FrancescoRSS
每日分析 / 2026.08.02

2026.08.02 · 电池研究日报

1 份报告 · 3 篇已关联论文。首次分析与当日补充分析分别计数。

本日论文

论文期刊 / 分析日期证据等级研究工具
Joint estimation of battery state of health and remaining useful life via degradation encoding and implicit physics-informed neural networksRUL prediction · SOH estimationJournal of Power Sources · 2026.08.02Journal of Power Sources2026.08.02元数据
A RIME-Configured SSM–Transformer Framework for Lithium-Ion Battery State-of-Health AssessmentSOH estimationEnergies · 2026.08.02Energies2026.08.02摘要
A cross-domain deep learning framework for remaining useful life prediction in industrial applicationsRUL predictionPLoS ONE · 2026.08.02PLoS ONE2026.08.02未确认
2026-08-02-battery-life-research

电池寿命预测研究监测报告（2026-08-02）

今日结论

  • 本次脚本捕捉到 3 篇新增且超过通知阈值的相关论文，均经 DOI/出版页面或 Crossref 元数据核验。
  • 最值得跟进：
    1. Joint estimation of battery state of health and remaining useful life via degradation encoding and implicit physics-informed neural networks（Journal of Power Sources，score 78）：直接做 SOH+RUL 联合估计，且题名命中 degradation encoding 与 implicit physics-informed neural networks；但当前只能核验到 Crossref/DOI 元数据，全文页未成功抓取。
    2. A RIME-Configured SSM–Transformer Framework for Lithium-Ion Battery State-of-Health Assessment（Energies，score 68）：可访问摘要明确给出 ICA 健康因子、Transformer encoder、SSM decoder、RIME 超参选择、NASA 跨电池验证和外部电池验证。
  • 总体判断：今天的新增集中在 SOH/RUL 联合估计、Transformer/SSM 序列模型、跨域 RUL 迁移。第一篇方向最贴近哥哥的核心主题但可信度目前是元数据级；第二篇证据最完整；第三篇是跨工业域 RUL，电池只是其中一个数据域，适合作为迁移学习/防泄漏设计参考，优先级略低。

核验字段补充说明

数据集/电池体系

三篇新增分别覆盖：Journal of Power Sources 的电池 SOH/RUL 联合估计（电池体系与数据集待全文确认）、Energies 的锂离子 NASA/外部电池 SOH 估计、PLOS One 的跨工业域 RUL 且包含 lithium-ion battery RUL 数据集。

EOL/RUL/SOH 定义

本次核心变量包括 SOH 与 RUL：第一篇题名确认 SOH+RUL；第二篇主任务为 SOH，具体 SOH 公式需全文确认；第三篇 RUL 为达到 EOL 阈值前剩余循环数，但具体 EOL 阈值需继续核验。

模型方法

本次方法包括 implicit physics-informed neural networks、RIME–SSM–Transformer、CNN–BiLSTM；未知细节均在单篇卡片中标注“未能从可访问内容确认”。

验证设计

第二篇摘要确认 NASA cross-battery four-fold validation、30/50/70% 起点预测和外部 4 节电池验证；第三篇全文确认 unit-level split 与 zero-shot/fine-tuned transfer；第一篇验证设计待全文确认。

