2026.10.02 · 电池研究日报

电池寿命预测论文每日监测报告（2026-10-02）

这是执行摘要，不是逐篇论文复述。除第 4 篇可访问出版社全文外，其余内容主要基于结构化题录与摘要；未知字段明确标为“未说明/未能确认”。

今日结论

• 新增： 5 篇；全文级 / 摘要级 / 元数据级 / 线索级：1 / 4 / 0 / 0。
• 最值得跟进： ① KAD-Mamba（Journal of Energy Storage，评分 84）：直接针对 SOH 并报告 CALCE/APR 跨电芯泛化；下一步获取 PDF，核对跨电芯划分、基线和数值指标。② 泄漏受控的区间安全验证（Machines，评分 65）：全文可读且把“零 false-safe”放在点误差之前；下一步抽取 NASA Battery 的完整表格并复现实验门槛。③ 频率加权 EIS-RUL（Sensors，评分 61）：七电芯、时间外推与留一电芯测试同时出现；下一步核对 LR2032 的 EOL 标签和频率权重是否使用了未来信息。
• 总体判断： 今日新增从模型结构、机理建模、验证协议到部署综述形成互补。KAD-Mamba 代表 KAN 与状态空间模型结合的 SOH 方向；EIS 论文强调电化学频域信息；Machines 论文则提醒电池寿命预测不能只看平均 RMSE/MAE。Applied Energy 论文虽聚焦液流电池而非锂电，但对 capacity fade 的机理解释和跨工况验证有参考价值。
• 质量提醒： 4 篇出版社页面或 PDF 未能由抓取器成功打开，结论不能替代全文核验；第 1、2 篇的 Crossref 卷期日期分别为 2026-12、2027-01，与 OpenAlex 在线日期 2026-09-29 不一致，暂以在线日期记录并保留冲突。第 3 篇是宽泛期刊的综述，未提供新的实验结果；第 4 篇是跨发动机、轴承和电池的验证方法，电池结论需单独拆解。
• 检索规模： 发现记录 260 / 保留题录 12 / 过滤条目 248。过滤条目 是被主题与评分规则过滤的检索噪声，不应解读为论文漏报。

论文总览

单篇论文分析

1. Lithium-ion battery state of health estimation based on a hybrid kernel adaptive selective state-space model

论文基本信息

纳入理由与原文证据

• 主题/边界： 标题和摘要直接针对锂离子电池 SOH 估计，并把容量衰减轨迹作为长期状态空间建模对象，属于核心寿命预测任务。
• 证据： 原文称提出 “KAN–Adaptive–Delta Mamba state-space model (KAD-Mamba)”；并称在 “CALCE and APR datasets” 上评估跨电芯泛化。DOI

数据集/电池体系

• 体系/数据： 锂离子电池；摘要明确 CALCE 与 APR，未说明电芯数量、化学体系细分、采样频率和是否公开代码。
• 工况/跨域： 摘要只说明不同退化轨迹与跨电芯泛化；温度、倍率、SOC 窗口和具体划分未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 目标是 SOH 估计；没有给出 SOH 公式、EOL 阈值、RUL 单位或标签生成方式。
• 未来信息风险： 未能确认容量序列是否按时间截断、特征是否使用完整寿命曲线，以及跨电芯测试是否严格隔离。

模型方法

• 流程： 容量/退化相关时序输入 → KAN 的 B-spline 非线性表示与 Δ 自适应状态转移 → KAD-Mamba → SOH 估计。摘要强调对容量衰减曲率、倍率滞回和循环特征失真建模，但基线与消融未说明。
• 部署： 未能确认在线更新、推理延迟、传感器要求或 BMS 计算资源。

验证设计

• 划分/泛化： 摘要报告 CALCE/APR 上的跨电芯泛化，但未说明是 LOCO、按电芯留出还是随机窗口划分。
• 可信度： 中等偏低；问题定义和数据集清楚，但缺少可审计的划分、基线和完整指标。

