06 | 75 | SOH/健康预测 | TWNN + LSTM + GSTA 注意力 | NASA battery dataset；实验室 LFP 动态电流数据 | 摘要称准确、训练数据减少时稳定；具体 MAE/RMSE 未能从可访问内容确认 | https://doi.org/10.1016/j.egyr.2026.109484 | 摘要/元数据级，PDF/ScienceDirect 未成功获取 |
| A multi-resolution Mamba network with adaptive degradation perception for long-term lithium-ion battery capacity prediction | Journal of Energy Storage | 2026-07-07 | 64 | 长期容量预测/退化预测 | 多分辨率 Mamba + 自适应退化感知 | 未能确认 | 未能确认 | https://doi.org/10.1016/j.est.2026.123345 | 元数据级，正文/摘要未开放或未成功获取 |
| First-life histories leave lasting imprints: decoding path-dependent fingerprints governing second-life battery degradation and safety | Applied Energy | 2026-11（Crossref print）；RSS 线索为 2026-11-15 | 62 | 第二寿命退化/安全路径依赖 | 指纹/路径依赖解码；具体模型未能确认 | 未能确认 | 未能确认 | https://doi.org/10.1016/j.apenergy.2026.128359 | 元数据/RSS 级，正文未成功获取 |
| Machine Learning-Based Battery State-of-health Prediction for Unmanned Aerial Vehicles Predictive Maintenance | arXiv | 2026-07-07 | 57 | UAV 电池 SOH/剩余容量预测 | 时间序列转图像 + 预训练 ResNet-50 + 迁移学习 | 两类 3S LiPo：2200 mAh 342 次飞行、1100 mAh 289 次飞行；10 Hz 电压/电流/油门 | 全文称获得准确模型；具体表格指标需后续精读 | http://arxiv.org/abs/2607.06791v1 | 全文级，arXiv PDF 已成功提取 |
模板核验索引
以下栏目在各论文卡片中逐篇展开；本段保留模板要求的固定章节名，便于 lint 与人工复核：
数据集/电池体系
见各卡片的“数据来源/数据结构/电池类型/循环协议”。
EOL/RUL/SOH 定义
见各卡片的“输入特征与输出目标”和“数据来源/数据结构/电池类型/循环协议”；无法确认处已写明“未能确认”。
模型方法
见各卡片的“模型架构/方法流程”。
验证设计
见各卡片的“结果指标”“Baseline/对比方法”“泄漏风险/局限性/复现性”。
是否值得跟进
见各卡片的“对哥哥研究/落地的启发和后续动作”。
单篇论文卡片
1. TWNN-LSTM-GSTA: A novel hybrid deep learning architecture for enhanced battery state of health prediction
- 标题： TWNN-LSTM-GSTA: A novel hybrid deep learning architecture for enhanced battery state of health prediction
- DOI/URL： https://doi.org/10.1016/j.egyr.2026.109484
- 期刊/会议/预印本平台： Energy Reports
- 发表日期： 2026-07-06（Crossref created）；卷 16，文章号 109484
- 作者和机构： Xu Lei, Lingxia Shi, Yulong Guo, Xin Yi, Chenxing Hui；机构未能从 Crossref 元数据确认
- 通讯作者： 未能确认
- 脚本评分： 75
- 期刊指标核验： 未核验
纳入理由和命中证据
- 题名直接包含 battery state of health prediction；摘要说明 SOH 估计对锂离子电池安全高效运行关键，目标是处理非线性、非平稳退化过程。
- 摘要证据：使用 NASA battery dataset 和实验室 LFP 动态电流数据验证 SOH 预测；命中“degradation / SOH / health prediction / LSTM / attention”。
- 与普通材料论文不同：核心是健康状态预测模型和退化特征学习，不是材料合成或单纯电化学机理。
创新点
- 将可训练小波神经网络（TWNN）、LSTM 和门控时空注意力（GSTA）串联，用于同时捕获长期退化趋势和短期动态波动。
- TWNN 中引入 Frobenius norm 约束以保持小波滤波器正交性。