是否值得跟进

优先级：第一篇强烈跟进但需全文核验；第二篇跟进并检查 baseline/泄漏；第三篇作为跨域 RUL baseline 选择性跟进。

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
Joint estimation of battery state of health and remaining useful life via degradation encoding and implicit physics-informed neural networks Journal of Power Sources 2026-07-31 / print 2026-11 78 SOH 与 RUL 联合估计 degradation encoding；implicit physics-informed neural networks（题名/元数据级） 未能从可访问内容确认 未能从可访问内容确认 https://doi.org/10.1016/j.jpowsour.2026.241124 摘要/元数据级，ScienceDirect/DOI 页面未成功抓取正文
A RIME-Configured SSM–Transformer Framework for Lithium-Ion Battery State-of-Health Assessment Energies 2026-07-31 68 Li-ion SOH 估计 ICA 六个健康因子 + Transformer encoder + SSM decoder + RIME NASA 4 节电池交叉验证；外部 4 节电池 平均 MAE/RMSE；外部验证 MAE/RMSE https://doi.org/10.3390/en19153604 出版页面/摘要级，MDPI 页面可访问但显示 early access
A cross-domain deep learning framework for remaining useful life prediction in industrial applications PLOS One 2026-07-31 60 工业跨域 RUL，含 Li-ion battery RUL CNN–BiLSTM；zero-shot 与 fine-tuned transfer construction machinery、continuous casting、Kaggle Battery RUL 电池 MAE 49.6 cycles、RMSE 72.8 cycles、R²=0.89、Timeliness/PHM08 https://doi.org/10.1371/journal.pone.0354721 全文页面级，PLOS 页面可访问

论文卡片 1

论文基本信息

  • 标题：Joint estimation of battery state of health and remaining useful life via degradation encoding and implicit physics-informed neural networks
  • DOI/URL：https://doi.org/10.1016/j.jpowsour.2026.241124
  • 期刊/会议/预印本平台：Journal of Power Sources，Elsevier，volume 692，article number 241124
  • 发表日期：OpenAlex 记录为 2026-07-31；Crossref published-print 为 2026-11；Crossref 创建/入库日期为 2026-07-31
  • 作者和机构：Zheng Liu, Linfeng Yao, Wenjing Huang, Yanjun Jiang, Siyuan Qiu, Xiaofeng Tang；机构未能从 Crossref/可访问页面确认
  • 通讯作者：未能确认
  • 脚本评分：78
  • 期刊指标核验：未核验具体 JIF/JCI/CiteScore 数值；本地脚本按 Journal of Power Sources 作为 core battery journal / Q1 加权

纳入理由和命中证据

  • 纳入理由：题名直接包含 battery state of health 与 remaining useful life，并声明使用 degradation encoding 和 implicit physics-informed neural networks，属于电池 SOH/RUL 联合预测核心范围。
  • 命中证据：Crossref 元数据确认题名、期刊、DOI、作者；参考文献中出现 battery SOH estimation、battery RUL、joint prediction of SOH and RUL of lithium-ion batteries 等上下文。
  • 与排除范围区别：不是单纯材料制备、储能调度或热管理；目标变量明确是 SOH/RUL。

创新点

  • 从题名看，可能把退化编码与隐式 physics-informed 神经网络结合，用于 SOH 与 RUL 联合估计。
  • 因全文/摘要未能成功获取，具体的物理约束形式、损失函数、网络结构、是否端到端联合学习仍不能确认。

主要内容

  • 可确认内容：Journal of Power Sources 论文，主题为电池 SOH 与 RUL 联合估计。
  • 未能确认内容：实验数据集、电池类型、输入曲线、模型架构细节、结果数值、baseline、消融实验。

模型架构/方法流程

  • 已确认：题名声明 degradation encoding + implicit physics-informed neural networks。
  • 未说明/未能从可访问内容确认：编码器结构、PINN 约束变量、是否使用 ODE/PDE/等效电路参数、损失函数组成、训练流程。

输入特征与输出目标

  • 输入特征：未说明/未能从可访问内容确认。
  • 输出目标：SOH 与 RUL 联合估计（题名确认）。

数据来源/数据结构/电池类型/循环协议

  • 数据来源：未能从可访问内容确认。
  • 电池类型：题名未明确化学体系；参考文献上下文偏锂离子电池，但本文具体体系未能确认。
  • 循环协议：未能从可访问内容确认。

结果指标

  • 未能从可访问内容确认。后续需等 ScienceDirect 摘要/全文可访问后补充 MAE/RMSE/RUL cycle error、SOH error 等指标。

