2026.10.11 · 电池研究日报

run_id：87c3775dc9ec470faff27f7fa7c87b45

今日结论

• 新增： 发布 9 张正式论文卡片，全文级 / 摘要级 / 元数据级 / 线索级：1 / 7 / 1 / 0。papers[] 的 5 项均完成核验并纳入：其中 3 项在本轮检索中首次观察，2 项来自旧积压；另从低分复核队列核验并提升 4 项。预注册计划虽主题相关，但并非已完成研究论文，未制作正式卡片，已记录排除理由。
• 最值得跟进： ① Du 与 Ho 的 DVA 模块 SOH 估计覆盖完整/部分充电与退役电池二次利用场景，下一步索取全文核查模块构成和跨模块留出；② 卫星 NiH₂ 电池 RUL 研究稀缺且报告 LOBO 与跨化学体系验证，下一步取全文核验性能表与遥测时序切分；③ SEI-DCN 将 SEI 机理与少量早期生命周期信息结合，下一步确认“四个 lifecycle data”的精确定义并重跑公开数据。
• 总体判断： 本批覆盖 EOL 区间分类、RUL/容量轨迹预测和 SOH 估计，方法从元学习、物理引导网络到 DVA 特征回归。跨域/按电芯留出的实验比单一随机划分更有参考价值，但不少文章只有摘要或出版社预览，无法据此审计标签阈值、完整切分和泄漏控制；NiH₂ 工作扩展了锂电之外的监测范围。
• 质量提醒： 全部监测源健康，但 OpenAlex/Crossref 是相关性排序样本，RSS 是 feed 快照，并非穷尽式检索。论文一出版社刊期为 2026-10-01，而 OpenAlex 日期/记录创建时间呈 2026-06-17；采用出版社刊期，六月仅作为记录时间，不当作在线发表日。两篇论文 PDF/出版社页面直连提取受限，卡片标明了部分证据；10 月 9 日和 10 日已有报告仍待通知确认/重试，本轮会绑定重试并等待 cron 投递。
• 检索规模： 发现记录 561 / 去重后记录 369 / 重复记录 192 / 保留题录 245 / 过滤条目 124。重复发现与去重后噪声是不同口径，不代表漏报。检索窗口按 payload 为 2026-09-11 至 2026-10-11；其中被收录的旧论文来自保留积压或本轮索引发现，不表示近期发表。

论文总览

单篇论文分析

1. A model-agnostic meta-learning framework for few-shot prediction of battery end-of-life intervals

论文基本信息

纳入理由与原文证据

• 主题/边界： 目标是从稀疏、短连续时序中预测电池 EOL 区间，属于寿命终点预测；它是区间/类别预测，不是连续 RUL 数值。出版社摘要片段指出现有方法依赖完整生命周期数据，作者以 few-shot 设置回应稀疏观测。
• 证据： 出版社 highlights/摘要预览确认 MAML 框架、HyperPEMAML 和动态潜在嵌入；预览只给出“96%+ accuracy”而未提供对应数据集和切分细节。出版社文章页

数据集/电池体系

• 体系/数据： 标题与摘要针对电池 EOL，但公开预览没有说明化学体系、数据集名称、电芯数量、采样频率或生命周期覆盖；不能由“工业稀疏数据”推断为现场 BMS 数据。
• 工况/跨域： 摘要称面向跨域学习，未能确认具体源域/目标域、温度、倍率、SOC 窗口或不同化学体系的样本比例。

EOL/RUL/SOH 定义

• 目标/定义： 预测 EOL intervals 并进行少样本分类；区间边界、EOL 容量阈值、类别数量和标签生成规则在可访问预览中未说明。
• 未来信息风险： 需要确认任务构造是否使用完整寿命长度决定区间标签，以及训练/测试是否按电芯、批次或域隔离；目前无从审计标签是否包含未来寿命信息。

模型方法

• 流程： 短连续时间片段 → 深层动态潜在嵌入（DLE）与位置编码 → MAML 快速适应 → EOL 区间类别。出版社预览称 DLE 用于增强高阶特征交互与跨域泛化；具体骨干、损失、内外循环配置未能确认。
• 部署： 未确认在线计算、所需循环数、推理延迟或边缘设备资源。

验证设计

• 划分/泛化： 有 cross-domain learning 的定位，但域定义、few-shot 支持集大小、独立测试设计、基线列表和重复实验次数均未见于可访问摘要。
• 可信度： 信息不足；方法和目标经出版社预览核实，但缺少可复核的验证协议。