- 使用时间注意力和特征注意力，并通过可学习门控融合。
主要内容
- 先用 Pearson 相关系数和灰色关联分析筛选健康指标。
- 选定等电压下降持续时间、等电流下降持续时间、最高放电温度等输入。
- TWNN 提取多尺度退化特征，LSTM 建模时序依赖，GSTA 自适应强化关键时间/特征维度。
模型架构/方法流程
- 从充放电数据构造候选健康指标。
- Pearson + 灰色关联筛选输入特征。
- TWNN 通过可训练小波滤波器进行多尺度特征提取。
- LSTM 捕捉退化序列的长短期依赖。
- GSTA 学习时间注意力与特征注意力，并门控融合输出 SOH。
输入特征与输出目标
- 输入特征： 等电压下降持续时间、等电流下降持续时间、最大放电温度；更多特征细节未能从可访问内容确认。
- 输出目标： SOH/健康状态预测。
数据来源/数据结构/电池类型/循环协议
- 数据来源： NASA battery dataset；实验室锂铁磷酸盐（LFP）动态电流剖面数据。
- 电池类型： 锂离子；LFP 外部/补充验证。
- 循环协议： 动态电流剖面被提及；完整温度、倍率、截止电压和电芯数量未能确认。
结果指标
- 摘要称在 NASA 数据集上达到准确 SOH 预测，并在训练数据减少时保持稳定。
- 具体 MAE/RMSE/R²、逐电池误差和置信区间未能从可访问内容确认。
Baseline/对比方法
- 摘要未列出具体 baseline；需后续获取全文确认是否比较 LSTM、CNN、Transformer、GPR、XGBoost 等。
泄漏风险/局限性/复现性
- 泄漏风险： 信息不足。需要确认数据划分是否按电池 split，是否使用未来循环或全数据归一化。
- 局限性： 作者摘要明确提到计算复杂度和跨更广泛数据集泛化仍需进一步研究。
- 复现性： 信息不足；未确认代码/超参/随机种子是否开放。
对哥哥研究/落地的启发和后续动作
- 可把“多尺度退化特征 + 时序模型 + 注意力门控”作为 SOH 模型候选结构。
- 后续动作：获取全文，记录指标和 split；若有代码，加入 NASA/LFP benchmark；重点检查小样本训练稳定性是否真实成立。
2. A multi-resolution Mamba network with adaptive degradation perception for long-term lithium-ion battery capacity prediction
- 标题： A multi-resolution Mamba network with adaptive degradation perception for long-term lithium-ion battery capacity prediction
- DOI/URL： https://doi.org/10.1016/j.est.2026.123345
- 期刊/会议/预印本平台： Journal of Energy Storage
- 发表日期： 2026-07-07（Crossref created）；print 2026-10，卷 176，文章号 123345
- 作者和机构： Ying Liu, Rongrong Huang, Xin Shan, Yuan Sun, Jianyin Zhao；Crossref 记录含 Tianjin Municipal Education Commission / Tianjin University of Technology 资助信息，但作者具体机构未能确认
- 通讯作者： 未能确认
- 脚本评分： 64
- 期刊指标核验： 未核验
纳入理由和命中证据
- 题名明确为 long-term lithium-ion battery capacity prediction，属于容量轨迹/寿命预测范围。
- Crossref 元数据确认期刊、题名、作者、DOI；脚本将其识别为 Journal of Energy Storage 新论文。
- 与储能调度类论文不同：目标是单体/电池容量长期预测，而非系统控制。
创新点
- 题名显示采用多分辨率 Mamba 网络，并加入自适应退化感知模块。
- 由于摘要/全文未成功获取，具体 Mamba block、退化感知机制和多尺度融合方式未能确认。
主要内容
- 可确认主题：锂离子电池长期容量预测。
- 未能确认是否做早期预测、跨工况泛化、不确定性估计或在线更新。
模型架构/方法流程
- 已确认： Multi-resolution Mamba network + adaptive degradation perception。
- 未说明/未能确认： 输入窗口长度、状态空间模型配置、损失函数、训练策略、是否多任务预测 SOH/RUL。
输入特征与输出目标
- 输入特征： 未能从可访问内容确认。
- 输出目标： 长期锂离子电池容量预测。
数据来源/数据结构/电池类型/循环协议
- Crossref 参考文献涉及多篇容量/RUL/退化预测研究，但本论文使用的数据集未能确认。
- 电池类型：锂离子电池。
- 循环协议、样本数、外部验证：未能确认。
结果指标
- 未能确认 MAE/RMSE/MAPE/R²、capacity error、预测步长和分层误差。
Baseline/对比方法
