2026.08.30 · 电池研究日报

电池寿命预测论文每日监测报告（2026-08-30）

这是执行摘要，不是逐篇论文复述。正式论文卡片以可执行判断为中心；每篇卡片约 800–1200 个中文字符，未知字段写“未说明/未能确认”，不按常识补全。

今日结论

• 新增： 2 篇；全文级 / 摘要级 / 元数据级 / 线索级：1 / 1 / 0 / 0。第一篇只取得 IOP accepted-manuscript 题录与摘要，第二篇成功提取 PDF 全文。
• 最值得跟进： ① Adaptive Stage Segmentation and Model Selection for Data-Driven Online Remaining Useful Life Prediction of Lithium-Ion Batteries：把多阶段退化、在线变点分段与 EKF/贝叶斯更新结合，下一步获取可读全文并核对是否真正做到因果在线预测。② Resource-Constrained Embedded Neural Network SOC/SOH Estimation for Real-Time On-Device Battery Management：给出轻量化 SOC/SOH 联合估计和 INT8 指标，下一步先核验期刊/数据集、训练划分与真实硬件测试，再决定是否复现。
• 总体判断： 今日新增覆盖“在线 RUL 轨迹建模”和“资源受限 SOH 估计”两条路线。第一篇与哥哥的核心寿命预测方向直接相关，但实验数字和划分设计仍不可见；第二篇全文可读，却只在 500 条时序观测上报告 SOH/SOC，且没有 EOL/RUL 目标，工程结论应暂作条件性参考。当前更有研究价值的是第一篇的阶段自适应与容量轨迹更新，第二篇适合作为轻量部署的待核验基线。
• 质量提醒： ①第一篇 PDF 入口受订阅限制，未能确认完整 baseline、标签和数值结果；②第二篇全文含摘要中的“[X%]”占位符、表述不完整的指标句，以及“values to be entered”式结果说明，报告数字不能视为已独立复现；③第二篇仅称 500 条观测，电芯数量、SOH 标签来源、独立电芯留出和硬件型号均未说明；④ gold-label top-5 只有 2 条已标注相关，precision@5 为 0.40，不能外推整体精度。
• 检索规模： 发现记录 275 / 保留题录 23 / 过滤条目 252；252 是去重和主题门槛过滤出的检索噪声，不应当当作论文漏报。

论文总览

单篇论文分析

1. Adaptive Stage Segmentation and Model Selection for Data-Driven Online Remaining Useful Life Prediction of Lithium-Ion Batteries

论文基本信息

纳入理由与原文证据

• 主题/边界： 标题直接以锂离子电池在线 RUL 预测为目标，并把容量退化的多阶段结构作为模型选择依据，属于核心寿命预测任务。
• 证据： 摘要称采用 “adaptive degradation stage segmentation and model selection framework for online RUL prediction”，并称用公开的 MIT–Stanford 与 CALCE 数据集验证。IOP 摘要页

数据集/电池体系

• 体系/数据： 已确认 lithium-ion batteries，以及 MIT–Stanford battery dataset、CALCE dataset；电芯数量、具体化学体系、采样规模和公开版本未能确认。
• 工况/跨域： 温度、倍率、SOC 窗口、充放电协议、按电芯/工况覆盖和跨数据集留出方式未能从摘要确认。

EOL/RUL/SOH 定义

• 目标/定义： 输出为 RUL；EOL 阈值、RUL 单位、标签生成方式和是否采用固定容量保持率阈值未说明，不能自行套用 80% SOH。
• 未来信息风险： 论文声称在线，但变点检测、历史变点融合、归一化和退化轨迹重建是否只使用预测时点以前的信息尚未确认；需重点排查完整寿命曲线或后验平滑泄漏。

模型方法

• 流程： 容量退化数据 → 基于似然函数识别突变并做两阶段分段 → 融合历史变点和似然指标，为各阶段自适应匹配模型 → 用 EKF 融合实时观测与先验模型，并通过 Bayesian parameter updating 输出 RUL。
• 部署： 只确认“online”建模意图；传感器、更新频率、推理延迟、算力和不完整放电支持未能确认。

验证设计

• 划分/泛化： 摘要仅确认在 MIT–Stanford 和 CALCE 公开数据集上验证，并声称优于比较模型；随机窗口、按电芯留出、时间外推、外部独立测试和 baseline 清单未说明。
• 可信度： 中（信息不足）。问题和方法链条清晰，题录/摘要可由出版社核验，但无法判断在线因果性与跨电芯泛化。

