2026.09.12 · 电池研究日报

电池寿命预测论文每日监测报告（2026-09-12）

这是执行摘要，不是逐篇论文复述。本轮脚本捕捉 5 条新增记录；其中 Zenodo concept DOI 10.5281/zenodo.22684300 与 version DOI 10.5281/zenodo.22684301 经官方记录确认是同一篇文章的概念记录/版本记录，合并为 1 张正式卡片，因此报告 4 篇合格论文。每篇卡片只保留对研究决策有用的信息；未知字段写“未说明/未能确认”。

今日结论

• 新增： 4 篇合格论文卡片（原始新增记录 5 条，合并 1 条 Zenodo concept/version 重复）；全文级 / 摘要级 / 元数据级 / 线索级：2 / 2 / 0 / 0。
• 最值得跟进： ① NBE-VLT-PFO（Frontiers in Artificial Intelligence，评分 73）：可访问全文且同时预测 SOC/SOH/RUL，下一步按电芯重做切分与泄漏审计；② DAPR-Net（Journal of The Electrochemical Society，评分 72）：用退化速率自适应卷积和跨电芯原型检索，下一步获取 PDF 核对指标、外部泛化和原型库是否泄漏；③ Integrated Analysis of EIS, DCIR, and SoH（Batteries，评分 71）：给出抵抗量、SoH 与 EOL 外推的可解释数字，下一步确认完整实验设计和 EOL 阈值。
• 总体判断： 今日信号覆盖三条路线：多任务深度模型、退化机理/跨电芯表示学习，以及低复杂度 EIS/DCIR 诊断。NBE-VLT-PFO 和 IJERT 文章提供了全文级材料，但前者的随机样本切分、周期号特征和预处理边界带来明显泄漏疑点，后者存在数据集表述和指标口径不一致。DAPR-Net 的方法方向最有新意，但目前仍只有摘要证据；EIS/DCIR 论文更适合做可解释诊断基线，不应直接等同于经过严格外部验证的 RUL 模型。
• 质量提醒： ① arXiv 本轮批量请求超时，返回 0 篇属于请求失败，不是无相关论文；② Frontiers 文章声称 NASA/CALCE 跨数据集泛化，但 80/20 样本切分、归一化和特征选择是否按电芯隔离未说明；③ DAPR-Net 和 EIS/DCIR 的全文未成功取得，不能补写未公开的架构参数或实验细节；④ IJERT 文章把 NMC-LCO 14 节电池、NASA/CALCE 表格和“National Aeronautics and Space Administration (CALCE)”混在一起，结果只能观望。
• 检索规模： 发现记录 / 保留题录 / 过滤条目 = 261 / 21 / 240；240 条是检索噪声过滤量，不应视为论文漏报。

论文总览

单篇论文分析

1. NBE-VLT-PFO: hybrid deep learning transformer architecture for joint estimation of lithium-ion batteries

论文基本信息

纳入理由与原文证据

• 主题/边界： 文章直接把 SOH 与 RUL 作为电池内部状态预测目标，属于电池健康预测和寿命预测，不是只做 SOC 或热管理。它还声称覆盖跨数据集泛化，但该结论需要按电芯重核。
• 证据： ① 摘要明确写出模型用于 “SOC, SOH, and RUL predictions from raw battery cycle data”：Frontiers 全文。② Table 11 给出 NASA→CALCE 与 CALCE→NASA 的跨数据集结果：全文表格。

数据集/电池体系

• 体系/数据： 文章的 Table 3 给出 NASA battery dataset、29,180 个样本、8 个特征，Table 4 列出 24 个电池 ID；正文还报告使用 CALCE 做对比和跨数据集测试。可确认是锂离子电池数据，但 CALCE 部分的具体电芯、化学体系与样本构成未完整说明。
• 工况/跨域： 正文提到电压、电流、温度、容量、内阻、循环号等变量，且 Figure 5 只描述六个电池的部分可视化；温度、倍率、SOC 窗口、按电芯切分规则和外部数据独立性未能确认。NASA/CALCE 的表格口径存在不够清晰之处。