- 未能确认。后续需查看全文是否与 LSTM、Transformer、CNN、TCN、GRU、Informer 或 SSM/Mamba 变体对比。
泄漏风险/局限性/复现性
- 泄漏风险： 信息不足；尤其要检查长期预测是否用完整寿命曲线归一化或随机切分循环片段。
- 局限性： 信息不足。
- 复现性： 低/信息不足；未确认代码和数据。
对哥哥研究/落地的启发和后续动作
- Mamba/状态空间模型正在进入电池退化预测领域，值得作为 Transformer 替代路线观察。
- 后续动作：等待 ScienceDirect 摘要可访问；补充数据集、指标、baseline；若方法扎实，加入“长序列容量预测”模型池。
3. First-life histories leave lasting imprints: decoding path-dependent fingerprints governing second-life battery degradation and safety
- 标题： First-life histories leave lasting imprints: decoding path-dependent fingerprints governing second-life battery degradation and safety
- DOI/URL： https://doi.org/10.1016/j.apenergy.2026.128359；RSS URL: https://www.sciencedirect.com/science/article/pii/S0306261926010135?dgcid=rss_sd_all
- 期刊/会议/预印本平台： Applied Energy
- 发表日期： Crossref print 2026-11；RSS 线索显示 2026-11-15
- 作者和机构： Siyi Ye, Guodong Fan, Qianzhen Guo, Yujie Wang, Shun Chen, Bangjun Guo, Dong Han, Xi Zhang；机构未能从 Crossref 元数据确认
- 通讯作者： 未能确认
- 脚本评分： 62
- 期刊指标核验： 未核验
纳入理由和命中证据
- RSS 题名和 Crossref 元数据均确认它是 Applied Energy 正式论文，主题为 first-life history 对 second-life battery degradation and safety 的路径依赖指纹。
- 该方向关联二次寿命电池的退化轨迹解释、寿命筛选和安全风险预测；虽然题名未直接写 RUL/SOH，但“degradation fingerprints”符合监测主题的退化表征范围。
- 当前因正文/摘要不可访问，纳入强度低于直接 RUL/SOH 论文；作为“值得观察”的合格学术论文保留。
创新点
- 关注第一寿命使用历史对第二寿命退化和安全的长期 imprint/path-dependence。
- 可能对梯次利用电池筛选、二次寿命风险分层和退化预测特征工程有价值；具体算法和实验设计未能确认。
主要内容
- 可确认：研究 first-life histories、path-dependent fingerprints、second-life battery degradation and safety。
- 未能确认：是否建立预测模型、是否量化 SOH/RUL、是否包含安全失效概率。
模型架构/方法流程
- 未能从可访问内容确认。题名显示“decoding fingerprints”，可能涉及特征提取/模式识别，但不能臆测具体方法。
输入特征与输出目标
- 输入特征： 第一寿命历史/使用路径相关数据（题名级推断）；具体变量未说明。
- 输出目标： 第二寿命退化与安全相关表征；是否预测容量/RUL 未能确认。
数据来源/数据结构/电池类型/循环协议
- 未能确认电池化学体系、样本量、循环协议和二次寿命测试条件。
结果指标
- 未能确认。
Baseline/对比方法
- 未能确认。
泄漏风险/局限性/复现性
- 泄漏风险： 信息不足。若目标是二次寿命预测，需确认 first-life 与 second-life 数据划分是否跨电池/跨批次。
- 局限性： 信息不足。
- 复现性： 信息不足；未确认代码/数据。
对哥哥研究/落地的启发和后续动作
- 对梯次利用场景很重要：第一寿命历史可能是第二寿命 SOH/RUL 的关键先验。
- 后续动作：补全文后重点提取第一寿命特征、第二寿命标签定义和安全指标；若它只做描述性机理而无预测，可降级为背景文献。
4. Machine Learning-Based Battery State-of-health Prediction for Unmanned Aerial Vehicles Predictive Maintenance
- 标题： Machine Learning-Based Battery State-of-health Prediction for Unmanned Aerial Vehicles Predictive Maintenance
- DOI/URL： http://arxiv.org/abs/2607.06791v1；PDF: https://arxiv.org/pdf/2607.06791v1