Baseline/对比方法

  • 未能从可访问内容确认。Crossref 参考文献显示其上下文涉及 LSTM、XGBoost、data-physics fusion、bimodal images、single-cycle charging data 等相关工作，但不代表本文 baseline。

泄漏风险/局限性/复现性

  • 泄漏风险：信息不足。重点检查是否按电池划分 train/test、是否使用完整退化轨迹生成早期特征、是否把未来容量曲线引入 degradation encoding。
  • 局限性：当前最大局限是全文不可访问，不能核验实验设计。
  • 复现性：信息不足；未确认代码、数据、超参数是否公开。

对哥哥研究/落地的启发和后续动作

  • 启发：SOH+RUL 联合估计和物理约束联合建模值得重点关注，可能可借鉴到“先估健康状态再约束 RUL 分布”的多任务框架。
  • 后续动作：
    • 追踪 ScienceDirect 页面是否开放摘要/PDF。
    • 核验是否有跨电池/跨工况外推，而不是随机切片。
    • 若方法确实用 implicit physics-informed loss，提取其约束形式并加入项目方法库。

论文卡片 2

论文基本信息

  • 标题：A RIME-Configured SSM–Transformer Framework for Lithium-Ion Battery State-of-Health Assessment
  • DOI/URL：https://doi.org/10.3390/en19153604
  • 期刊/会议/预印本平台：Energies 19(15):3604
  • 发表日期：Submission received 2026-07-03；Revised 2026-07-25；Accepted 2026-07-30；Published 2026-07-31
  • 作者和机构：Jun Yang, Yifei Wang, Dongsheng Li, Fan Zhang（State Grid Qinghai Electric Power Company Electric Power Science Research Institute, Xining, China）；Jiasheng Wang, Jingang Wang（State Key Laboratory of Power Transmission Equipment Technology, School of Electrical Engineering, Chongqing University, China）
  • 通讯作者：Jingang Wang（MDPI 页面作者星号标注为 correspondence author）
  • 脚本评分：68
  • 期刊指标核验：未核验具体 JIF/JCI/CiteScore 数值；本地脚本按 broad energy journal / Energies 加权

纳入理由和命中证据

  • 纳入理由：论文直接研究锂离子电池 state-of-health estimation，属于电池健康状态预测范围。
  • 命中证据：摘要明确写明 SOH estimation、lithium-ion batteries、incremental-capacity curves、Transformer encoder、SSM decoder、RIME，并报告 NASA 与外部电池验证结果。
  • 与排除范围区别：不是材料或系统调度论文，任务目标是电池健康状态估计。

创新点

  • 使用六个从增量容量曲线提取的健康因子作为输入。
  • Transformer encoder 建模不同循环位置之间的关系，SSM decoder 描述电池健康连续变化。
  • RIME 同时选择 attention head 数和 SSM state dimension，摘要中给出 6 heads 与 state dimension 64 的敏感性结论。

主要内容

  • 面向锂离子电池 SOH 估计，构建 RIME–SSM–Transformer 框架。
  • 使用 NASA 电池进行跨电池四折验证，并在 30%、50%、70% 三个起始点进行预测实验。
  • 与 10 个模型在同一数据划分与预处理流程下比较。

模型架构/方法流程

  • 输入：从 incremental-capacity curves 提取的 6 个 health factors。
  • 主体：Transformer encoder 捕捉跨循环位置依赖；SSM decoder 表征连续健康状态演化。
  • 超参数：RIME 优化 attention-head number 与 SSM state dimension。
  • 输出：SOH 估计值。

输入特征与输出目标

  • 输入特征：6 个 ICA 健康因子。
  • 输出目标：锂离子电池 SOH。
  • EOL/RUL 定义：该文主要做 SOH，不是 RUL；EOL 阈值未能从可访问摘要确认。

数据来源/数据结构/电池类型/循环协议

  • 电池体系：lithium-ion battery。
  • 数据来源：NASA 4 节电池；外部验证 4 节额外电池。
  • 数据结构：基于循环序列与增量容量曲线健康因子；具体倍率、温度、容量阈值未能从 early access 页面确认。
  • 验证：跨电池四折验证；30%、50%、70% 循环序列起点预测；外部验证。