指标与结果

• 摘要仅声称预测准确性、鲁棒性和时间一致性改善，未给出 RMSE、MAE、MAPE、R² 或独立测试集的原始数字，不能把脚本评分当实验结果。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点检查容量归一化、后验平滑、完整寿命特征和按电芯隔离。
• 复现性： 信息不足；数据集名称已给出，但代码、超参、随机种子和训练细节未能确认。
• 局限性： 仅摘要可访问；APR 的具体含义和化学覆盖未说明；暂无外部真实 BMS 验证证据。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 评分最高且方法组合新颖，适合作为 SOH 时序模型 benchmark 候选。优先获取 PDF，核对跨电芯划分、完整数字、消融以及 KAD-Mamba 相对 Mamba/Transformer/KAN 基线的增益。

2. A novel transient zero-dimensional physics-based model of vanadium redox flow batteries with electrolyte crossover-induced capacity fade

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接研究液流电池因电解液 crossover 造成的 capacity fade，并进行容量预测，符合退化轨迹和寿命预测范围；体系不是锂电，但监测范围不限定锂电。
• 证据： 摘要称模型经 “300 charge-discharge cycles” 实验验证，平均容量预测误差小于 2.58%。DOI

数据集/电池体系

• 体系/数据： vanadium redox flow battery；实验数据覆盖 300 次充放电，并考察不同电流密度与电池尺寸。电堆规模、膜材料和数据公开方式未说明。
• 工况/跨域： 已确认跨电流密度、跨尺寸验证；温度、SOC 窗口和独立测试划分未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 目标是容量与电解液体积预测、解释 crossover-induced capacity fade；未定义 SOH/RUL/EOL 阈值，也未说明容量衰减标签规则。
• 未来信息风险： 物理模型依赖运行历史，需检查参数校准是否使用了全周期数据，以及验证周期是否独立于参数识别。

模型方法

• 流程： 离子/质子迁移、渗透压和旁路电流 → 瞬态 0-D 方程；修正对流项与压力差项，并用 Schlögl 方程描述渗透驱动水传输 → 容量与电解液体积预测。与 conventional model 的基线比较已在摘要确认。
• 部署： 可用于运行控制和退化分析的理论指导，但实时计算成本、在线参数更新和传感器需求未说明。

验证设计

• 划分/泛化： 300 次充放电实验验证，另有不同电流密度和尺寸场景；是否按时间外推、按设备留出或重复实验未能确认。
• 可信度： 中等；有明确物理机制和实验验证，但全文不可访问，验证独立性与统计重复信息不足。

指标与结果

• 平均容量预测误差 <2.58%；电解液体积预测误差 <5.33%；摘要还指出渗透压驱动传输是电解液失衡的主要贡献者。未能确认误差分布、置信区间和相对 conventional model 的完整表格。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；需核对参数拟合与测试周期的时间隔离。
• 复现性： 信息不足；方程改动可理解，但材料参数、边界条件、实验原始数据和代码未确认。
• 局限性： 只覆盖 VRFB；0-D 简化可能遗漏空间分布；尚无长期现场运行或不同化学体系外部验证。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 对液流电池容量衰减的机理解释和跨工况验证有价值，但与哥哥当前锂离子 RUL benchmark 的直接可比性有限。获取全文后重点抽取参数辨识流程、误差基线、重复实验和 EOL 可用性。

3. An AI-Enabled IoT Framework for Real-Time Battery Health Monitoring and Remaining Useful Life Prediction of Lithium-Ion Batteries in Electric Vehicles: A Comprehensive Review

论文基本信息

纳入理由与原文证据

• 主题/边界： 综述直接覆盖 EV 电池 SOH 评估、退化预测和 RUL 预测，属于主题内的研究导航项；但它不是新的预测模型实验。
• 证据： 页面称框架把安全关键决策留在车端，同时在云端进行 fleet-wide training 与长期 RUL forecasting；并强调物理一致性、校准不确定性和跨化学体系稳健性。期刊页面