EOL/RUL/SOH 定义

• 目标/定义： 输出为 SOC、SOH、RUL 三个回归目标；文章没有明确给出 SOH 公式、EOL 阈值、RUL 单位或标签生成规则，不能自行套用 80% 容量阈值。正文只展示 RUL 随循环号下降的趋势。
• 未来信息风险： 特征分析和归一化的拟合边界未说明；循环号与 SOH 的相关性很强，若随机抽样窗口而非按电芯/时间切分，可能把同一寿命轨迹的信息带入测试集。完整寿命曲线是否用于标签也需核查。

模型方法

• 流程： 原始充放电/循环特征 → 特征编码、IQR 异常值剔除、Pearson 相关筛选、Min–Max 归一化 → NBE 非线性分解 → MMD-VLAE 分层潜表示 → Transformer 多头注意力 → attention fusion → SOC/SOH/RUL 输出；PFO 用于超参数搜索。消融包括 NBE、NBE-VLAE、NBE-Transformer、NBE-VLT，优化器比较包括 PSO、GWO、WOA、HHO、SSA。
• 部署： 文章将目标描述为 BMS/实时监测应用，但未给出部署硬件、推理延迟、内存、在线更新或传感器成本。PFO 的表格执行时间 114 秒是优化过程，不是在线推理延迟。

验证设计

• 划分/泛化： 文中明确给出 80% 训练、20% 测试，并给出 NASA/CALCE 互测结果；但没有说明随机样本是否跨越同一电芯、归一化和特征筛选是否只在训练集拟合，也没有清晰给出 LOCO 或严格时间外推。
• 可信度： 中低。全文和表格可访问，指标记录较完整；但随机样本切分、周期号输入、数据集描述不一致和潜在预处理泄漏足以削弱跨电芯泛化结论。

指标与结果

• NASA 上，SOC 为 R²=0.9943、RMSE=0.0225、MAE=0.0164；SOH 为 R²=0.9606、RMSE=0.0414、MAE=0.0243；RUL 为 R²=0.9936、RMSE=0.0196、MAE=0.0156。
• Table 11 的跨数据集 RUL R² 为 NASA→CALCE 0.9825、CALCE→NASA 0.9919；这些数字是论文报告值，不代表已排除同电芯/同分布泄漏，也没有看到不确定性区间校准结果。

泄漏风险、复现性与局限性

• 泄漏风险： 高；优先检查同一电芯或相邻循环是否同时出现在训练和测试、周期号与派生容量特征是否使用了未来信息，以及 Pearson 筛选/Min–Max 统计量是否在全数据上拟合。
• 复现性： 中低。文章给出主要模块、PFO 参数和公开数据说明，并提供一个 Google Drive 数据链接；代码、固定划分、随机种子、完整特征表和模型权重未确认。
• 局限性： ① 目标定义和数据切分不够清楚；② CALCE 表格与 NASA 数据描述衔接不严谨；③ 没有可验证的现场 BMS 延迟/功耗和不确定性校准证据。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 多任务结构、NASA/CALCE 互测和完整表格对 benchmark 有参考价值，但必须先把“高 R²”降级为待复核结果。下一步下载/保存原始数据，按电芯和时间重做 split，固定训练集预处理，再与简单容量退化模型、LSTM/Transformer 和不带 PFO 的版本对比。

2. A Degradation-Adaptive Prototype-Retrieval Network for 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： 标题直接命中 Lithium-Ion Batteries 的 RUL prediction，且摘要把非平稳容量退化作为核心问题，属于寿命预测主线。
• 证据： ① 摘要给出 “Degradation-Adaptive Prototype-Retrieval Network (DAPR-Net)” 及其退化速率自适应模块：IOP 页面。② 摘要确认实验覆盖 NASA、CALCE、TJU，并报告 CALCE 选择 (3,7,15) 卷积核配置：IOP 页面。

