2026.08.23 · 电池研究日报

电池寿命预测论文每日监测报告（2026-08-23）

今日结论

• 新增数量：5 篇，均来自脚本 papers[]，且根据题名、摘要或可访问全文确认属于电池 SOH、RUL、EOL/循环寿命或退化预测范围；没有因主题不符而过滤的正式候选。
• 最值得跟进的 1–2 篇：
  1. BatteryKG（Batteries，脚本评分 62）：不是简单追求点预测精度，而是把知识图谱覆盖度变成可解释的 abstention 信号；采用按充电策略分组的交叉验证，并在 HUST/Attia 外部研究上检验跨协议失配，和哥哥关注的可靠性、泄漏控制、可部署预测更直接相关。
  2. EIS + 机器学习 SOH（Journal of Energy Storage，脚本评分 81）：在 14 种老化工况下用 EIS 的等效电路参数或压缩统计特征进行 SOH 估计，摘要报告 RMSE <3%。但出版社 PDF/正文未成功打开，需下载全文确认样本量、跨工况切分和 EIS 测量协议后再决定是否复现。
• 总体判断： 今日结果呈现两条有价值但证据强度不同的路线：一条是多工况可测诊断特征（EIS）与轻量模型，另一条是面向分布外风险的知识图谱与拒答机制。DOA-VMD-CNN-TimeXer 是小规模 CALCE 上的工程型 RUL 基准；JPS 的 physics-informed SOH 论文值得追全文，但目前只能做摘要级判断；Scientific Reports 论文更偏“驾驶风格作为退化协变量”的因果分析，不是直接的 RUL/EOL 预测器。
• 评估提醒： gold-label 评估为 precision@5=0.20，阈值以上已标注样本的 false-positive rate 为 21.4%（3/14），并保留 2 个低于阈值的漏报案例。当前阈值对“电池退化/控制/健康管理”边界仍偏宽，建议继续维护低阈值预印本观察队列。

核验范围与可信度口径

逐篇按“pdf_url → url → DOI/出版社落地页”尝试使用 web_extract。ScienceDirect、Nature 和部分 MDPI 页面存在抓取失败或反爬；只有 BatteryKG 的 MDPI HTML 页面成功取得全文（完整页面已缓存），其余论文的不可访问细节均明确标注为“未能确认”，没有用模型常见架构或典型数据集补写。

论文总览

单篇论文分析

1. State-of-health estimation of lithium-ion batteries subjected to different ageing conditions via electrochemical impedance spectroscopy and machine learning

论文基本信息

• 标题： State-of-health estimation of lithium-ion batteries subjected to different ageing conditions via electrochemical impedance spectroscopy and machine learning
• DOI/URL： 10.1016/j.est.2026.124353；脚本 PDF 线索：ScienceDirect PDF
• 期刊/会议/预印本平台： Journal of Energy Storage
• 发表日期： 2026-08-21（OpenAlex/Crossref 元数据）
• 作者和机构： Emmanuel Ezeoba、Sehriban Celik、Gereon Stahl（OpenAlex 机构元数据：Jülich Aachen Research Alliance、RWTH Aachen University）；Dirk Uwe Sauer（Forschungszentrum Jülich、Helmholtz-Institute Münster、Jülich Aachen Research Alliance、RWTH Aachen University）。作者与机构的逐人对应关系以 OpenAlex 元数据为准。
• 通讯作者： 未能确认（Crossref 未标注；ScienceDirect PDF、落地页和 DOI 页面均未能成功获取）
• 脚本评分： 81。命中 battery/lithium-ion、degradation/health prediction、machine learning/XGBoost/hybrid，且属于 Journal of Energy Storage；脚本未命中权威作者加分。
• 期刊指标核验： 未核验。报告不把脚本中的“core storage journal / Q1”当作 JCR/JIF 数值证据。
• 核验结果与可信度： 已尝试打开 pdf_url、ScienceDirect 落地页和 DOI；web_extract 均失败。Crossref/OpenAlex 题录元数据可确认题名、作者、日期、期刊，脚本注入的摘要可确认方法和结果。因此本卡为摘要/元数据级，全文未开放或未成功获取。

纳入理由

• 题名直接命中 state-of-health estimation；摘要明确以不同老化条件下的 Li-ion 电芯 SOH 估计为目标，并将 EIS 与机器学习结合。
• 摘要证据包括：14 种不同 operating conditions、full lithium-ion cells、degradation trajectories、electrochemical impedance spectroscopy、machine learning、SOH prediction、RMSE below 3%。
• 它不是普通材料合成或热管理论文，而是从可测阻抗谱中构造健康特征并预测容量型 SOH；不过目前尚未确认是否进一步输出 EOL/RUL。

创新点

• 用跨 14 种老化工况的 EIS 数据覆盖更宽的退化轨迹，而不是只在单一恒流循环协议上验证。
• 对比两种压缩表示：等效电路拟合参数，以及直接从阻抗谱得到的 band-compressed statistical descriptors。
• 采用 XGBoost 与 Random Forest 的 stacking ensemble，并以线性回归作为元学习器；摘要称两种特征表示的性能相近，暗示可以探索更轻量的在线诊断输入。

主要内容

研究从全尺寸 Li-ion 电芯的 EIS 测量出发，将阻抗谱压缩成两组健康特征，训练集成回归器估计 SOH，并用 feature importance 寻找少量主要贡献特征。摘要称两类表示均取得 RMSE <3%，但没有给出误差单位、按电芯/工况分层结果或外部验证细节。

数据集/电池体系

• 电池体系： Li-ion；电芯为 full lithium-ion cells。具体正负极化学体系未确认。
• 数据来源： 实验室 EIS 测量；摘要称覆盖 14 种老化工况和多条 degradation trajectories。
• 数据结构/循环协议： 以 impedance spectra 为核心输入；等效电路参数和频带压缩统计描述符为派生特征。电芯数量、频率范围、SOC/SOH 测量点、温度、充放电倍率、老化终止条件和每种工况的样本分布均未能从可访问内容确认。
• 跨域验证： 题录/摘要没有说明是否按电芯、工况或批次留出，也没有确认跨设备外部验证。

EOL/RUL/SOH 定义

• 目标： SOH 估计，摘要语境更接近容量型 health prediction。
• EOL 阈值： 未说明。
• RUL 单位： 未说明；没有证据表明论文直接预测剩余循环数。
• 标签与未来信息： 标签生成方式、EIS 测量时点和是否使用完整寿命后验信息未能确认，不能据此断言无泄漏。

模型方法

• 方法类别： EIS/等效电路特征 + 传统机器学习集成。
• 模型架构/方法流程： EIS 采集 →（A）等效电路拟合参数或（B）阻抗谱 band-compressed statistical descriptors → XGBoost 与 Random Forest 回归器 → 线性回归 stacking 元学习器 → SOH 估计；再用 feature importance 做特征筛选解释。
• 输入特征与输出目标： 输入为 EIS 派生特征；输出为 SOH。具体特征数量、单位和是否加入温度/SOC等辅助变量未说明。
• 与 baseline 的差异： 摘要明确比较两种特征表示，但没有列出完整传统回归 baseline 或消融表。

验证设计

• 数据划分方式： 未能从摘要/元数据确认；必须重点核对是否以电芯为单位切分，以及相邻老化状态是否同时进入训练与测试。
• 独立测试/外部验证： 未说明。
• 消融与鲁棒性： 有两类特征表示对比和 feature-importance 分析；噪声、跨温度或跨工况鲁棒性未确认。

指标

• 摘要称两类表示的 SOH 预测 RMSE 均低于 3%；未给出 MAE、MAPE、R²、每个工况的置信区间或逐电芯分布。
• “RMSE <3%”的单位/归一化方式、是否为百分比点误差以及测试集定义均未能从可访问内容确认。

泄漏风险

• 风险判断：信息不足（待全文审计）。 14 个老化工况本身是亮点，但若同一电芯的相邻 EIS/寿命阶段随机散落在 train/test，RMSE 可能高估跨电芯泛化。
• 需要核对：EIS 采样是否使用了预测时不可获得的后验寿命信息；全数据是否先做标准化、特征选择和 stacking 调参；工况是否被当作随机样本而非 domain split。

复现性

• 判断：信息不足。 OA 标记为 true，但本次未成功获取 PDF/正文；代码、原始 EIS 数据、等效电路拟合设置、随机种子和超参均未确认。
• 若原始数据或测量协议不公开，仅凭“14 种工况”和 RMSE <3% 无法复现实验。

局限性

• 当前证据只到摘要，无法确认样本规模、化学体系、跨工况测试设计和误差分层。
• EIS 在 BMS 在线部署中需要额外激励/测量时间；摘要没有说明是否能在真实车辆运行中以低成本获取。
• SOH 估计不等于 RUL/EOL 预测，需确认是否提供寿命轨迹或阈值外推。

是否值得跟进

• 结论：强烈跟进（先全文核验，再决定复现）。 多工况 EIS + compact feature 对哥哥的跨工况健康估计很有价值；但现阶段不能仅凭 RMSE <3% 判断泛化能力。
• 对哥哥研究/落地的启发： 可把 EIS 压缩特征作为容量/健康预测的一个低维分支，并将“按电芯/工况留出”的验证作为硬门槛；同时比较 EIS 与早期充电曲线在测量成本和跨工况稳定性上的差异。
• 后续动作： 下载并解析 ScienceDirect PDF；确认电芯数、化学体系、14 种工况、EIS 频段/SOC/温度、按电芯切分方式、代码/数据可用性；若无泄漏，再纳入 EIS-SOH benchmark。