数据集/电池体系

• 体系/数据： 综述对象为 EV 锂离子电池，讨论公开电池数据集、BMS/IoT 传感与数字孪生；没有新的原始电池数据或样本规模。
• 工况/跨域： 文章提出关注温度、化学体系和使用域变化，但具体文献筛选范围、工况覆盖和跨域实验未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 概念上覆盖 SOH、退化 forecasting 和 RUL；未给出统一 SOH 公式、EOL 阈值、RUL 标签或寿命单位。
• 未来信息风险： 作为综述不直接训练模型；其结论依赖所纳入文献的验证协议，原文未能确认系统综述检索式和排除标准。

模型方法

• 流程： 车端 sensing/health indicators → 边缘侧安全决策与低延迟监测；云端模型训练、长期 RUL、生命周期分析，并结合机器学习、深度学习、physics-informed learning、transfer learning 与 digital twin。
• 部署： 明确讨论 edge-cloud、安全、网络连接和 cybersecurity；实际算力、延迟、在线更新策略未说明。

验证设计

• 划分/泛化： 没有新的独立测试集或模型对比实验；提出跨温度、跨化学体系与跨使用域的泛化要求。
• 可信度： 信息不足；作为架构综述可作路线图，不应与有独立电芯测试的实证论文等量齐观。

指标与结果

• 未报告本研究原创的 RMSE、MAE、MAPE、R² 或区间覆盖数字；“低预测误差、物理一致性、校准不确定性、计算效率”等是综述提出的部署要求，不是本文实验结果。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；需核对综述检索、文献筛选与引用归纳是否可审计，而非电池时序数据泄漏。
• 复现性： 低至信息不足；页面未确认检索式、数据库、编码表、补充材料或代码。
• 局限性： 期刊范围宽；无原创实验；作者机构和通讯作者信息未能补齐。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 可用于补充 EV 边缘—云部署和不确定性评价的关键词，不作为模型 benchmark。若获取 PDF，优先核验参考文献覆盖、综述方法和其列出的公开数据集清单。

4. Leakage-Controlled Grouped Validation and Interval-Safety Calibration for RUL/SOH Prediction Using Engine, Battery, and Bearing Degradation Data

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接处理电池 RUL/SOH 预测的验证安全、分组划分和区间校准，虽同时包含发动机与轴承，但电池数据和 NASA Battery 是明确子任务。
• 证据： 论文指出低平均误差仍可能在 intervention threshold 附近低估退化；其 gate 要求 coverage 至少 0.90、zero false-safe、zero interval-level intervention miss、underwarning 不高于 0.05。MDPI 全文

数据集/电池体系

• 体系/数据： NASA Battery 与 NASA C-MAPSS、PRONOSTIA/FEMTO、XJTU-SY、IMS 五类公开退化基准；电池化学体系和 NASA Battery 电芯数量需以表格进一步核对。
• 工况/跨域： 每个数据集采用 30 个预定义 grouped seeds；研究强调按物理资产分组，而非把同一轨迹的行随机分散。

EOL/RUL/SOH 定义

• 目标/定义： 研究同时评估 RUL、SOH、预测区间和 maintenance-decision zones；摘要未给出电池专属 EOL 阈值，不能套用常见 80% SOH。
• 未来信息风险： 正文明确检查 RUL 列、目标衍生健康变量、cycle order、future-derived features 与 file-path metadata；但选择只在合格候选中进行，gate 结果仍是 selection-conditioned。

模型方法

• 流程： 数据集特定候选模型池 → 按资产分组的泄漏检查与重复验证 → 先过区间安全 gate，再按区间宽度/点误差筛选。论文不是提出单一通用网络，而是提出可跨资产复用的验收协议。
• 部署： 关注 maintenance intervention 与 urgent/critical 区域；在线延迟、车端算力和部署接口未说明。

验证设计

• 划分/泛化： 5 个数据集、每个 30 个 grouped seeds，共 150 个 dataset-seed cases；正文还报告 26,910 次候选评估。NASA Battery 的分组验证比 row-wise split 更接近按电芯泛化。
• 可信度： 高（方法与全文结果可审计），但跨资产合并的安全 gate 仍不能替代每个具体 BMS 的外部现场验证。