指标与结果

• 指标： 出版社 highlights 报告准确率 96% 以上，具体数据集、测试样本数、类别平衡、宏/微平均及置信区间未说明；不能与 RUL 回归误差直接比较。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；应重点检查按电芯/批次的独立划分、同一电芯相邻时间片跨集合及 EOL 标签是否由全寿命后验生成。
• 复现性： 低/信息不足；当前未确认代码、数据和超参数公开。
• 局限性： 可访问证据仅是出版社预览；“96%+”缺少实验语境；EOL 区间的工程阈值与少样本设置未能核查。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 面向稀疏数据的 EOL 分类值得关注。优先获取全文，核对区间标签、few-shot 设置、分域切分及准确率的类别平衡，再判断能否作为基准。

2. Adaptive Generalization in Lithium-Ion Battery RUL Prediction via Synergistic Attention–Residual Networks

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接进行锂离子电池 RUL 预测，并涉及容量衰减及跨化学体系泛化，符合寿命预测主题。
• 证据： 作者摘要称 ResCNN 由残差结构和 SE＋多头注意力构成，并进行了同数据集训练/验证/测试与严格 source-to-target 测试；MDPI 预览给出 LCO/graphite CALCE 目标集跨域结果。MDPI 文章页

数据集/电池体系

• 体系/数据： 摘要明确 LFP 与 LCO 正极体系，使用异质 benchmark 数据集；可访问预览未列全套数据集名称、电芯数、充放电倍率和温度范围。MDPI 结果片段涉及 CALCE 的 LCO/graphite 目标集。
• 工况/跨域： 作者将 lifetime distributions、cycling protocols 和 chemistry differences 纳入目标域迁移测试；具体各域样本组成及是否统一预处理未确认。

EOL/RUL/SOH 定义

• 目标/定义： RUL 预测；摘要称容量衰减过程为主要退化表征，但未能确认 RUL 标签单位、EOL 阈值和标签生成方式。
• 未来信息风险： source-to-target 测试声明无目标域训练，是较强的隔离信号；仍需全文检查归一化、阈值选择及目标域测试集是否参与超参数选择。

模型方法

• 流程： 退化序列 → 残差 CNN 提取特征 → SE 通道重标定与多头注意力建模长程依赖 → 输出 RUL。摘要报告做了模块消融；具体基线、损失函数和输入窗口长度未能从摘要确认。
• 部署： 未说明在线推理资源、运行延迟或 BMS 部署。

验证设计

• 划分/泛化： 同数据集 train/validation/test 加严格跨数据集 source-to-target 测试；至少一项预览结果声明 target domain 零训练。MDPI 片段称 CALCE LCO/graphite 目标域 RMSE 50.6 cycles、R²=0.831，同数据集结果 RMSE 48.3 cycles。
• 可信度： 中；跨域设计比单一随机切分更有说服力，但样本规模、置信区间与全部基线结果需要全文确认。

指标与结果

• 指标： 目标域 RMSE 50.6 cycles、R² 0.831；预览的同数据集对照 RMSE 为 48.3 cycles。摘要称整体误差低于比较基线，但不同数据集指标不可混合排序。

泄漏风险、复现性与局限性

• 泄漏风险： 中/信息不足；需检查切分是否按电芯隔离、窗口重叠与 scaler 是否仅由训练域拟合。目标域零训练是正向证据，但摘要不足以排除预处理泄漏。
• 复现性： 中/信息不足；Crossref 摘要明确实验设计，但代码、随机种子和完整数据配置未能确认。
• 局限性： 化学体系覆盖虽含 LFP/LCO，仍需核实具体 cell 数；跨域 RMSE 量纲为 cycles，但不同寿命分布会影响误差可比性；目前只有摘要/预览证据。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 跨域设置和 LFP/LCO 迁移对泛化研究有价值。获取全文后核对各数据集、目标阈值和完整 transfer matrix，再复现 CALCE 的零目标训练实验。

3. A generic physics-informed machine learning framework for battery remaining useful life prediction using small early-stage lifecycle data

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接预测快充锂电池 RUL，重点是早期生命周期数据不足；物理机理用于约束学习而非替代寿命预测。
• 证据： 出版社摘要确认 PI/data-driven 双分支、SEI 生长物理模型与扩张 CNN，并称在 Stanford–MIT–Toyota battery dataset 上验证。ScienceDirect 摘要

数据集/电池体系

• 体系/数据： 快充锂离子电池，使用 Stanford–MIT–Toyota 电池数据集；摘要未给电芯数量、化学体系、快充倍率或观测时长。
• 工况/跨域： 摘要称在不同测试条件和 lifetime ranges 下验证，并声称在训练集生命周期范围/运行条件变化时保持表现；未列具体温度、充电协议或每个测试域样本数。

EOL/RUL/SOH 定义

• 目标/定义： 预测剩余放电循环数，属于 RUL；摘要未说明失效容量阈值、标签生成和预测起点的精确定义。
• 未来信息风险： 仅用早期数据是方法动机，但“four lifecycle data”对应四个循环、四个采样点还是四段数据，在摘要未展开；须核对切分是否将同一电芯的后续循环泄漏进训练。