2. Physics-informed deep learning models for real-time state of health estimation of lithium-ion batteries

论文基本信息

• 标题： Physics-informed deep learning models for real-time state of health estimation of lithium-ion batteries
• DOI/URL： 10.1016/j.jpowsour.2026.241122；ScienceDirect 检索到的落地页为 abstract page
• 期刊/会议/预印本平台： Journal of Power Sources
• 发表日期： 2026-08-21（OpenAlex/Crossref 元数据）
• 作者和机构： Gökhan Manav、Muhammed Mutlu Yapıcı（Ankara University）；Ali Saygın（Gazi University）。机构来自 OpenAlex authorship 元数据。
• 通讯作者： 未能确认（Crossref 没有通讯作者字段；出版社页面未成功获取）
• 脚本评分： 75。命中 Li-ion、SOH、physics-informed/deep learning，且属于 Journal of Power Sources；脚本未命中权威作者加分。
• 期刊指标核验： 未核验。脚本 tier 不是 JCR 数值证据。
• 核验结果与可信度： 已尝试 DOI、ScienceDirect landing/abstract 页面；web_extract 失败。Crossref 确认书目信息；出版社搜索摘要仅暴露“physics-informed loss constraints enhance generalizability and stability”及“5 min operational V/I/T datasets are sufficient for estimation”等要点。故本卡为元数据/出版社搜索摘要级，全文未成功获取。

纳入理由

• 题名直接命中实时 SOH estimation，摘要检索片段明确使用 physics-informed loss constraints 来提升泛化和稳定性。
• 它属于健康状态估计而非普通 BMS 控制/热管理；但没有证据表明直接预测 EOL 或 RUL，因此在报告中定位为 SOH 方法候选。

创新点

• 将电池物理一致性约束放进深度学习训练损失，而不是只在输出后做规则修正。
• 出版社搜索摘要提出只需约 5 min operational V/I/T 数据即可估计 SOH；若全文确认，可能对短窗口在线诊断和边缘部署有意义。

主要内容

从运行中的电压、电流、温度时序提取短时间窗口，使用带物理约束的深度学习模型估计 SOH，重点分析约束对泛化与稳定性的影响。具体网络结构、物理方程、训练目标各项权重和测试协议在当前可访问内容中未说明。

数据集/电池体系

• 电池体系： Li-ion。
• 数据来源： 运行态 V/I/T 数据；出版社搜索摘要只确认“5 min of operational V, I, and T datasets are sufficient”，未确认公开数据集名称或实车/BMS来源。
• 数据结构/循环协议： 多变量时间序列窗口；电芯数量、采样频率、温度范围、充放电协议、SOH 标注方式和化学体系未能确认。
• 跨域验证： 未能确认是否跨电芯、跨工况或跨数据集验证。

EOL/RUL/SOH 定义

• 目标： 实时 SOH 估计。
• EOL/RUL： 未说明；没有可访问证据支持其直接输出 EOL 或剩余循环数。
• SOH 定义： 未能确认是额定容量、初始容量、内阻、功率还是复合 SOH。
• 标签与未来信息： 未说明；需全文核对 SOH 标签是否由完整寿命数据离线生成，以及预测窗口与标签之间是否有未来信息。

模型方法

• 方法类别： physics-informed deep learning。
• 模型架构/方法流程： 运行态 V/I/T 窗口 → 深度学习模型 → physics-informed loss constraints → SOH 输出；“models”是复数，但具体 CNN/LSTM/Transformer/MLP 等架构未能从可访问内容确认。
• 输入特征与输出目标： 输入为电压、电流、温度短时序；输出为实时 SOH。窗口长度、是否使用导数/统计特征和物理状态变量均未说明。
• Baseline/对比方法： 未能确认。摘要只强调 physics-informed loss 对泛化和稳定性的影响，未获得基线表。

验证设计

• 数据划分方式： 未知；随机窗口切分可能把同一电芯相邻片段同时放入训练/测试，是必须排查的风险。
• 独立测试/外部验证： 未能确认。
• 鲁棒性/消融： 物理约束的泛化和稳定性分析是明确线索，但噪声、跨温度、跨工况和去约束消融细节未能确认。

指标

• 当前可访问内容未给出 MAE、RMSE、MAPE、R² 或逐电芯误差。
• “5 min 数据足够”是出版社搜索摘要中的方法宣传性结论，尚不能替代按电芯/工况分层的测试结果。

泄漏风险

• 风险判断：信息不足（偏中风险，待全文审计）。 短窗口 SOH 任务很容易因随机切分重用同一电芯的相邻片段而产生乐观结果。
• 重点检查：容量标签是否依赖未来完整循环；窗口归一化是否使用测试集统计量；物理约束参数是否在全部电芯上调参；是否真正按电芯留出。

复现性

• 判断：信息不足。 OA 标记存在，但出版社正文/PDF未成功获取；代码、数据集、网络结构、损失权重、训练轮数和随机种子均未确认。
• 若“5 min”结论依赖特定采样率或特殊预处理，落地到哥哥的数据流前需要重新测量。

局限性

• 当前缺少全文和实验表格，无法判断 physics-informed 约束带来的实际增益。
• SOH 估计与 RUL/EOL 预测仍是不同任务；是否能稳定外推寿命不能由题名推断。
• 在线部署还需要延迟、算力、传感器噪声和跨车辆泛化证据。

是否值得跟进

• 结论：跟进（全文到手后再定复现优先级）。 实时 SOH + 物理约束与哥哥的在线健康估计方向契合，但当前证据不足以排在 EIS/BatteryKG 之前。
• 对哥哥研究/落地的启发： 可将 physics-informed loss 作为 SOH 分支的约束候选，并把 5 min、10 min、早期充电片段做统一窗口预算比较；验证必须采用按电芯/按工况留出。
• 后续动作： 从 ScienceDirect/机构订阅获取全文；记录精确网络结构、物理方程、损失权重、数据集和分割；复现实验时加入随机窗口切分与按电芯切分的对照。

3. Reconciling Manufacturer Claims with Measured Degradation in Commercial Lithium-Ion Cells: A Provenance-Aware Knowledge Graph with Coverage-Gated Abstention

论文基本信息

• 标题： Reconciling Manufacturer Claims with Measured Degradation in Commercial Lithium-Ion Cells: A Provenance-Aware Knowledge Graph with Coverage-Gated Abstention
• DOI/URL： 10.3390/batteries12080314；MDPI 全文
• 期刊/会议/预印本平台： Batteries，2026，12(8)，314
• 发表日期： 2026-08-20（MDPI 全文页明确列出 Published: 20 August 2026）
• 作者和机构： Alexandru Lecu（Artificial Intelligence Research Institute，Technical University of Cluj-Napoca；Digital Science & Research Solutions Ltd，London）；Lezan Hawizy（Digital Science & Research Solutions Ltd）；Adrian Groza（Technical University of Cluj-Napoca）。MDPI 页面列出上述机构和作者脚注。
• 通讯作者： Alexandru Lecu（MDPI 页面以 * 标注“Author to whom correspondence should be addressed”，并列出 alexandru.lecu@cs.utcluj.ro）
• 脚本评分： 62。命中 battery/lithium-ion、cycle life/life prediction/degradation、dataset，且为 Batteries；脚本未命中权威作者加分。
• 期刊指标核验： 未核验数值；全文页确认开放获取 CC BY。
• 核验结果与可信度： web_extract 成功获取 MDPI 完整 HTML（含正文、表格说明、方法、结果、局限和代码链接），为全文级高可信度。

纳入理由

• 摘要和正文直接将系统用于 commercial lithium-ion cells 的 cycle-life prediction，并以 nominal-capacity EOL 为标签；同时设计 coverage-gated abstention 来拒绝不熟悉分布。
• 与普通数据管理或 BMS 控制不同，论文给出明确预测目标、按策略分组交叉验证、外部研究验证和 cycle-space RMSE/拒答风险–覆盖率结果。

创新点

• 将 manufacturer claims、cycling measurements、independent tests 和 provenance 放进同一知识图谱，区分产品级 Claim 与物理电芯级 Measurement。
• 以行为特征空间的图覆盖度作为预测前的拒答信号；系统可以输出“没有 well-covered neighborhood”，而不是对分布外电芯给出无依据的点预测。
• 论文把点预测的负结果讲清楚：图邻居特征没有显著提升点预测，但 coverage 对误差有显著相关，并在 HUST 上成功阻止约 83% 的错误外推。
• LLM 只做候选抽取，三次共识、schema/value-in-source/物理范围校验和人工门控决定哪些声明进入图，强调“提议器而非数据源”。

主要内容

BatteryKG 使用 Neo4j 图保存 manufacturer claims、cell measurements 和 source provenance。电芯实例在 condition view 与 behavior view 中建立加权 SIMILAR_TO 边。预测器为对 log10(cycle life) 回归的 XGBoost；图增强版本加入训练折内邻居统计。运行时用 behavior-view top-5 邻居相似度之和与 leave-one-out 覆盖度的第 41 百分位比较，低于阈值则拒答。

数据集/电池体系

• 电池体系： Li-ion；主要为 A123 APR18650M1A LFP，额定 1.1 Ah。制造商文档还包含 Panasonic NCR18650B、LG Chem INR18650HG2。
• Severson 数据： 124 个电芯，30°C、100% DOD、4C 放电、每电芯两步快充策略 3.6–8C；三批次 41/43/40。四个有容量伪影的电芯被 QC 排除后，预测评估使用 120 个电芯、66 个 policy-group folds。
• 外部数据： HUST 77 个同型号电芯（镜像协议、固定快充、变化放电）；Attia 45 个同型号/同实验室电芯（闭环优化四步快充）；SNL 30 个同型号电芯（0.5C 充电、不同温度/DOD/放电率），主要用于 staged ingestion 和拒答演示。
• 文档/图数据： 三种商业电芯的 4 份制造商文档、lygte-info.dk 测试/规格复述；62 条开发 claims + 41 条 held-out claims，完整标注和实验 artifacts 随代码发布。
• 数据结构： capacity trajectory、早期循环特征、charge-policy 特征、batch、claims/conditions/provenance、图邻居相似度；跨来源数据明确保存来源和条件。

EOL/RUL/SOH 定义

• EOL 阈值： 预测主标签为达到额定容量 80%（0.88 Ah）时的 cycle life；对平滑容量曲线做线性插值，接近阈值的末循环用 proximity rule 标记。124 个电芯标签范围 147–2236 cycles，中位数 736。
• 替代定义： 达到初始实测容量约 80%（约 0.856 Ah）时，只有 46/124 个电芯达到阈值，其余作为 right-censored；论文没有把它作为主预测目标。
• RUL 单位： cycle life/cycles-to-EOL；不是在线从当前循环减去预测 EOL 的完整 RUL 接口。
• SOH 定义： 以容量衰减和 EOL cycle life 为核心，不是独立的内阻型 SOH。
• 标签与未来信息： 标签来自完整容量曲线，但只允许 cycles ≤100 的特征进入预测；用单元测试破坏后续循环以验证早期特征不变。