指标与结果

• 主 gate：global 与 urgent/critical coverage ≥0.90、false-safe=0、interval-level intervention miss=0、underwarning≤0.05。
• 加强 gate：mean interval width ≤0.50、nonurgent lower-bound intrusion≤0.10；IMS、PRONOSTIA/FEMTO、XJTU-SY 为 30/30 seeds，NASA Battery 为 24/30，C-MAPSS 为 8/30。NASA Battery 与 C-MAPSS 仍出现 point-level intervention misses。

泄漏风险、复现性与局限性

• 泄漏风险： 低至中；分组策略和显式检查是优点，但候选筛选的 selection-conditioned 评价及点级漏警仍需警惕。
• 复现性： 中等；公开数据集和预定义 seeds 已明确，候选池、超参与代码可得性未从可访问内容完全确认。
• 局限性： 电池只是多资产之一；安全 gate 对 C-MAPSS 较难满足；经验覆盖不等同于逐资产保证。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 它直接补足寿命预测中常被忽视的 false-safe 与分组泄漏问题。下一步下载正文表格，抽取 NASA Battery 的特征、候选模型、区间算法和 seed 配置，并在现有 benchmark 上复现主/加强 gate。

5. Frequency-Weighted EIS Manifold Learning for Lithium-Ion Battery Remaining Useful Life Prediction

论文基本信息

纳入理由与原文证据

• 主题/边界： 标题直接针对锂离子电池 RUL，核心贡献是从 EIS 中提取与退化相关的频率信息并预测寿命。
• 证据： 摘要称采用 frequency-weighting、KPCA 与 SVR，并在七节 LR2032 电池上进行 chronological test 与 held-out-cell tests。DOI

数据集/电池体系

• 体系/数据： LR2032 数据集中的 7 节锂离子电池；输入为 EIS 随老化的频域信息，摘要未说明电芯化学、采样频段细节和是否公开代码。
• 工况/跨域： 1 个按时间的测试、6 个留出电芯测试；温度、倍率、SOC 窗口和跨批次覆盖未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 目标为 RUL；结果使用 cycles² 表示 MSE，说明预测单位与循环相关，但 EOL 阈值、RUL 标签生成和 SOH 定义未说明。
• 未来信息风险： 需核对频率先验、线性 bias correction 和 moving-average smoothing 是否只使用预测时点以前的数据，尤其是 chronological test 的处理。

模型方法

• 流程： EIS → 按频带设置 degradation-related frequency weights → KPCA 非线性降维 → 超参优化 SVR → 线性偏差校正与移动平均平滑 → RUL。摘要未列完整 baseline 和消融。
• 部署： EIS 测量本身的硬件、扫描时长、在线可用性和 BMS 成本未能确认。

验证设计

• 划分/泛化： 同时包含 chronological test 和 6 个 held-out-cell tests，较单纯随机窗口更能检验时间与电芯泛化；测试是否完全独立仍需全文核对。
• 可信度： 中等；留出电芯设计是优点，但样本只有 7 节，且全文未成功获取。

指标与结果

• 平均 MSE=59.434 cycles²、平均 R²=0.989，摘要称相对 baseline 持续更优。未能确认每节电池分布、MAE、置信区间和统计显著性。

泄漏风险、复现性与局限性

• 泄漏风险： 中等；留出电芯降低跨电芯泄漏，但需核对频率权重、bias correction、平滑窗口及超参优化是否访问测试序列。
• 复现性： 信息不足；方法链条清楚，数据、代码、频率分带和超参细节未确认。
• 局限性： 仅七节 LR2032；EIS 测试的在线成本未说明；无现场车载或跨化学体系验证证据。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 对 EIS 作为寿命早期健康指标有直接价值，且含留出电芯测试。下一步获取 PDF，核对 EOL 标签、EIS 频段、测试时序、平滑实现和与深度模型的公平比较。