模型方法

• 流程： 早期观测 → SEI 生长物理模型和线性投影构成物理分支；数据驱动分支使用扩张 CNN；三步训练先拟合数据分支，再对齐物理一致性，最后联合微调。物理模型可替换性是作者提出的框架特征。
• 部署： 未确认在线更新、计算量或 BMS 部署实测。

验证设计

• 划分/泛化： 摘要报告在多种测试条件和寿命范围比较标准 DCNN 与其他方法，并测试不同物理退化模型的适应性；具体训练/验证/测试电芯划分、基线名称和重复次数未提供。
• 可信度： 中/信息不足；公开数据与物理分支明确，但无法从摘要审计是否按电芯留出。

指标与结果

• 指标： 摘要只定性称 SEI-DCN 在“仅用四个 lifecycle data”条件下准确度较高并超过基线，没有可访问的 MAE/RMSE 数值；不补写论文未核实的实验数字。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点检查小样本选择是否先看完整寿命、生命周期数据是否跨训练/测试重叠，以及物理参数是否用测试电芯拟合。
• 复现性： 中；数据集可定位，Crossref 记录为开放许可，但本轮未确认代码、完整参数和训练脚本。
• 局限性： 目前依据出版社摘要；“四个数据”的统计单位不清；多测试条件的具体范围与外部验证规模需全文确认。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 物理一致性和少早期样本符合数据受限场景。获取 PDF 后先澄清四个 lifecycle data 的定义，再按电芯划分复现并做 SEI 模型替换消融。

4. AttMoE: Attention with Mixture of Experts 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： 以容量序列预测锂离子电池 RUL，论文定义 RUL 为到达预设失效阈值前的剩余循环数；不是普通健康监测。
• 证据： 全文报告 NASA 与 CALCE 两个公开数据集的留一电池评估；AttMoE 在 NASA/CALCE 的 RUL 相对误差分别为 0.2000/0.0761。作者全文 PDF

数据集/电池体系

• 体系/数据： NASA 数据含四个锂离子电池记录，流程包括充电、放电和阻抗测量；另使用 University of Maryland 的 CALCE 数据。全文未说明 CALCE 完整电芯数。
• 工况/跨域： NASA 与 CALCE 分别独立评估，未报告跨数据集迁移；作者指出 CALCE 容量序列噪声高于 NASA。温度与电流的跨工况泛化未做系统覆盖。

EOL/RUL/SOH 定义

• 目标/定义： RUL 按 EOL cycle number 减当前等效循环数计算；文中概述容量降至初始容量 70% 或 80% 时可视为 EOL，但没有在摘要表格里明确每个数据集具体采用哪个阈值。
• 未来信息风险： 输入由容量滑动窗口构造，实验以电池为单位留出，有助于隔离同电池序列；仍应核验窗口、归一化和 EOL 标注是否只用训练电池统计量。

模型方法

• 流程： 容量序列归一化并经 dropout mask 去噪 → 多头注意力提取长程依赖 → noisy Top-K 门控 MoE 专家融合 → 输出容量/RUL。对照包括 MLP、LSTM、GRU、Dual-LSTM；另做无 MoE、无 dropout 消融。
• 部署： 作者比较训练耗时并称注意力模型比循环网络训练更快；未给出边缘设备延迟或在线资源测量。

验证设计

• 划分/泛化： leave-one-out：每轮留一电池测试，其余用于训练，论文称共五轮并取平均；不是随机窗口混分。只在 NASA、CALCE 两组公开数据上验证。
• 可信度： 中；按电池留出是优点，但数据规模有限，且阈值和 CALCE 具体划分仍需进一步核对。

指标与结果

• 指标： NASA RE=0.2000、MAE=0.0760、RMSE=0.0872；CALCE RE=0.0761、MAE=0.0577、RMSE=0.0794。单位与归一化尺度应按原表解释，不能与另一数据集的 cycles RMSE 直接比较。

泄漏风险、复现性与局限性

• 泄漏风险： 中低；全文明确按电池留出，但五轮评估的样本数较少，需确认所有预处理/超参选择均在训练折内。
• 复现性： 中高；作者公开 GitHub 项目，PDF给出主要超参范围、Adam 与训练硬件（RTX 3090、128GB RAM）；数据来自公开库。具体随机种子未确认。
• 局限性： 仅两套公开数据、对真实在线工况覆盖不足；NASA/CALCE 结果尺度不同；EOL 阈值对结果影响需要统一复核。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 论文有完整方法和留一电池结果，适合作为 attention/MoE 基线。先核对阈值及归一化，再用统一电芯级划分与近期模型比较。