结果指标

  • 四折验证：平均 MAE 0.537%，平均 RMSE 0.740%。
  • 30%/50%/70% 起点预测：平均 MAE 分别为 1.194%、0.810%、0.576%；RMSE 分别为 1.428%、0.987%、0.654%。
  • 外部验证：平均 MAE 0.629%，平均 RMSE 0.827%。

Baseline/对比方法

  • 摘要确认与 10 个模型在相同划分与预处理下比较，但具体 baseline 名称未能从可访问摘要确认。

泄漏风险/局限性/复现性

  • 泄漏风险：中等。摘要提到 cross-battery four-fold validation，这是正面信号；但仍需全文确认 ICA 特征是否只用预测时已观测循环，尤其是 30%/50%/70% 起点预测是否严格避免未来循环信息。
  • 局限性：NASA 数据规模小、公共数据集可能过拟合；早期可访问页面未给出全部 baseline 与超参细节。
  • 复现性：中等偏低到中等。数据集公开（NASA），但代码开源情况未能确认；页面为 early access，完整 PDF/HTML/XML 版本提示后续可用。

对哥哥研究/落地的启发和后续动作

  • 启发：Transformer + SSM 组合适合长退化序列，RIME 可作为自动选择结构超参的思路；ICA 健康因子输入比端到端原始曲线更轻量，适合 BMS 边缘部署前处理。
  • 后续动作：下载 PDF 后检查 10 个 baseline、数据划分、ICA 特征提取窗口；若划分可靠，可加入 SOH baseline 复现实验候选。

论文卡片 3

论文基本信息

  • 标题：A cross-domain deep learning framework for remaining useful life prediction in industrial applications
  • DOI/URL：https://doi.org/10.1371/journal.pone.0354721
  • 期刊/会议/预印本平台：PLOS One 21(7):e0354721
  • 发表日期：Received 2026-01-25；Accepted 2026-07-12；Published 2026-07-31
  • 作者和机构：Sudip Saha、Muhammad Arslan Pervaiz（Department of Cyber-security, Pace University, New York, USA）；Muhammad Safwat Rahman、Rokibul Hasan（Southeast Missouri State University, USA）；Ashifur Rahman（Department of CSE, Bangladesh University of Business and Technology, Dhaka, Bangladesh）
  • 通讯作者：Ashifur Rahman（PLOS 页面列出 * E-mail: ashifurrahman.bubt@gmail.com）
  • 脚本评分：60
  • 期刊指标核验：未核验具体 JIF/JCI/CiteScore 数值；本地脚本记录 venue: PLoS ONE

纳入理由和命中证据

  • 纳入理由：论文做 RUL 预测，实验包含 lithium-ion battery dataset，并报告 battery dataset 的 MAE/RMSE/R²/PHM08 等结果。
  • 命中证据：摘要明确“evaluated on three heterogeneous datasets: construction machinery, continuous casting machines, and lithium-ion batteries”；正文说明 Battery RUL Dataset 中每节电池为独立退化轨迹，RUL 标签是达到 EOL 阈值前剩余循环数。
  • 与排除范围区别：虽然不是纯电池论文，但包含电池 RUL 数据域，且目标是 RUL 预测，因此纳入；需标为“跨域 RUL，电池子任务”。

创新点

  • 主要贡献不是新网络，而是统一 CNN–BiLSTM 在机械、冶金和电化学退化数据上的标准化处理与跨域迁移评估。
  • 使用 zero-shot transfer 与 fine-tuned transfer 两类实验，观察域偏移与轻量迁移适配。

主要内容

  • 构建统一预处理流程：归一化、编码、滑动窗口、padding、log RUL 标签变换。
  • 使用 CNN 提取局部退化特征，BiLSTM 捕捉长期依赖，dense 层输出 RUL。
  • 三类数据分别训练/评估，同时做跨域 zero-shot 与冻结 CNN/BiLSTM 后只微调全连接层的适配实验。