模型方法

• 方法类别： knowledge graph、XGBoost、selective prediction/abstention、provenance-aware data pipeline、LLM-assisted extraction with deterministic validation。
• 模型架构/方法流程： 制造商文档 → Llama-3.3-70B 抽取 → 三次共识 → schema/value-in-source/物理范围验证 → 人工门控； cycling data → 确定性 loader/QC → Neo4j；cell instances → condition/behavior 两类相似图 → baseline XGBoost 与 graph-augmented XGBoost → coverage gate → 预测或 abstain。
• 输入特征与输出目标： cycles ≤100 的 ΔQ(V) 方差/极值、capacity slope、cycles 2/100 的容量和比值、平均充电时间、charge-policy、batch；输出 log10(cycle life) 或 cycle-space EOL 估计，并输出 abstain/reason。
• Baseline/对比方法： graph-free GBM、random abstention、模型 quantile-spread uncertainty gate、condition-view coverage、mean-similarity gate、hybrid gate；另有 vanilla LLM 与 deterministic claim lookup 对照。

验证设计

• 内部切分： 81/124 电芯与其他电芯共享 charge policy；为避免 replicate leakage，使用 leave-one-policy-group-out CV，120 电芯共 66 folds。
• 图特征防泄漏： 每折只用 training cells 的邻居标签；排除 same-policy edges；代码有 self-exclusion 和 test-cell 不进入 neighbor set 的断言/测试。
• 外部验证： HUST 77、Attia 45、SNL 30 未进入训练/邻居库/阈值；还做 HUST 追加 5/10/20/40 个标注电芯的适配实验。
• 不确定性/拒答： risk–coverage 曲线、AURC、1000 次 fold-level bootstrap；比较随机拒答和 quantile spread。结果中 hybrid gate 反而过拟合，保留该负结果。

指标

• 点预测： log-space RMSE baseline 0.0611、graph model 0.0615；cycle-space RMSE graph-free 141.3、graph-augmented 135.2；graph model 胜 38/66 folds，但 Wilcoxon p=0.46，点预测提升不显著。
• 拒答： behavior-view coverage 与预测误差 Spearman ρ=-0.247, p=0.006；保留最佳覆盖度 60% 时 RMSE 约 79 cycles，而随机拒答同覆盖率约 133，整体从 135 降至 79。
• 外部： HUST zero-shot 全 77 个拒答；若不拒答，两个模型 MAPE 约 83%。Attia zero-shot 保留 17/45（37.8%），保留集 RMSE 141.7、MAPE 21.5%，4 个 false acceptance；加入 5 个标注 Attia 电芯后，适配 RMSE 100.5±24.2、MAPE 11.1±5.1%。
• 抽取管线： 三次共识 + validator 达到 F1=0.784、zero unsourced values；held-out Samsung 文档 document-level F1=0.491，row-level merged F1=0.612，说明表格结构仍是召回瓶颈。

泄漏风险

• 风险判断：低到中。 内部 cycle-life 预测的 policy-group split、train-only neighbors、后续循环破坏测试和外部研究均显著降低了常见泄漏风险。
• 仍需注意：主结果来自单一商业型号/单一 LFP 体系；标签定义依赖完整寿命曲线，在线部署时不能把 EOL 生成过程误当作可用输入；外部 Attia 的部分输入不定义，XGBoost 通过默认分支处理缺失。
• 知识图谱声明冲突的判断依赖文档条件字段，不能把“数值差异”直接解释为厂商虚假宣传；论文明确把 conditions_comparable 作为必要门槛。

复现性

• 判断：高。 正文给出模型、特征、policy-group folds、seed 42、阈值、敏感性分析和外部协议；代码、62+41 claims、实验 artifacts 公开于 BatteryKG GitHub，所用 Severson/HUST/Attia/SNL 数据可从原始公开来源获得。
• 仍需按仓库实际状态确认依赖、Neo4j 版本、原始数据下载和全流程运行成本；论文称约 230 次 LLM calls，部署后的图查询不需要每次调用 LLM。

局限性

• 主要验证集中在一个商业电芯型号和一个 Li-ion 化学体系，跨化学体系泛化尚未证明。
• HUST 结果是“拒答成功”而非预测准确；拒答意味着新研究在获得足够标注前没有可用输出。
• Attia 的零样本部分接受会受到 coverage 与寿命的混杂影响，论文明确提醒 coverage 不是跨分布的能力证书。
• 制造商 claim gold standard 只有 103 条且文档数量小；表格/图片 OCR、邻近表格行错配和 silent unit conversion 仍是抽取限制。

是否值得跟进

• 结论：强烈跟进。 论文对哥哥的价值主要不是“又一个 RUL 网络”，而是把可靠性、分布外检测、数据 provenance 和拒答决策放进同一可复现实验闭环。
• 对哥哥研究/落地的启发： 可把 behavior-space coverage、按电芯/协议分组的邻居检索、风险–覆盖率曲线和明确 abstain reason 加进现有 RUL/SOH pipeline；同时保留随机拒答、模型不确定性和图覆盖度三类对照，避免把不确定性只压成一个置信分数。
• 后续动作： 拉取 BatteryKG 代码和 Severson 数据；先复现 baseline 与 graph-free/graph-augmented 对比，再把同一 gate 迁移到哥哥的电芯/工况；增加跨化学体系和跨实验室数据，验证 coverage 是否仍是“可预测性”而非“寿命长短”代理变量。

4. A Lithium-Ion Battery Remaining Useful Life Prediction Framework Based on Mode Decomposition and CNN-TimeXer

论文基本信息

• 标题： A Lithium-Ion Battery Remaining Useful Life Prediction Framework Based on Mode Decomposition and CNN-TimeXer
• DOI/URL： 10.3390/electronics15163687；MDPI 页面
• 期刊/会议/预印本平台： Electronics，2026，15(16)，3687
• 发表日期： 2026-08-18（OpenAlex/MDPI 检索摘要）
• 作者和机构： Jiayun Xu、Hairong Li；OpenAlex 机构元数据列为 Lanzhou University of Technology、Lanzhou University；MDPI 搜索摘要显示 School of Microelectronics Science and Engineering, Lanzhou University, Lanzhou 730100, China。作者与机构逐人对应关系未能从正文确认。
• 通讯作者： 未能确认（MDPI 搜索摘要可见“Author to whom correspondence should be addressed”，但抓取失败导致无法可靠映射到 Xu 或 Li，故不猜测）
• 脚本评分： 62。命中 Li-ion、RUL/life prediction/degradation、CNN、CALCE，且标记为开放获取；脚本未命中权威作者加分。
• 期刊指标核验： 未核验数值。
• 核验结果与可信度： 已尝试 DOI 和 MDPI 页面/PDF；web_extract 与 curl 均遇到 MDPI 403。可访问的 MDPI/Scilit 搜索摘要确认方法、CALCE 四电芯、5:5/6:4 split 和部分指标。故本卡为摘要/检索结果级，正文未成功获取。

纳入理由

• 题名直接命中 Li-ion RUL prediction；摘要明确用容量轨迹预测和重构支撑 threshold-based EOL inference。
• 这是直接的寿命/退化轨迹预测论文，不是普通电池材料或储能调度论文。

创新点

• 用 Dream Optimization Algorithm（DOA）自适应优化 VMD 参数，把容量序列分解为更清晰的多尺度模态。
• 每个模态使用 CNN-enhanced TimeXer：CNN 捕捉局部波动，TimeXer 处理长程依赖，最后重构容量轨迹并推断 EOL/RUL。
• 搜索摘要还显示，在 5:5 与 6:4 设置下对比 PatchTST 等模型，DOA-VMD-CNN-TimeXer 在四个测试电芯上保持优势；相对手工 VMD+CNN+TimeXer，DOA 进一步降低平均 RMSE（具体实验表需全文复核）。

主要内容

容量序列 → DOA 优化 VMD → 多模态分解 → 每个分量分别经 CNN-TimeXer 预测 → 重构未来容量轨迹 → 与 EOL 阈值比较得到 RUL-oriented prognosis。摘要报告在四个 CALCE 电芯上的结果，但没有说明是否使用实时电压/电流/温度作为辅助输入。

数据集/电池体系

• 电池体系： Li-ion；化学体系、额定容量和电芯老化协议未能从可访问摘要确认。
• 数据来源： CALCE 公共电池数据；4 个电芯，搜索摘要标识为 CS35–CS38。
• 数据结构/循环协议： 以 cycle-wise capacity trajectory 为主；采用 5:5 和 6:4 train–test split。精确 split 时间点、采样协议、温度/倍率和是否有多通道输入未确认。
• 跨域验证： 未见跨数据集/跨化学体系证据；当前只确认四个 CALCE 电芯。

EOL/RUL/SOH 定义

• 目标： 预测容量退化轨迹，并通过 threshold-based end-of-life inference 得到 RUL-oriented 结果。
• EOL 阈值： 摘要没有说明具体容量保持率或其他阈值，不能默认是 80%。
• RUL 单位： 预计为剩余循环数，但正文未成功获取；应以全文标签定义为准。
• SOH： 主要通过容量轨迹间接体现，是否显式输出 SOH 未能确认。

模型方法

• 方法类别： mode decomposition + CNN + Transformer/TimeXer + optimization。
• 模型架构/方法流程： capacity sequence → DOA 搜索 VMD 参数 → VMD 模态分解 → CNN 提取局部模式 + TimeXer 建模长程依赖 → 各模态预测 → trajectory reconstruction → threshold-based EOL/RUL。
• 输入特征与输出目标： 输入至少包含历史容量序列/循环索引；输出为未来容量轨迹及由阈值推导的 RUL。窗口长度、是否使用电压/电流/温度、DOA 搜索空间和超参未说明。
• Baseline/对比方法： 搜索摘要明确提到 PatchTST、VMD+CNN+TimeXer 和 LSTM-type competitor；完整 baseline 清单和参数公平性需全文确认。