指标与结果

• 摘要只称实验结果在 RUL 预测准确性和可靠性上优于比较模型；MAE、RMSE、MAPE、R²、预测步长、置信区间和各数据集分项数字均未能确认。
• 不能把脚本评分 67 当作实验结果，也不能把“reliability”解读成已校准的不确定性区间。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足至中高；需核查变点历史是否含未来周期、EKF 先验是否用完整曲线、数据标准化是否跨越测试电芯。
• 复现性： 信息不足；本轮未取得可读 PDF，代码、超参、随机种子、完整表格和数据处理流程未确认。
• 局限性： ①公开数据规模和工况未说明；②两阶段假设及模型选择在多阶段/非平稳退化上的边界未知；③没有可见的数值结果，暂不能判断收益是否来自分段而非数据处理。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 阶段自适应、EKF 与贝叶斯更新对在线 RUL 有直接方法价值。下一步获取 accepted manuscript，记录 EOL 标签、严格时间因果 split、按电芯外推结果和各组件消融，再在 CALCE/MIT–Stanford 公共轨迹上复算。

2. Resource-Constrained Embedded Neural Network SOC/SOH Estimation for Real-Time On-Device Battery Management

论文基本信息

纳入理由与原文证据

• 主题/边界： 论文直接估计 SOH，属于电池健康预测监测范围，但没有 EOL、RUL 或 cycle-life 目标，因此更接近寿命预测的相邻 BMS 任务。
• 证据： 全文称模型用于 “simultaneous SOC–SOH estimation”，并提出 structured pruning、knowledge distillation 和 INT8 quantization。PDF 全文

数据集/电池体系

• 体系/数据： Kaggle EV Battery Charging & Thermal Runaway Dataset；原文称含 500 条、间隔 1 分钟的时序观测，输入为电压、电流、温度、内阻、充电功率，目标为 SOC/SOH，体系为锂离子 EV 电池。电芯数量和 SOH 标注来源未说明。
• 工况/跨域： 数据来自充电观测；温度、倍率、SOC 窗口、跨电芯/跨化学体系覆盖和真实 BMS 独立测试未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 目标是连续 SOC 与 SOH 回归；SOH 的物理定义、容量阈值、EOL 标签和 RUL 单位均未说明，不能将 SOH 误写成已完成寿命预测。
• 未来信息风险： 文中称保持时间依赖的 train/validation/test 划分，但比例、边界、滑窗是否跨集合、Min-Max 参数和 Pearson 选择是否仅由训练集拟合未说明，存在时序泄漏检查点。

模型方法

• 流程： 电压/电流/温度/内阻/功率滑动窗口 → Min-Max 与特征选择 → 轻量 temporal/dilated convolution、residual blocks 和双头 SOC/SOH → 多任务 MSE；再做结构化剪枝、知识蒸馏和 INT8 量化。
• 部署： 论文声称面向微控制器/边缘设备，使用 Python/PyTorch；未说明具体硬件、功耗、编译后运行时或实际板端测量方法。

验证设计

• 划分/泛化： 仅确认同一 Kaggle 数据集按时间依赖划分 train/validation/test，并与 LSTM、GRU、TCN 比较；未确认按电芯 LOCO、外部数据或跨工况测试。
• 可信度： 低至中（信息不足）。全文和表格可读，但 500 条观测、未命名硬件、摘要含 [X%] 占位符，且结果段写有待填入实际结果的措辞，需谨慎采信。

指标与结果

• 表 2 报告 SOC：MAE 0.92%、RMSE 1.14%、MAPE 1.28%、R² 0.984；SOH：MAE 0.70%、RMSE 0.84%、MAPE 0.76%、R² 0.978。
• 表 3 报告 INT8 版本 96.5K 参数、0.10 MB 模型、0.58 MB RAM、2.60 ms 推理；但表 4 的 SOC MAE/RMSE 为 0.90%/1.10%，与表 2 不一致，且未给出硬件平台与重复测量细节。

泄漏风险、复现性与局限性

• 泄漏风险： 中高；需审计滑动窗口边界、全数据归一化/特征选择、同一电芯相邻观测跨 split，以及 SOC/SOH 目标字段是否间接进入输入。
• 复现性： 低至信息不足；数据集名称和 Python/PyTorch 可确认，但代码、固定窗口长度、超参、随机种子、硬件、功耗和量化校准流程未提供。
• 局限性： ①没有 EOL/RUL 与完整寿命曲线；②样本/电芯规模和标签质量不清楚；③期刊与文章内部结果表需进一步核验，暂不足以支持通用 TinyML 部署结论。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 轻量联合 SOC/SOH 结构可作为部署基线，但目前更像小样本概念验证。下一步核对期刊页面和 DOI 状态，下载 Kaggle 原始数据，确认 500 条观测的电芯身份与 SOH 生成方式，并按电芯留出重跑；只有补齐真实硬件、功耗和泄漏审计后才提升优先级。