模型架构/方法流程

  • 1D Conv 层：提取短时局部时间模式。
  • BiLSTM：双向建模序列依赖。
  • Dense 层：输出标量 RUL。
  • 训练：PyTorch 2.0，Adam lr=0.001，batch size=64，dropout=0.3，L2 正则，early stopping；窗口大小 w=30，stride=1。

输入特征与输出目标

  • 输入特征：按数据集不同组成 3D tensor (N, w, d)；电池数据按循环序列，包含 voltage、current、capacity-related features。
  • 输出目标：RUL；电池域单位为 cycles。
  • 标签：窗口最后一个 timestep 的 RUL；对 RUL 做 log transformation，评估时逆变换回物理单位。

数据来源/数据结构/电池类型/循环协议

  • 数据来源：PLOS Data Availability 指向 Kaggle：Construction Machine RUL dataset、Continuous Casting Machine RUL dataset、Battery Remaining Useful Life dataset。
  • 电池类型：页面称 lithium-ion batteries；具体电芯型号/化学体系未在已读片段中确认。
  • 划分方式：按 unit-level split，电池数据中每个 battery cell 是独立退化轨迹，整节电池分配到 train/validation/test，再生成滑动窗口，目标是避免同一电池跨集合泄漏。
  • 循环协议：未能从已读页面确认。

结果指标

  • Battery dataset：MAE 49.6 cycles，RMSE 72.8 cycles，R²=0.89，Timeliness Score 27.5，PHM08 Score 192.4。
  • 整体：CNN–BiLSTM 相比 GRU RMSE 最高降低 22%，相比传统模型 RMSE 降低 30–50%；fine-tuned transfer 在跨域中降低 RMSE 25–40%。

Baseline/对比方法

  • 摘要确认对比 GRU、Random Forest 与传统模型；正文相关工作涉及 LSTM、GRU、TCN、Transformer、domain adaptation 等。
  • 具体 baseline 完整列表需进一步读取表格或 PDF 确认。

泄漏风险/局限性/复现性

  • 泄漏风险：低到中。正文明确使用 unit-level splitting，先按独立退化单元划分，再生成/使用窗口，避免同一电池同时出现在训练和测试中；但仍需检查归一化是否严格只 fit 训练集、Kaggle Battery RUL 标签构造是否存在后验完整曲线依赖。
  • 局限性：电池只是三个工业域之一，方法对电池机理和 SOH/EOL 阈值解释较弱；CNN–BiLSTM 是常规架构，创新更多在跨域评估。
  • 复现性：中等。PLOS 全文可访问，数据源公开在 Kaggle，训练细节较多；代码开源情况未确认。

对哥哥研究/落地的启发和后续动作

  • 启发：其 unit-level split 描述可作为报告中检查泄漏的正例；跨域 fine-tuning 结果可参考到跨化学体系/跨设备电池 RUL 迁移。
  • 后续动作：下载数据与表格，确认 battery dataset 的 EOL 阈值、单元数量和 feature schema；若没有明显泄漏，可复现其 battery 子任务作为简单跨域 baseline。

后续追踪清单

  1. 追踪 Journal of Power Sources 第一篇全文/摘要开放情况，优先核验数据集、baseline、SOH/RUL 指标和泄漏风险。
  2. 对 Energies 的 RIME–SSM–Transformer：等完整 PDF/HTML 可用后补充 baseline 名称、模型超参和 ICA 特征定义。
  3. 对 PLOS One 跨域 RUL：读取表格确认 battery dataset 的样本量、EOL 阈值和 baseline 完整列表，判断是否值得复现。
  4. 将 BESS probabilistic degradation arXiv 作为低阈值预印本观察项；若后续有代码/数据或系统级 UQ 指标，考虑手动提升。
  5. 继续维护 gold labels，尤其给新增 top-k 未标注高分项补充 true/false positive 标签。