验证设计

• 数据划分方式： 5:5 与 6:4 train–test split；由于正文不可访问，暂不能确认是否严格时间外推，还是在单电芯轨迹上按比例切片。
• 独立测试/外部验证： 4 个 CALCE 电芯构成有限的按电芯比较；未确认跨数据集外部测试。
• 消融/鲁棒性： DOA 优化与手工 VMD 的比较、不同 split 和 PatchTST 对比是已确认线索；去 CNN、去 TimeXer、不同噪声和不同 EOL 阈值的实验未确认。

指标

• 摘要报告 RMSE 0.010316–0.014528，所有对应 R² >0.994。
• 搜索摘要进一步给出 6:4 split 下 CS35–CS38 的 RMSE 为 0.014528、0.010887、0.012506、0.011394；这些数字应在 PDF 表格中复核。
• 搜索摘要称相对最强 baseline PatchTST 的 RMSE 下降幅度为 44.8%、49.1%、24.2%、46.8%；平均 MAPE/DOA 增益的完整定义尚未从正文确认。

泄漏风险

• 风险判断：中到高（信息不足，必须全文审计）。 只有 4 个 CALCE 电芯，且 5:5/6:4 可能是在每条容量轨迹上做时间切分；若 VMD、归一化或 DOA 调参使用了完整轨迹，未来信息会进入训练。
• 需要确认：预测时点是否只使用历史容量；VMD 参数是否在训练段内优化；测试段是否参与 scaler、窗口构造、模型选择；是否存在同一电芯的重叠窗口。

复现性

• 判断：信息不足。 论文标记 OA，但本次无法获取正文/PDF；CALCE 数据公开，代码仓库、DOA 搜索超参、TimeXer 版本、随机种子和硬件未确认。
• 仅凭很高的 R² 不足以判断可复现性，尤其需要保留原始容量尺度和阈值定义。

局限性

• 样本只有 4 个电芯，跨电芯、跨批次、跨工况泛化证据有限。
• 分解优化、CNN 和 TimeXer 叠加后模型复杂度较高，在线 BMS 的延迟和维护成本未能确认。
• R² >0.994 可能主要反映容量轨迹平滑性；需要同时看 RUL cycle error、提前预测窗口和按电芯误差，而不是只看轨迹拟合。

是否值得跟进

• 结论：跟进（工程 benchmark，优先级低于 BatteryKG/EIS）。 方法链条完整、指标亮眼，适合做容量轨迹预测基线，但目前验证集太小且正文不可得。
• 对哥哥研究/落地的启发： 可把 VMD/TimeXer 作为容量序列预测的候选 baseline，并用严格 rolling-origin、按电芯留出和真实 EOL 阈值校验其高 R² 是否转化为可用 RUL。
• 后续动作： 获取 PDF；核对 CS35–CS38 的真实协议、EOL 阈值、split 和所有 baseline；在同一数据上与简单 persistence、线性退化、LSTM/Transformer 及 physics-informed 模型进行统一比较。

5. Physics-aligned causal inference of driving styles on electric vehicles battery aging

论文基本信息

• 标题： Physics-aligned causal inference of driving styles on electric vehicles battery aging
• DOI/URL： 10.1038/s41598-026-66428-x；Nature 页面；Crossmark
• 期刊/会议/预印本平台： Scientific Reports
• 发表日期： 2026-08-14（Nature 元数据、Crossmark 明确 First Online/Published Online）
• 作者和机构： Hao Cheng、Zhongwei Gu、Wangqiang Gao，均列为 Shanghai Dianji University（Nature 元数据与 OpenAlex authorship）。
• 通讯作者： 未能确认（Nature 元数据和 Crossmark列出作者，但未标注 correspondence）
• 脚本评分： 61。命中 battery/lithium-ion、capacity fade/degradation，且属于 Scientific Reports；脚本未命中权威作者加分。
• 期刊指标核验： 未核验数值；Nature/Crossmark确认论文为 CC BY 线索。
• 核验结果与可信度： 已尝试 Nature DOI、HTML 和 PDF；web_extract 未能取得正文。Nature HTML 元数据和 Crossmark 可确认题名、作者、日期、摘要描述；搜索结果补充了部分运行数据背景，但没有把二手报道当作全文证据。因此本卡为摘要/元数据级，正文未成功获取。

纳入理由

• 摘要明确研究 EV battery aging/capacity fade，并建立 physics-aligned causal inference 来估计 driving style 对退化的影响。
• 它不是直接的 RUL/EOL 预测器，但属于主题允许的 degradation/capacity-fade forecasting 与影响因素建模，可作为寿命模型的工况/驾驶风格协变量研究。

创新点

• 将二阶 Thevenin equivalent circuit 嵌入生成模型，提供 physics-constrained representation。
• 用 gradient reversal layer 做 confounder disentanglement，再用 counterfactual inference 估计驾驶风格的因果影响，而非只做驾驶行为与老化的相关性。
• 将电池电学重建、因果表示和容量衰减代理指标联系起来，适合为 fleet-level degradation model 提供行为变量。

主要内容

框架以真实 EV 运行数据为基础，将二阶 Thevenin 电路作为物理表示约束，利用生成模型学习驾驶行为与电池状态之间的表示；gradient reversal layer 试图去除混杂因素，随后通过反事实推断比较不同 driving style 下的模型预测容量衰减。摘要报告端电压重建 MAPE 0.55%，并称激进驾驶的模型预测容量衰减约为 eco-driving 的 2.5 倍以上。

数据集/电池体系

• 电池体系： EV 中的 Li-ion battery；具体正极化学体系、容量和 pack 架构未能从摘要确认。
• 数据来源： real-world EV operation data；车辆数、城市/年份、采样间隔、行程数量和充放电/温度覆盖未能从可访问原文确认。搜索结果中出现“15 EVs/Guangzhou/10-second to 60-second aggregation”等二手线索，但未作为本卡的已核验事实。
• 数据结构/循环协议： 运行中的速度/电流/电压/SOC/温度等可能是候选信号，但摘要没有逐项列出；驾驶风格分类、老化观测窗口和容量标签生成方式未能确认。
• 跨域验证： 未能确认是否跨车辆、跨道路工况或跨时间外部验证。

EOL/RUL/SOH 定义

• 目标： driving-style 的因果影响、aging proxy 和 model-predicted capacity fade。
• EOL/RUL： 未说明；论文不应被解读为直接输出剩余循环数。
• SOH： 摘要没有给出单一 SOH 定义；容量衰减是主要寿命相关输出。
• 标签与未来信息： 反事实估计依赖混杂变量控制和时间窗设计，具体标签是否用完整未来寿命曲线生成未能确认。

模型方法

• 方法类别： physics-aligned causal inference、generative model、equivalent-circuit model、representation learning、counterfactual inference。
• 模型架构/方法流程： EV 运行/驾驶行为数据 → 二阶 Thevenin 物理表示 → 生成模型 → gradient reversal layer 去混杂 → driving-style representation → counterfactual inference → 容量衰减/老化影响估计。
• 输入特征与输出目标： 输入为驾驶风格和 EV 运行信号（具体字段/采样未能确认）；输出为端电压重建和不同 driving style 下的模型预测 capacity fade/causal effect。
• Baseline/对比方法： 摘要批评现有相关性分析，但没有列出可访问的数值 baseline、消融或替代因果模型。

验证设计

• 数据划分方式： 未能确认；需要全文核对按车辆/驾驶员/时间切分是否避免同一车辆的相邻片段泄漏。
• 独立测试/外部验证： 未说明。
• 因果验证： 端电压重建 MAPE 是表示/重建指标；因果效应本身仍依赖模型假设和混杂控制，摘要没有给出敏感性分析或真实干预验证。

指标

• 端电压重建： MAPE 0.55%。
• 寿命相关结果： 激进 driving style 的 model-predicted capacity fade 超过 eco-driving 约 2.5 倍。
• 未能确认容量衰减具体百分比、预测周期、置信区间、车辆/工况分层以及统计显著性。

泄漏风险

• 风险判断：中到高（信息不足）。 真实车队时序常含车辆、驾驶员、路线、SOC、温度和电池年龄的混杂；若按时间片随机切分，可能把同一车/同一驾驶员轨迹同时放入训练和测试。
• 需要检查：反事实输入是否真的只改变 driving style 而固定其他状态；Thevenin 参数是否使用未来容量；容量衰减标签与运行时特征是否存在后验平滑；是否做按车辆和按时间的 out-of-group test。

复现性

• 判断：信息不足。 Nature 元数据确认论文和摘要，但正文/附件未成功获取；代码、运行数据、Thevenin 参数、confounder 定义和驾驶风格分类规则未确认。
• 真实 EV 数据可能受隐私限制，即使论文开放获取，也不能假定原始车队数据公开。

局限性

• 因果结论依赖无未测混杂、表示约束正确和反事实可识别等假设，不能仅凭 2.5 倍模型预测差异宣称真实寿命已被干预证实。
• 研究关注驾驶风格影响，不是端到端 RUL/EOL；预测容量 fade 的半经验模型和实际电芯老化之间存在模型偏差。
• 当前缺少跨车队、跨车型、跨温度/季节和外部时间验证细节。

是否值得跟进

• 结论：观望后跟进（作为协变量/因果退化模块，不作为主 RUL baseline）。 主题相关且对真实工况建模有启发，但摘要级证据不足，不能和直接 RUL/SOH 论文等量齐观。
• 对哥哥研究/落地的启发： 可将驾驶风格、负载强度、瞬态电流和温度作为退化预测的外生变量，并用按车辆分组的验证检验其增益；gradient reversal/反事实模块可用于区分“工况影响”和“电池固有差异”。
• 后续动作： 获取 Nature 正文/补充材料；核对车辆和时间规模、驾驶风格定义、混杂变量、反事实构造和统计检验；若数据不可得，可先在公开 EV/BMS 数据上复现“按车辆分组 + Thevenin residual + capacity fade”小实验。