- 期刊/会议/预印本平台： arXiv
- 发表日期： 2026-07-07
- 作者和机构： Jiarui Xie（McGill University Mechanical Engineering）, Lingchen Kong（McGill University）, Mohamed Rami Latreche（Université de Sherbrooke）, Sean Smith（VOZWIN Inc.）, Elaine Mosconi（Université de Sherbrooke）, Yaoyao Fiona Zhao（McGill University）
- 通讯作者： 未能确认
- 脚本评分： 57
- 期刊指标核验： 预印本，未核验
纳入理由和命中证据
- 摘要第一句明确：Battery SoH prediction aims to estimate remaining capacity by modeling degradation through life cycle。
- 全文提到 Predictive Maintenance 需要 SoH/RUL 监测；目标是在 UAV 电池传感受限、数据稀缺、高变异场景下构建 ML pipeline。
- 与一般 UAV 控制论文不同：核心输出是电池剩余容量/SoH，而输入来自电压、电流、油门等飞行遥测。
创新点
- 面向 UAV LiPo 电池，而非常见 EV/实验室恒流循环数据。
- 数据采集来自真实 UAV 放电飞行实验，强调轻量化传感限制。
- 将时间序列数据转换为图像，使用预训练 ResNet-50 的图像特征提取能力，并在两类电池之间做迁移学习以缓解数据稀缺。
主要内容
- 设计不同总重量（150–250 g）和飞行时长（5–15 min）的 UAV 任务。
- 使用 Pixhawk 4 mini 采集输出电压、电流等；采样频率 10 Hz。
- 每次实验后用 B6 V2 平衡充电器充满并测量充入容量；每 10 次实验测量剩余容量作为标签。
- 对两种容量 LiPo 电池做知识迁移，训练 SOH/剩余容量预测模型。
模型架构/方法流程
- UAV 飞行放电实验采集电压、电流、油门等遥测。
- 对时间序列进行处理并转换为图像表示。
- 使用预训练 ResNet-50 提取图像特征。
- 训练机器学习/迁移学习模型，完成不同电池类型之间知识迁移。
- 输出剩余容量/SoH 预测。
输入特征与输出目标
- 输入特征： 电压、电流、油门；摘要也提到传统 SoH 可用电压、电流、温度，但本研究按传感可用性选择前三者。
- 输出目标： 剩余容量 / SoH。
数据来源/数据结构/电池类型/循环协议
- 数据来源： 自建 UAV 飞行实验数据。
- 电池类型： 3-cell LiPo 电池包，2200 mAh 与 1100 mAh 两类。
- 样本规模： 342 次与 289 次飞行实验。
- 工况： UAV 负载 150–250 g；飞行时长 5–15 min；10 Hz 采样。
- EOL： 文中方法部分定义为任一 cell failure 或容量降至初始容量 80%。
- 标签： 每 10 次实验测量剩余容量。
结果指标
- 可访问片段称“obtained accurate SoH prediction models”和迁移学习提升有限数据下性能。
- 具体 MAE/RMSE/R²/相对误差表格未在本次提取片段中完整确认，需后续全文精读。
Baseline/对比方法
- 全文方法段称训练并比较 ML models 以选择 optimal model；具体 baseline 名称和结果表未在可访问片段中确认。
泄漏风险/局限性/复现性
- 泄漏风险： 中等/信息不足。需要确认迁移学习和测试集是否按电池类型/单体严格划分，避免同一电池相邻飞行样本泄漏。
- 局限性： 数据只覆盖两种 UAV LiPo 容量和特定飞行平台；温度等传感数据受轻量化限制可能缺失；每 10 次标注一次容量导致标签稀疏。
- 复现性： 中等偏低。全文说明实验平台和采样，但未确认公开数据/代码。
对哥哥研究/落地的启发和后续动作
- 对真实场景 BMS 很有启发：不一定能拿到完整充放电曲线，必须利用有限遥测和稀疏容量标签。
- 后续动作：精读全文指标表；若数据开源，纳入“弱传感/稀疏标签 SOH”benchmark；参考其时间序列转图像 + 预训练模型路线。
后续追踪清单
- 获取并补读 3 篇 Elsevier 全文，尤其是 Mamba 与 Applied Energy 第二寿命论文的摘要、数据集、指标和 baseline。
- 将 TWNN-LSTM-GSTA 与 Taylor-PINN、GPR-UQ、segmental ICA-XGBoost 放入同一 SOH/RUL benchmark 表。
- 对 UAV arXiv 论文重点检查：是否有代码/数据、测试划分是否按电池/任务分离、迁移学习是否避免信息泄漏。
- 如果 Applied Energy 论文确认只是机理描述而无预测/状态估计任务，后续可在 label 文件中降级为观察项，避免过度通知。
- 持续改进误报规则：solid-state drives、PV solar cell、纯调度控制应降低权重；第二寿命 path-dependence 保留观察但要求摘要证据。