数据集/电池体系

• 体系/数据： 只能确认使用 NASA、CALCE 和 TJU 电池寿命数据；摘要没有给出电芯数量、化学体系、循环上限、容量阈值、输入变量或是否为公开原始数据的具体版本。
• 工况/跨域： 文章强调操作扰动导致退化非平稳，但温度、倍率、SOC/DoD、充电协议、跨电芯/跨工况覆盖和每个数据集的测试范围未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 明确目标是 RUL prediction；RUL 的单位、EOL 阈值、标签生成方式、预测起点和是否额外估计 SOH 未说明，不能补写常见容量阈值。
• 未来信息风险： 原型库是跨电芯共享表示，需核对原型是否只由训练电芯学习；还需检查退化速率估计是否使用完整未来容量、窗口构造和归一化是否触及测试电芯。

模型方法

• 流程： 退化速率估计器提取逐步 aging-pace → DARB 根据退化阶段软路由多核因果卷积 → DPRB 以可学习的跨电芯 prototype bank 检索局部/全局表示 → dual-stream recombination 输出 RUL。摘要提到与 GPR 的相对表现按电芯和指标变化，并做了卷积核尺寸测试。
• 部署： 摘要未说明传感器、计算量、延迟、在线更新、模型大小或 BMS 部署方式；只能确认 CALCE 上选出较紧凑的 (3,7,15) 配置并声称降低复杂度。

验证设计

• 划分/泛化： 可确认至少在 NASA、CALCE、TJU 上做了实验，并比较 GPR；但电芯级留出、LOCO、时间外推、外部测试集、训练/验证/测试比例和调参流程均未能确认。
• 可信度： 信息不足到中等。方法和数据集方向由出版社摘要确认，但缺少误差表、置信区间和切分细节，不能据摘要断言跨电芯泛化成立。

指标与结果

• 摘要没有给出 MAE、RMSE、R²、提前量、置信区间覆盖率或各数据集的数值结果；只说相对 GPR 的结果依赖电芯和指标。
• 可记录的选择结果是 CALCE 的 (3,7,15) 核配置在测试中降低了聚合预测误差和模型复杂度，但误差定义、基准值和统计显著性未能确认。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点检查 prototype bank 是否使用测试电芯、退化速率特征是否含未来信息，以及核尺寸和超参是否依据测试结果选择。
• 复现性： 低/信息不足。DOI、作者、机构和摘要可追溯，但数据版本、代码、超参、随机种子、窗口长度和模型权重未确认。
• 局限性： ① PDF/全文受订阅限制；② 没有可核对的原始指标；③ 操作扰动和跨数据集泛化的范围仍不清楚。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 退化速率自适应感受野加跨电芯原型检索，直接对应哥哥关注的非平稳退化和跨电芯泛化。下一步获取 Accepted Manuscript，优先抽取电芯级 split、prototype 训练边界、RUL 标签、GPR/强基线对比和每个数据集的完整误差表。

3. Integrated Analysis of EIS, DCIR, and SoH for Degradation Diagnosis and Durability Assessment of NCM811 Lithium-Ion Batteries

论文基本信息

纳入理由与原文证据

• 主题/边界： 文章直接研究 NCM811 锂离子电池的 SoH、退化诊断和 EOL 外推，属于寿命/健康预测的可解释诊断路线；它不是单纯的阻抗材料表征。
• 证据： ① 摘要明确组合 EIS、DCIR 和 SoH，并做 EOL extrapolation：Crossref 摘要。② 摘要报告 interfacial resistance 增长 422.7% 和 DCIR–SoH 线性关系 R²=0.956：OpenAlex 记录。