后续追踪清单

• 获取 EIS-SOH 论文 PDF，确认 14 工况的电芯数、化学体系、EIS 频段/SOC/温度、按电芯/工况切分和代码数据。
• 获取 JPS physics-informed SOH 论文正文，核对具体深度网络、物理约束、5 分钟窗口定义、公开数据和指标表。
• 拉取 BatteryKG 仓库，先复现 120-cell policy-group CV，再移植 coverage gate 到哥哥的本地 RUL/SOH 数据；记录拒答率、risk–coverage 和跨电芯/跨协议差异。
• 获取 DOA-VMD-CNN-TimeXer PDF，审计 EOL 阈值、VMD/DOA 是否使用未来信息、rolling-origin split 和 RUL cycle error；加入简单 persistence/线性退化 baseline。
• 获取 Scientific Reports 正文/补充材料，确认驾驶风格分类、车辆分组切分、反事实干预与未测混杂敏感性分析。
• 修复或降载 arXiv 查询，持续观察 13 次连续失败告警；同时维护低阈值 preprint 队列，优先复核 RUL-QMoE 和 Causal Anomaly Detection。

本次报告元数据

• 报告日期：2026-08-23
• 监测窗口：脚本最近 30 天检索窗口；来源检查时间约为 2026-08-23 09:30–09:31（Asia/Shanghai）
• 触发论文数：5
• 数据来源：OpenAlex、Crossref、期刊 RSS、Nature/Crossmark/MDPI/出版社页面和摘要检索线索
• 脚本评分版本：3
• Gold-label 评估摘要：precision@5=0.20；阈值以上已标注 14 篇，其中 3 篇 false positive；false-positive rate=21.4%；missed cases=2。

电池寿命预测论文每日监测报告（2026-08-23）

今日结论

• 新增： 5 篇，均来自脚本 papers[]。按本次实际核验结果，全文级 / 摘要级 / 元数据级 / 线索级分别为 2 / 1 / 2 / 0。其中两篇 arXiv PDF 成功提取到正文；Scientific Reports 通过 Crossref 结构化摘要核验；Engineering Applications of Artificial Intelligence 和 Journal of Energy Storage 条目仍主要停留在题录/出版社检索元数据。
• 最值得跟进：
  1. Real-Time State-of-Health Estimation and Online Degradation Prognosis from Partial Battery Discharge Using Physics-Informed Neural Networks（arXiv，脚本评分 66）：全文给出 122 节电池、按电芯留出的验证设置、分段 PINN 和在线拐点/EOL 推断，和“部分观测下的健康预测”最直接相关。**下一步：**复核其特征选择、拐点阈值选择是否严格只使用训练信息，并把 EOL 误差结果补齐。
  2. Degradation-Aligned Self-Supervised Learning for State of Health Estimation of Lithium-Ion Batteries under Label Sparsity（arXiv，脚本评分 62）：用同一电芯的循环顺序做自监督排序，在仅 1% 标签时仍报告较好的跨电芯 SOH 结果，适合研究标签稀疏和在线数据利用。**下一步：**核对预训练是否完全隔离测试电芯，并在更多化学体系/工况上复现。
  3. State of health estimation and remaining useful life prediction of Li-ion battery oriented to real-world electric vehicles: A comprehensive evaluation methodology（Engineering Applications of Artificial Intelligence，脚本评分 73）：题名直接覆盖真实 EV 场景下的 SOH/RUL，且为 Crossref 确认的期刊论文，但全文和摘要未成功获取。**下一步：**优先获取出版社 PDF，确认数据集、模型、按车辆/电芯切分和真实 RUL 指标后再判断优先级。
• 总体判断： 今日两篇全文论文显示出两个可迁移方向：一是从任意局部放电片段提取 SOH 并在线跟踪退化轨迹，二是把循环顺序作为无标签退化信号来缓解 SOH 标签稀疏。两者都仍以小规模、单一或近似单一电池体系为主，不能把漂亮的点误差直接外推为跨工况 RUL 能力。Scientific Reports 的数字孪生工作更偏 SOH/电热状态和安全异常一体化，RSS 条目则是对容量预测特征重要性验证的潜在线索；EAAI 条目与哥哥的真实 EV 方向很相关，但当前只能做元数据级判断。
• 质量提醒： 本次没有触发 source_alerts。3/5 篇未取得可读全文；EAAI 的 Crossref 记录把印刷日期记为 2026-10，晚于日报日期，脚本已将该日期作为无效未来日期抑制；RSS 条目正文写有 2026-12-01，也晚于日报日期，且 ScienceDirect 页面抓取失败，需人工确认日期和正式版本。脚本评分用于排序，不等于论文质量结论。
• 检索规模说明： 本轮发现 263 条题录，保留 25 条，过滤噪声 238 条；过滤条目 是主题检索和去重后的噪声，不应解读为 238 篇电池寿命论文漏报。

论文总览

单篇论文分析

1. Real-Time State-of-Health Estimation and Online Degradation Prognosis from Partial Battery Discharge Using Physics-Informed Neural Networks

论文基本信息

• 标题： Real-Time State-of-Health Estimation and Online Degradation Prognosis from Partial Battery Discharge Using Physics-Informed Neural Networks
• DOI/URL： arXiv 摘要页；PDF。未提供 DOI。
• 发现来源： arXiv；source_history： arXiv，来源 URL 为上述摘要页和 PDF。payload 未单独展开 source_history 字段，故以 source/source_urls 还原。
• 期刊/会议/预印本平台： arXiv，分类 cs.LG；PDF 页眉标注为 Preprint submitted to Elsevier。
• 发表日期： 2026-08-14；日期来源：arXiv PDF 首页与 payload 的 arXiv 元数据。
• 作者和机构： Begoña Ispizua、Sergio Gil-López（Tecnalia - Basque Research Technology Alliance）；Leire Arrizabalaga（University of the Basque Country，EHU）；Ibai Laña（Mondragon Unibertsitatea）。这些对应关系来自 PDF 首页的作者上标和机构列。
• 通讯作者： Begoña Ispizua；证据来源：PDF 首页星号和 begona.ispizua@tecnalia.com。
• 脚本评分： 66。命中 battery/batteries/lithium-ion、degradation/SOH/prognosis，命中 physics-informed/deep learning/neural，来源为 arXiv 且开放获取；未见 authority first author 或 authority corresponding author 加分理由。
• 证据等级： 全文级。
• 核验路径： pdf_url（https://arxiv.org/pdf/2608.14764v1）→ 成功提取 22 页 PDF 正文；URL（http://arxiv.org/abs/2608.14764v1）未作为主要证据；DOI：未提供/不适用。

纳入理由与原文证据

• 主题命中： 题名和摘要直接覆盖 SOH estimation、online degradation prognosis；引言明确把 RUL 估计、退化拐点和 EoL 作为电池管理背景。
• 证据： 摘要称方法使用“incomplete discharge curves extracted from arbitrary voltage ranges”进行 Li-ion 电池 SOH 预测，并提出实时退化趋势估计；正文进一步说明用在线更新的 SOH 估计来识别 degradation knee-point 和 EoL。来源：PDF。
• 边界判断： 这是直接的电池健康/寿命退化预测论文，不是普通材料合成、热管理、SOC 控制或储能调度论文。

数据集/电池体系

• 电池体系： Li-ion；论文使用 Severson 等公开数据，122 节电池，额定容量 1.1 Ah、额定电压 3.3 V，上/下截止电压 3.6/2.0 V。
• 数据来源： Severson 数据集；每节电池放电为恒流 4C，充电包含 one-step 和 two-step fast-charging protocols；提供随时间变化的电压、电流和容量。
• 规模与结构： 122 节；放电曲线被均匀切成 8 个电压区段，每个区段对应约额定容量 5% 的容量增量。候选特征包括 V-Q 曲线弧长/斜率/面积、电压和电流统计量，以及增量容量曲线特征。具体原始采样频率未说明。
• 工况与协议： 放电恒流 4C；两步快充在 SOC 约 80% 前后切换电流。温度和各协议的完整参数未在可访问正文中系统列出。
• 跨域覆盖： 留出了 10 节电池做验证/测试，且这些电芯不参与训练；未覆盖跨化学体系或跨实验室外部数据。论文正文的实验部分称“validation”，结论称“testing”，这一命名不一致需要在复现时核对。

EOL/RUL/SOH 定义

• 目标： 主要是 SOH 估计、退化轨迹、degradation knee-point 和 EOL 推断；不是直接输出一个监督式 RUL 回归值。
• EOL 阈值与单位： SOH 通常写为 Q_actual / Q_nominal；但本文实际把放电曲线 bend point 的容量作为健康指标，并明确说明它“不对应 conventional SOH definition”。EOL 常以额定容量 80% 为默认阈值，也允许用户指定 minimum capacity；单位为循环数。
• 标签生成： 每个循环的 bend-point capacity 由完整放电曲线和 Kneedle 算法得到，用作训练/验证目标。在线阶段只输入局部放电段和逐循环 SOH 估计，再用线性回归外推趋势。
• 未来信息风险： 训练标签依赖完整寿命曲线是监督学习常见设置，但部署时不可把后验完整曲线当输入。论文还按验证电池平均表现选择连续越界阈值 γ=34，需核对该选择是否完全隔离最终测试电芯；因此不能直接判定无泄漏。

模型方法

• 方法类别： physics-informed learning、分段特征工程、传统机器学习分类、在线统计退化建模。
• 模型架构/流程： 放电曲线 → 8 个电压区段 → 15 个候选几何/统计/IC 特征 → Random Forest feature importance 为每个区段筛特征 → XGBoost 识别输入属于哪个电压区段 → 区段专属全连接 NN。NN 的损失由数据 MSE 和 Verhulst 退化方程物理残差组成，训练 r/K/C 等物理参数；同时用同条件 FNN 作为基线。SOH 输出再进入在线最小二乘线性回归，置信区间用于拐点和 EOL 报警。
• 输入特征与输出目标： 输入是任意局部放电段的 V/Q、V/I、统计量和 IC 派生特征；输出为 bend-point SOH。在线模块输出退化趋势、拐点和达到容量阈值的预测循环。
• Baseline/消融： 初步 charge/discharge 选择比较 Random Forest、XGBoost 和 NN；SOH 主实验比较 PINN 与 FNN。未看到更广泛的跨数据集消融。
• 在线部署： 方法声称可逐循环更新、无需预定义电池专属退化模型或参数；但实际特征计算、采样质量、推理延迟和 BMS 资源需求未做系统量化。

验证设计

• 数据划分： 122 节中 10 节专门留出；正文称其为 validation set，结论称为 testing。训练/分析使用其余电芯，属于按电芯留出而不是随机窗口切分。
• 独立测试与泛化： 有未参与训练的电芯，但仍是同一 Severson 数据源、近似同一电池体系和协议族；没有跨化学体系或外部数据集验证。
• 泄漏检查： 按电芯留出降低了同一电芯片段混入 train/test 的风险；但 RF 特征选择、γ 阈值选择和线性回归稳定窗口是否严格在训练折内完成，正文未给出完整流程审计。
• 验证可信度： 中。有全文、按电芯留出和 PINN/FNN 对照，但数据规模和外部泛化有限，且验证/测试命名及阈值选择需要进一步核查。

指标与结果

• 点预测： 充/放电选择阶段，放电数据在 knee-point/EOL MAPE 上优于充电；例如 RF 的放电 knee-point/EOL MAPE 为 28.67%/24.56%，XGBoost 为 32.08%/26.85%。
• SOH 估计： 8 个区段的 PINN MAPE 为 1.543%–3.835%，RMSE 为 0.016–0.047，R² 为 0.594–0.952；中心约 3.14 V 的第 6 段最好，表中 MAPE 1.543%、RMSE 0.016、R² 0.952。XGBoost 电压区段识别准确率为 0.99。
• 分类/预警： 在线模块通过连续落在置信区间外的 SOH 预测触发拐点报警；论文选择 γ=34。未能从正文确认最终 EOL 循环误差、提前预警时间或独立 RUL 误差。
• 不确定性： 通过最近 100 次趋势拟合斜率变化构造第一阶段置信区间，第二阶段使用最近 50 个时间步；未报告系统性的 coverage/calibration 指标。
• 结果解释： 上述数值为论文表格/正文实际报告；“适用于任意区段”的结论仍受同一 Severson 数据集和相对同质电芯限制。

泄漏风险、复现性与局限性

• 泄漏风险： 中 / 信息不足。按电芯留出是优点；但特征重要性、γ=34 和趋势窗口的选择是否触及留出电芯，正文未完全说明，且 bend-point 标签依赖完整曲线。
• 复现性： 中。Severson 数据公开，正文给出了区段、特征组、Verhulst 约束、损失和多个关键参数；未确认代码仓库、随机种子、完整网络宽度/深度和所有超参。
• 局限性： 122 节来自单一公开研究；没有跨化学体系、跨温度或真实 BMS 噪声验证；对不同充放电电流、区段长度和更异质电池的表现属于未来工作。EOL/RUL 结果的最终误差也未充分量化。

是否值得跟进

• 结论：强烈跟进。 局部放电观测、物理约束和实时趋势更新与哥哥的寿命预测闭环高度相关；全文级证据足以进入 benchmark 候选，但不应只复制其点误差。
• 理由： 方法把 SOH 估计和在线退化轨迹连接起来，且有按电芯留出的测试设计；主要疑点集中在自适应阈值和特征选择是否有验证集信息回流。
• 下一步： 下载/整理代码（若作者提供）；复现第 6 区段与全区段结果；严格按训练电芯选择特征和 γ，再补充跨电芯、跨协议、未来时间外推和实际 EOL cycle-error 评估。

2. Degradation-Aligned Self-Supervised Learning for State of Health Estimation of Lithium-Ion Batteries under Label Sparsity

论文基本信息

• 标题： Degradation-Aligned Self-Supervised Learning for State of Health Estimation of Lithium-Ion Batteries under Label Sparsity
• DOI/URL： arXiv 摘要页；PDF。未提供 DOI。
• 发现来源： arXiv；source_history： arXiv，来源 URL 为上述摘要页和 PDF。payload 未单独展开 source_history 字段，故以 source/source_urls 还原。
• 期刊/会议/预印本平台： arXiv，分类 eess.SP。
• 发表日期： 2026-08-17；日期来源：PDF 页眉和 arXiv payload。
• 作者和机构： Jiaqi Yao、Julia Kowal；Department of Electrical Energy Storage Technology (EET), Technische Universität Berlin。PDF 首页将两位作者列在该机构下。
• 通讯作者： Jiaqi Yao；证据来源：PDF 首页星号、Corresponding author 标注和 jiaqi.yao@tu-berlin.de。
• 脚本评分： 62。命中 battery/batteries/lithium-ion、degradation/SOH，命中 CNN/GRU/neural，来源为 arXiv 且开放获取；未见权威作者加分理由。
• 证据等级： 全文级。
• 核验路径： pdf_url（https://arxiv.org/pdf/2608.16612v1）→ 成功提取 41 页 PDF 正文；URL（http://arxiv.org/abs/2608.16612v1）未作为主要证据；DOI：未提供/不适用。

纳入理由与原文证据

• 主题命中： 题名直接命中 SOH estimation 和 battery degradation；摘要明确把 label sparsity 作为真实电池健康预测的核心问题。
• 证据： 摘要称框架通过“cycle-order ranking objective”从无标签数据学习 aging-consistent representations，并在只有 1% unevenly distributed labeled training data 时取得 MAE 1.718%、RMSE 2.329%。来源：PDF。
• 边界判断： 这是直接 SOH 估计论文，不是材料合成或控制论文；但它没有直接输出 RUL/EOL 循环数，本文定位为 SOH/标签效率方向。

数据集/电池体系

• 电池体系： Li-ion，LCO（lithium cobalt oxide）棱柱电芯，额定容量 1.35 Ah。
• 数据来源： CALCE 公开电池老化数据，使用 CX2-34、CX2-36、CX2-37、CX2-38 四节电芯。充电为 0.5C CC 到 4.2 V 后 CV 至电流低于 0.05 A；放电为 1C CC 到 2.7 V。
• 规模与结构： 4 节电芯；提取 CC 充电阶段电压序列，重采样为固定 300 点；标签由完整放电容量计算。BatteryML 用于初步整理、排序和清洗；后续还根据电流/电压异常和 CC 时长 MAD 做清洗。
• 工况与协议： 单一 CALCE CX2 老化协议，具体环境温度和完整采样频率未说明；四节电芯达到不同退化深度。
• 跨域覆盖： CX2-37/38 训练，CX2-36 验证，CX2-34 测试；验证/测试电芯不参与监督训练，且其退化状态仍落在训练分布内。没有跨化学体系或跨工况外部数据。

EOL/RUL/SOH 定义

• 目标： capacity-based SOH regression；论文在介绍中给出 SOH_C = C_actual / C_rated，并说明通常采用容量型定义。
• EOL 阈值与单位： 标签稀疏主实验把 80% SOH 作为常见 EOL 边界，用于模拟只容易取得早期标签的情形；论文并不直接回归 EOL 循环或 RUL。
• 标签生成： SOH 标签由 full discharge capacity 计算；训练时只把 80% SOH 以上的早期区域作为可标注样本，再按 1%–100% 比例抽取。自监督阶段使用 CC charging curves 的同电芯循环顺序，不依赖人工 SOH 标签。
• 未来信息风险： cycle number 作为排序信号在运行中通常可获得，但必须确认预训练数据是否严格限于训练电芯。完整放电容量只作为离线 ground truth，不应在部署输入中出现；论文采用训练集 z-score 归一化，这一点是正面信号。

模型方法

• 方法类别： self-supervised learning、CNN-GRU、标签稀疏 SOH 回归。
• 模型架构/流程： CC 充电电压序列 → 两个 1-D CNN block（通道 1→32→64、kernel size 7）→ 一层 GRU（输出 128）→ FC head。预训练时在同一电芯内构造循环序对，最小循环间隔 dmin=50，用 pairwise logistic ranking loss 学习 aging score；下游微调时冻结 encoder、重新训练回归 head 输出 SOH。
• 输入特征与输出目标： 输入为固定长度 300 点的 CC charging voltage sequence；预训练输出无量纲 aging score，下游输出 SOH。
• Baseline/消融： 对比 SSL-Rank、重构式 SSL-Recon、多目标 SSL-MO 和不预训练的纯监督 SL；还比较 uniform、random、early-only、late-only 标签分布。
• 在线部署： 只需 CC 充电片段和少量 SOH 标签，理论上比完整寿命标注更接近实际；但计算延迟、噪声鲁棒性和不同充电协议适配未在本文充分验证。

验证设计

• 数据划分： 按电芯划分：CX2-37/38 训练、CX2-36 验证、CX2-34 测试；超参学习率用 Optuna 根据验证集表现调优。
• 独立测试与泛化： 有一节完全留出的测试电芯，且测试覆盖全寿命；但只有一个测试电芯、一个 LCO/CX2 条件，不能代表跨域泛化。
• 泄漏检查： 按电芯切分和训练集归一化降低了常见泄漏风险；仍需用代码确认无标签自监督预训练没有把测试电芯的曲线用于参数学习。若预训练使用全四节电芯，则会变成 transductive 设置，结果不能与严格跨电芯泛化等同。
• 验证可信度： 中。实验设计有按电芯留出、多个标签比例和分布分析，但电芯数量极小，且 EOL 附近误差明显增大。

指标与结果

• 点预测： 1% labeled ratio 时，SSL-Rank 在测试电芯上 MAE 1.718%、RMSE 2.329%、R² 0.970、MAX 11.157%。在 100% 标签时 MAE 1.715%、RMSE 2.255%、R² 0.972；作者报告 SSL-Rank 在所有标签比例测试中优于其他方法。
• 自监督对齐： 四节电芯 aging score 与 SOH 的 Spearman ρ 分别约为 -0.997、-0.998、-0.996、-0.997，说明排序信号在该数据集上与退化顺序高度一致。
• 标签分布： 1%–10% late-only 标签的整体 MAE 约 1.320%–1.350%；early-only 在标签少于 5% 时失败，5% early-only 表中 R² 为负。该结果强调标签覆盖位置比单纯标签数量更关键。
• 分类/预警： 无分类/提前预警任务；没有直接 RUL cycle-error 或 EOL 预测指标。
• 不确定性： 未报告 calibration、prediction interval 或 risk–coverage 指标；MAX 误差显示深度退化区仍存在较大个别误差。