数据集/电池体系

• 体系/数据： 混合动力车 NCM811 锂离子电池模组；测量/重分析对象包括 EIS、DCIR 和 SoH。摘要说明在 0、400、800、1200 周期取得数据，并扩展到 2000 周期、共六个 checkpoint；电芯数量、模组容量和完整测量协议未说明。
• 工况/跨域： 车辆工况、温度、倍率、SOC 窗口、静置条件、是否多模组/多批次和外部验证均未能确认。摘要不能支持跨化学体系泛化。

EOL/RUL/SOH 定义

• 目标/定义： 研究使用 SoH、EOL extrapolation、DCIR 和电阻增长/容量退化作为目标或诊断量，但摘要没有给出 SoH 公式、EOL 阈值、RUL 单位和标签生成规则。EOL 预测更像寿命曲线外推，不应直接等同于逐周期 RUL。
• 未来信息风险： 六个 checkpoint 的幂律外推高度依赖完整时间序列和模型形式；需要核对 EOL 阈值、外推起点、模型选择是否看到了后续 checkpoint，以及 2000 周期数据是否为真实观测而非用于评估的后验信息。

模型方法

• 流程： EIS/DCIR/SoH 周期数据 → 幂律回归、指数回归和跨指标相关分析 → EOL 外推；同时比较 DCIR 或电阻量对 SoH 的低复杂度近似。摘要未说明使用的等效电路、频率范围、拟合损失或基线细节。
• 部署： 论文讨论电阻-only monitoring 可近似 SoH、无需完整 EIS，但摘要明确指出这些更广泛的 BMS/state-estimation 应用尚未实验验证；传感器、采样频率和在线延迟未说明。

验证设计

• 划分/泛化： 可确认从四个到六个 checkpoint 比较 EOL 模型不确定性，且比较幂律与指数形式；没有看到独立电芯测试、滚动预测、外部模组或跨工况验证设计。
• 可信度： 中低。摘要给出清晰的数值和物理解释，但样本量、checkpoint 独立性、模型选择和误差分布不明，不能把结果外推到车队或其他 NCM811 模组。

指标与结果

• 欧姆电阻在循环中基本不变，界面电阻增加 422.7%；幂律模型对 RE、DCIR、SoH 的 R² 分别为 0.998、0.999、0.990，指数 SoH 模型为 0.870。
• EOL 模型形式差异由约 3.5 倍 缩小到 1.6 倍：由 2776/9831 cycles 收窄为 3124/4908 cycles；DCIR 与 SoH 线性关系 R²=0.956。这些均是摘要报告值，全文未核验误差置信区间。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足偏高；重点核对同一模组的时间点是否同时用于模型选择与评估、EOL 外推是否使用后验全寿命，以及六个 checkpoint 是否足以支撑长期预测。
• 复现性： 低/信息不足。题录、摘要、作者机构和主要数字可追溯，但原始 EIS/DCIR 数据、代码、拟合参数、阈值和完整实验协议未确认。
• 局限性： ① 可能只有单一混合动力模组；② 观测点稀疏且 EOL 外推不确定性较大；③ resistance-only BMS 应用在摘要中被明确列为尚未实验验证。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 它为 RUL 深度模型提供了低复杂度、可解释的退化基线，尤其适合比较“电阻信号能否替代完整 EIS”。下一步获取全文，确认 SoH/EOL 定义、完整测量协议、模组数量和时间外推验证，再决定是否加入诊断 benchmark。

4. Remaining Useful Life (RUL) Analysis of Deep Learning Approaches for Lithium-ion Battery

论文基本信息

纳入理由与原文证据

• 主题/边界： 文章直接预测锂离子电池 RUL，并比较 CNN、RNN/LSTM 与 FNN，属于电池寿命预测。其方法和结果可以作为低门槛基线，但论文质量与数据口径需要单独审计。
• 证据： ① 正文写明研究对象为 “14 NMC-LCO 18650 batteries, cycled 1000 times at 25°C”：IJERT 全文。② 正文表 2 报告 FNN 训练/测试 R²=99.95%/99.55%：IJERT PDF/HTML。