泄漏风险、复现性与局限性

• 泄漏风险： 低到中 / 仍需代码核对。按电芯切分是优点；但无标签预训练的参与电芯范围必须确认，且 cycle-order supervision 使用了全寿命循环索引，不能把它与完全未知寿命阶段的无监督泛化混为一谈。
• 复现性： 中。CALCE 数据公开，BatteryML、网络层数/通道、序列长度、dmin、标签比例和主要指标均有说明；未确认作者代码、随机种子和完整超参搜索空间。
• 局限性： 只有四节同类 LCO 棱柱电芯、单一循环协议、一个测试电芯；作者自己指出尚未覆盖 cross-cell 和 cross-condition 的更真实设置。SOH 预测在深度退化阶段的 MAX 误差较大，且没有直接 RUL/EOL 输出。

是否值得跟进

• 结论：强烈跟进。 论文把无标签循环顺序转化为与退化对齐的学习信号，对哥哥的标签稀疏、早期观测和跨电芯评估都很有参考价值。
• 理由： 不是只报告一个网络，而是系统比较了 SSL 目标、标签比例和标签分布；不过结果仍需在更多电芯和外部工况上验证。
• 下一步： 先严格只用 CX2-37/38 做预训练/微调，复现 CX2-34 测试；再加入跨批次、跨温度和不同化学体系，比较 cycle-order SSL 与按电芯留出、时间外推、RUL 预测的统一 benchmark。

3. State of health estimation and remaining useful life prediction of Li-ion battery oriented to real-world electric vehicles: A comprehensive evaluation methodology

论文基本信息

• 标题： State of health estimation and remaining useful life prediction of Li-ion battery oriented to real-world electric vehicles: A comprehensive evaluation methodology
• DOI/URL： DOI。payload 未提供 pdf_url；Crossref 记录的 publisher link 为 DOI/Elsevier 维护页面，但本次未成功抓取正文。
• 发现来源： Crossref/Venue；source_history： Crossref/Venue，来源 URL 为 DOI。Crossref API 将其标记为 journal-article，期刊为 Engineering Applications of Artificial Intelligence。
• 期刊/会议/预印本平台： Engineering Applications of Artificial Intelligence，volume 181，article 115311（Crossref 元数据）。
• 发表日期： 未能确认；日期来源存在冲突：Crossref 的 published-print/published 为 2026-10，脚本明确记录并抑制了无效的 2026-10-01；搜索结果还出现 2026-06-05/2026-08-19 不同摘要片段，不能据此擅自选定日期。
• 作者和机构： Haixu Yang、Fengwei Liang、Kerui Li、Jichao Hong、Jinghan Zhang、Xiaohui Chen。Crossref 未提供机构字段；逐人机构未能确认。
• 通讯作者： 未能确认；Crossref 未标注，出版社页面未成功获取。
• 脚本评分： 73。命中 battery/li-ion、remaining useful life/life prediction/state of health，题名显式命中 remaining useful life；命中 Engineering Applications of Artificial Intelligence 期刊层级和开放获取标记；另有 invalid publication date suppressed: 2026-10-01；未见权威作者加分理由。
• 证据等级： 元数据级。
• 核验路径： pdf_url：payload 未提供，无法尝试；URL/DOI（https://doi.org/10.1016/j.engappai.2026.115311）→ web_extract 失败；出版社/ACM 检索页面→未成功获取；Crossref API→成功取得题名、作者、期刊、类型和日期冲突信息，但无可用摘要正文。

纳入理由与原文证据

• 主题命中： 题名直接同时命中 SOH estimation 和 RUL prediction，并把应用对象限定为 real-world electric vehicles。
• 证据： Crossref 结构化记录确认这是 journal-article，题名和期刊信息与 DOI 一致；出版社检索结果的摘要片段也以“State of health estimation is essential...”开头。由于摘要/全文未成功取得，本卡不补写模型、数据或指标细节。来源：Crossref 元数据、DOI。
• 边界判断： 题名已明确属于电池健康和剩余寿命预测，不是普通材料、热管理或储能调度论文；具体是否包含可复现的 RUL 评估仍待全文确认。

数据集/电池体系

• 电池体系： Li-ion；题名指向真实 EV，但具体正负极体系、车辆/电芯层级未能确认。
• 数据来源： 未说明；“real-world electric vehicles”只是题名中的应用定位，不能据此断言使用了哪一个公开车队数据集或实车 BMS 数据。
• 规模与结构： 电芯/车辆数量、V/I/T/SOC/里程采样、容量或内阻标签均未能确认。
• 工况与协议： 未能确认温度、SOC 窗口、充放电策略、驾驶工况和寿命终止条件。
• 跨域覆盖： 未能确认是否跨车辆、车队、批次、化学体系或外部数据集。

EOL/RUL/SOH 定义

• 目标： 题名明确为 SOH 和 RUL。
• EOL 阈值与单位： 未说明；不能把常见的 80% 容量或循环数假定为本文定义。
• 标签生成： 未能确认 SOH/RUL 标签如何从真实 EV 数据生成，也未确认是否使用完整寿命曲线。
• 未来信息风险： 信息不足。真实 EV 的窗口切分、车辆级留出、全寿命归一化和未来工况使用方式均待全文审计。

模型方法

• 方法类别： 未能确认；题名只说明“comprehensive evaluation methodology”。
• 模型架构/流程： 未能从可访问内容确认，不能按常见做法猜测 CNN、LSTM、Transformer 或物理模型。
• 输入特征与输出目标： 输出目标可由题名确认是 SOH/RUL；输入特征、时间窗口和是否多任务未说明。
• Baseline/消融： 未能确认。
• 在线部署： 题名面向 real-world EV，但推理延迟、BMS 传感器需求和部署限制未说明。

验证设计

• 数据划分： 未能确认；必须重点检查是否按车辆/电芯留出，而不是把同一车辆相邻窗口随机拆到训练和测试。
• 独立测试与泛化： 未能确认是否有独立车辆、跨车队或外部数据测试。
• 泄漏检查： 当前只能列为待审计项：窗口重叠、全寿命归一化、按车辆调参、未来载荷/循环信息和标签生成过程均可能影响结果。
• 验证可信度： 信息不足。题名相关性高，但当前没有可访问实验方法或结果。

指标与结果

• 点预测： 未能确认 MAE、RMSE、MAPE、R²、cycle error 或其他指标。
• 分类/预警： 未说明。
• 不确定性： 未说明。
• 结果解释： 当前只能报告题名/元数据证据；不能把脚本评分或出版社检索片段当作论文实验结果。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足，待全文审计。真实 EV SOH/RUL 论文尤其需要确认按车辆/电芯切分和未来信息隔离。
• 复现性： 信息不足。本次只取得 Crossref 题录；数据、代码、超参、随机种子和完整方法均未确认。
• 局限性： 日期记录冲突；全文/摘要不可访问；题名虽高度相关，但无法判断其是否提供外部验证、公开数据和可复现实验。

是否值得跟进

• 结论：强烈跟进（先全文核验）。 脚本评分最高且题名直接命中真实 EV SOH/RUL，但当前证据不足以支持任何方法或指标结论。
• 理由： 若论文真的按车辆/电芯和真实工况做了综合评估，可能直接补足现有监测中“公开老化电芯结果难外推到 EV”的缺口；日期和正文抓取问题使其暂不适合直接复现。
• 下一步： 通过机构订阅、Elsevier PDF 或作者主页获取全文；记录真实 online/publication date、数据集、模型清单、车辆/电芯级切分、EOL 定义、RUL 单位和所有结果表，再决定是否纳入 benchmark。

4. Self-evolving multimodal digital twin for health-aware and safety-aware intelligence in electric vehicle lithium-ion batteries

论文基本信息

• 标题： Self-evolving multimodal digital twin for health-aware and safety-aware intelligence in electric vehicle lithium-ion batteries
• DOI/URL： DOI；Nature PDF（本次抓取失败）。
• 发现来源： OpenAlex；source_history： OpenAlex，来源 URL 为 DOI。Crossref/CrossMark 作为核验补充确认了题名、作者和在线日期。
• 期刊/会议/预印本平台： Scientific Reports。
• 发表日期： 2026-08-16；日期来源：Crossref published-online、CrossMark 的 First Online 和 OpenAlex payload。
• 作者和机构： Kiran Keshyagol、Prasad Kulkarni、Santosh Madiwal。OpenAlex 给出 Manipal Academy of Higher Education、Rajarshee Chhatrapati Shahu Maharaj Government Medical College and CPR Hospital Kolhapur；逐人机构对应未能确认。Crossref/CrossMark 还确认 Manipal Academy of Higher Education 为资助方。
• 通讯作者： 未能确认；Crossref/CrossMark 未提供通讯作者字段，Nature HTML/PDF 抓取失败。
• 脚本评分： 60。命中 battery/batteries/lithium-ion、SOH，直接目标为 SOH，命中 dataset，Scientific Reports venue tier 和开放获取标记；未见权威作者加分理由。
• 证据等级： 摘要级。
• 核验路径： pdf_url：payload 未提供；URL/DOI（https://doi.org/10.1038/s41598-026-66576-0）→ DOI 页面抓取失败；Nature PDF（搜索结果提供）→ web_extract 抓取失败；Crossref API/CrossMark→成功获取摘要、题录、作者、日期和许可证元数据。

纳入理由与原文证据

• 主题命中： 摘要明确提出 health-aware digital twin，报告 SOH、容量、内阻代理和健康依赖参数更新；因此属于 SOH/电池退化状态估计，虽然还包含安全异常检测。
• 证据： Crossref 摘要写明该系统结合 second-order electrical network、two-node thermal network、stress-dependent health evolution rules 和 Unscented Kalman Filter；在真实老化数据上报告 SOH RMSE 0.0231。来源：Crossref 结构化摘要、DOI。
• 边界判断： 它不是纯热管理或安全论文，因为摘要含有 SOH/容量/内阻健康估计；但它并未在可访问摘要中直接给出 RUL、EOL 或 cycle-life 预测，应作为相邻的健康感知/数字孪生观察项，而不是直接 RUL 基准。

数据集/电池体系

• 电池体系： EV lithium-ion batteries；具体化学体系、额定容量和电芯/电池包层级未说明。
• 数据来源： 摘要同时提到 simulation 和 a lithium-ion battery aging dataset；公开数据集名称、实测样本量和采样协议未能确认。
• 规模与结构： 输入通道包括 voltage、temperature、SOC 和额外 impedance-derived channel；仿真与老化数据的样本规模、时间分辨率和切分未说明。
• 工况与协议： stress-dependent health evolution 和多模态传感器融合被提及；温度、SOC、负载、EIS/阻抗测量方式和老化终止条件未能从摘要确认。
• 跨域覆盖： 摘要未说明是否跨电芯、跨工况或外部数据集验证。

EOL/RUL/SOH 定义

• 目标： 联合 SOC、核心温度、容量、欧姆电阻/阻抗代理和 SOH 估计，并进行 anomaly/thermal-risk 判定。
• EOL 阈值与单位： 未说明；摘要没有给出 EOL 或 RUL 定义。
• 标签生成： 未能确认 SOH、容量和内阻标签的测量/计算方式，以及仿真健康状态与实测标签如何对应。
• 未来信息风险： 信息不足；多模态信任分配和健康演化规则是否使用全序列校准、测试集统计量或后验健康状态，需全文核对。

模型方法

• 方法类别： multimodal digital twin、二阶等效电路、热模型、UKF、健康状态估计和异常检测。
• 模型架构/流程： 电压/温度/电流基础通道 + 阻抗派生通道 → 二阶 electrical network + two-node thermal network → UKF 非线性状态推断 → health-dependent parameter adaptation 和 self-evolving trust allocation → anomaly/thermal-risk accumulation。作者比较四种逐步增加复杂度的配置，选择 v4。
• 输入特征与输出目标： 输入为电压、温度以及阻抗派生测量；输出包括 SOC、核心温度、容量、欧姆电阻、SOH 和异常/风险判断。具体参数和损失/滤波设置未说明。
• Baseline/消融： 有四种配置的复杂度比较；具体每个版本删去的模块和统计显著性未能确认。
• 在线部署： 设计目标是 health-aware/safety-aware intelligence 和创新一致性驱动的实时适应；但阻抗通道的额外传感器/激励成本、计算延迟和 BMS 可用性未说明。

验证设计

• 数据划分： 未能从摘要确认仿真和老化数据的 train/test 划分。
• 独立测试与泛化： 摘要称在 lithium-ion battery aging dataset 上验证，但没有说明是否留出独立电芯、工况或外部数据。
• 泄漏检查： 当前无法审计；需核对 UKF 参数、信任权重、健康演化规则和异常阈值是否使用测试序列校准。
• 验证可信度： 信息不足到中。摘要给出多任务数值和四配置比较，但没有完整实验设计。

指标与结果

• 点预测： 仿真结果 RMSE：SOC 0.0525、核心温度 0.4049 K、capacity 234.92 C、ohmic resistance 0.01078 Ω。真实老化数据结果 RMSE：电压 0.081 V、温度 0.6458 K、SOC 0.0297、SOH 0.0231、基于内阻的 impedance proxy 为 1.4×10^-7 Ω。
• 分类/预警： anomaly detection accuracy 0.9017、recall 1、F1 0.8716；异常/热风险层属于相邻安全任务，不能等同于 EOL 预警。
• 不确定性： 摘要提到 uncertainty-based inference 和 bounded process-noise inflation，但未给出 calibration、coverage 或区间宽度。
• 结果解释： 数值来自 Crossref 结构化摘要；由于全文未取得，不能确认每个 RMSE 的测试集、单位归一化和样本数。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足。多任务数字孪生的参数自适应、信任分配和风险阈值都可能受到时间序列后验信息影响，需全文审计。
• 复现性： 信息不足。Crossref/CrossMark 确认 CC BY 和题录，但模型参数、数据集、代码、滤波器配置、随机种子和完整四版本消融未确认。
• 局限性： 当前只能确认 SOH/电热/异常综合估计，不能确认 RUL/EOL 能力；阻抗通道增加测量成本；真实数据规模、跨电芯泛化和阈值迁移均未知。

是否值得跟进

• 结论：跟进。 它是与在线健康监测和安全感知融合相关的观察项，适合补充哥哥的多模态状态估计思路，但不应替代直接寿命预测论文。
• 理由： 摘要给出真实老化数据 SOH RMSE 和多任务检测指标，且将阻抗、热、电和健康演化放进同一框架；证据仍停留在摘要。
• 下一步： 获取 Nature PDF，确认真实数据集、四个配置、SOH/EOL 定义、异常标签和按电芯切分；单独评估加入阻抗通道带来的精度增益是否值得测量成本。

5. The absence of true association validation in supervised feature importance: Evidence from battery capacity prediction for second-life applications

论文基本信息

• 标题： The absence of true association validation in supervised feature importance: Evidence from battery capacity prediction for second-life applications
• DOI/URL： ScienceDirect 条目。本次未发现 DOI；RSS 条目未提供作者/DOI 字段。
• 发现来源： RSS/Web；source_history： RSS/Web，来源为 Journal of Energy Storage RSS 和 ScienceDirect PII 页面。RSS 条目正文写有 Author(s): Yoshiyasu Takefuji，但 payload 的结构化 authors[] 为空。
• 期刊/会议/预印本平台： Journal of Energy Storage；ScienceDirect 搜索结果将该条目列为该期刊的 research paper。
• 发表日期： 未能确认；RSS/Web 条目正文写 Publication date: 1 December 2026，该日期晚于本日报日期 2026-08-23，视为待确认的未来日期，不将其当作已核实在线发表日期。
• 作者和机构： Yoshiyasu Takefuji（仅有 RSS 条目作者文字证据；结构化作者字段为空）；机构未能确认。
• 通讯作者： 未能确认。
• 脚本评分： 60。命中 battery、capacity prediction、direct capacity prediction，命中 Journal of Energy Storage 核心存储期刊层级；来源为 journal RSS；未见权威作者加分理由。
• 证据等级： 元数据级。
• 核验路径： pdf_url：payload 未提供；URL（ScienceDirect PII 页面）→ web_extract 失败；DOI：RSS 未提供，无法继续；web_search 精确题名→找到 ScienceDirect abstract 条目和 Journal of Energy Storage 研究论文条目，但正文/摘要仍未成功提取。

纳入理由与原文证据

• 主题命中： 题名直接写明 battery capacity prediction for second-life applications；容量预测属于本监测范围内的 health/capacity degradation 预测相关任务。
• 证据： RSS/Web 元数据保留了完整题名、Journal of Energy Storage 来源和 ScienceDirect PII；精确题名搜索结果指向同一 ScienceDirect research paper，并显示其讨论 supervised feature importance 的 true association validation。由于页面抓取失败，不能补写研究方法、数据或数值。来源：ScienceDirect 条目。
• 边界判断： 它不是电池材料合成或储能调度论文；更像对二次利用电池容量预测中特征重要性/关联验证的 methodological critique。它可能对泄漏和解释性评估有价值，但尚未确认是否直接预测 EOL/RUL。

数据集/电池体系

• 电池体系： second-life battery；具体 Li-ion 化学体系未说明。
• 数据来源： 未能确认；电芯数量、退役状态、容量测试协议和数据是否来自真实 EV/实验室均未知。
• 规模与结构： 未说明；输入是否为 V/I/T、充电曲线、阻抗或人工特征未能确认。
• 工况与协议： 未能确认。
• 跨域覆盖： 未能确认是否跨电芯、退役批次、车辆或工况。

EOL/RUL/SOH 定义

• 目标： 题名只能确认 battery capacity prediction；SOH、EOL 阈值、RUL 单位均未说明。
• EOL 阈值与单位： 未说明。
• 标签生成： 未能确认容量标签、退役/second-life 阶段和测试流程。
• 未来信息风险： 信息不足；题名对 supervised feature importance 的批评使“特征选择是否在独立训练数据上完成”成为重点待审计问题，但不能在未读全文时断言存在泄漏。

模型方法

• 方法类别： supervised feature importance validation / battery capacity prediction；具体模型未能确认。
• 模型架构/流程： 未能确认；不能根据题名猜测 Random Forest、SHAP、XGBoost 或其他模型。
• 输入特征与输出目标： 输出大概率是容量，但其单位、预测阶段和输入特征未能从可访问内容确认。
• Baseline/消融： 未能确认。
• 在线部署： 未说明。

验证设计

• 数据划分： 未能确认。
• 独立测试与泛化： 未说明。
• 泄漏检查： 重点待查：特征重要性是否只在训练折计算、是否将测试集标签用于关联筛选、是否把相邻循环窗口随机分割，以及 second-life 退役批次是否真正留出。
• 验证可信度： 信息不足；精确题名和期刊页面可确认学术条目，但无法获取方法和实验。

指标与结果

• 点预测： 未能确认 MAE、RMSE、MAPE、R² 或容量误差。
• 分类/预警： 未说明。
• 不确定性： 未说明。
• 结果解释： 本卡不引用 RSS 之外的数值；未来日期和页面抓取失败使其暂不适合作为结果依据。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足。题名本身强调 supervised feature importance 的 association validation，反而使训练/测试隔离、特征筛选和关联检验必须优先核对。
• 复现性： 低 / 信息不足。未取得摘要/全文、数据、模型、代码和超参。
• 局限性： 作者、日期、DOI、数据、指标均未被完整结构化；RSS 日期明显晚于日报日期；当前只能作为方法学观察线索。

是否值得跟进

• 结论：观望，补全文后再决定。 题目可能对哥哥关注的特征重要性、验证和泄漏审计有帮助，但当前证据不足，不能当作容量预测 benchmark。
• 理由： second-life capacity prediction 与主题相符，且“true association validation”可能揭示常见解释性误区；不过没有可核验的模型或结果。
• 下一步： 等待/获取 ScienceDirect 正式摘要或 PDF，确认 DOI、正式出版日期、数据来源和特征重要性验证流程；若存在明确的独立测试和可复现实验，再加入方法学跟踪清单。