数据集/电池体系

• 体系/数据： 正文结果段落称数据来自 14 个 NMC-LCO 18650 电池，25°C、1000 次循环；方法段落使用 Battery-RUL.csv，输入包括 discharge time、4.15V 停留时间、恒流时间、电压区间时间、最大/最小电压和 charging time 等特征。数据可用性声明另给出 Google Drive 链接。
• 工况/跨域： 主要实验工况可确认 25°C，但不同倍率、SOC/DoD、充电协议和按电池切分未说明。文章后面的 Table 10/11 又声称 NASA、CALCE 结果和互测，且出现 “National Aeronautics and Space Administration (CALCE)” 的混合标签，数据来源边界不清。

EOL/RUL/SOH 定义

• 目标/定义： 文章把目标变量称为 Remaining Useful Cycle/RUL，并在引言中将初始容量 80%称为 EOL，同时又出现容量下降 20–30%即失效的表述；这是作者自身口径不一致，不能当作已确认的统一标签定义。还包含以 RUL 阈值做 Health/Near Failure 分类。
• 未来信息风险： 电压/时间特征是否从预测时点可得、RUL 标签是否使用完整未来寿命、随机 80/20 切分是否让同一电池的相邻循环跨集合，正文均未充分说明。特征重要性也可能使用了全数据统计。

模型方法

• 流程： Battery-RUL.csv → 二值编码/Min–Max 缩放 → CNN、RNN/LSTM、FNN；CNN 正文写有 128/64/32 ReLU 隐藏层、batch size 32、100 epochs，RNN 使用 LSTM，FNN 为全连接回归。另用 RUL 阈值做二分类并报告 accuracy/F1/recall/precision。
• 部署： 文章声称可与 BMS 结合，但未给出传感器约束、推理延迟、硬件、在线更新或功耗；代码、固定环境和随机种子未确认。

验证设计

• 划分/泛化： 正文明确写 80% training / 20% testing，训练阶段另提 validation split 0.2；没有明确按电池留出或时间外推。NASA/CALCE 的跨数据集表格与 14 节 NMC-LCO 主实验之间缺乏可核对的数据说明。
• 可信度： 低。全文和表格可访问，但 split、标签、数据集命名和指标百分比/小数口径存在明显疑点；不能把极高 R² 当作可靠泛化证据。

指标与结果

• 分类方面，FNN accuracy 99.50%、F1 99.49%、recall 99.46%、precision 99.53%；CNN accuracy 98.29%，RNN 98.31%。
• RUL 回归表中 FNN 训练/测试 R² 为 99.95%/99.55%，CNN 为 96.26%/96.28%，RNN 为 87.60%/87.71%。另一张跨数据集表给出 NASA→CALCE 的 RUL R²=0.9825、CALCE→NASA=0.9919，但其数据来源和计算流程未能独立确认。

泄漏风险、复现性与局限性

• 泄漏风险： 高；随机样本切分可能把同一电池相邻循环放入训练和测试，且周期/时间特征与 RUL 强相关。需检查缩放、特征重要性和分类阈值是否使用测试集信息。
• 复现性： 低。虽然给出数据链接、部分层数和训练参数，但没有代码、完整 CSV 版本、固定 split、随机种子、MAE/MSE 全表或可核对的 NASA/CALCE 数据清单。
• 局限性： ① 14 节 NMC-LCO 主实验与 NASA/CALCE 表格关系不清；② EOL/RUL 标签口径不一致；③ 只有实验室/单温度信息，不能据此推断真实工况 BMS 泛化。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 文章可作为“随机切分会得到多高分”的反例和低门槛基线，但不适合直接用于方法排名。下一步只核对原始 Battery-RUL.csv、电池级 split、EOL 标签和 NASA/CALCE 表格来源；若无法复现，则保留审计记录，不纳入核心 benchmark。