5. Lithium-ion battery remaining useful life prediction based on interpretable deep learning and network parameter optimization

论文基本信息

纳入理由与原文证据

• 主题/边界： 标题直接指向锂电 RUL 预测，方法包括可解释特征贡献分析和网络剪枝；属于寿命预测而非单纯分类健康监测。
• 证据： 出版社预览称先量化输入各部分贡献并移除无用数据，再以结构化剪枝压缩网络；预览报告移除无用数据后准确率提高 0.27%，组级剪枝后预测速度平均提升 23.17%。ScienceDirect 预览

数据集/电池体系

• 体系/数据： 题名确认锂离子电池；可访问出版社预览及 Crossref 题录未说明使用的数据集、电芯规模、化学体系或采样信号，不能按领域常见做法推断为 NASA/CALCE。
• 工况/跨域： 未能确认温度、充电策略、训练测试批次或不同电芯/工况覆盖；这些信息需从全文补齐。

EOL/RUL/SOH 定义

• 目标/定义： 预测 remaining useful life；阈值、单位、标签构造和预测起始窗口未在可访问片段中给出。
• 未来信息风险： 解释算法筛选重要输入时需核查特征排名是否用全数据拟合；若按时间段或片段随机划分，同一电池相邻周期可能造成泄漏，目前无法判断。

模型方法

• 流程： 融合深度学习模型 → 解释每个特征/输入部分对预测的贡献 → 删除无用数据片段 → 结构化/组级剪枝冗余网络参数。具体骨干结构、解释器、稀疏阈值和基线在预览中不完整。
• 部署： 研究关注预测速度和参数精简，但未能确认模型规模、设备、延迟基准或在线 BMS 运行测试。

验证设计

• 划分/泛化： 出版社预览说明在选定数据集上分别预测电池寿命，并报告 MAE、RMSE、MAPE；数据集、按电芯划分及是否独立测试尚未确认。
• 可信度： 信息不足；方法线索来自出版社预览，但缺少验证方案和实验表，不能据此判断泛化优劣。

指标与结果

• 指标： 预览给出特征删减后准确率提高 0.27%、组级剪枝后预测速度平均提高 23.17%；未确认准确率定义、样本划分及具体 MAE/RMSE/MAPE 数字，不能把这些摘要片段当作可比误差。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点检查特征重要度筛选和剪枝是否仅在训练折执行，以及时间窗口/电芯划分是否隔离。
• 复现性： 低/信息不足；SSRN PDF 下载提取失败，尚未核实代码、数据和超参。
• 局限性： 公开预览不足以还原方法细节；数据集与电芯划分未知；速度/准确率提升缺少完整基线定义。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 可解释输入选择与结构压缩值得关注，但需先取得全文和数据划分信息；确认后再判断 23.17% 加速是否以精度、设备或批量推理为同口径比较。

6. Application of a TimeXer model incorporating ECM based features in battery remaining useful life prediction

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接进行锂离子电池 RUL 预测，并把容量退化轨迹与物理健康特征结合，满足主题。
• 证据： Springer 摘要说明方法在 Oxford Battery Degradation Dataset 和 NASA Randomized Battery Usage Dataset (Random Walk) 上验证；Oxford 平均 MAE 为 0.00268，平均误差降低超过 50%。Springer 摘要

数据集/电池体系

• 体系/数据： 两套公开锂电数据：Oxford Battery Degradation Dataset 与 NASA 随机使用/Random Walk 数据集；Springer 说明未生成新实验数据。电芯数、化学体系和样本时长需从正文核实。
• 工况/跨域： NASA Random Walk 用于随机操作条件下的测试；摘要称有较强跨条件泛化，但未披露 Oxford/NASA 间是否直接迁移或分别训练。

EOL/RUL/SOH 定义

• 目标/定义： 研究目标为 RUL 与退化轨迹预测；公开摘要未说明 EOL 容量阈值、RUL 单位、标签生成或预测起点。
• 未来信息风险： ECM 参数通过递归最小二乘在线辨识是正向设计；仍需确认 health indicator 和归一化是否使用测试电池全寿命数据，以及外推区间是否与训练标签重叠。

模型方法

• 流程： 一阶 RC 等效电路模型 → 递归最小二乘在线辨识参数 → 构建六个高阶健康指标、相关分析选五项为外生变量 → TimeXer 双路径注意力融合容量序列与物理信息 → IWOA 全局优化超参数。
• 部署： 在线参数辨识被纳入流程，但没有可访问的运行延迟、BMS 资源或现场部署报告。

验证设计

• 划分/泛化： 在 Oxford 与 NASA Random Walk 公开数据验证。摘要称随机工况下仍保持较低误差，但没有给出电芯级划分、外部测试或重复种子。
• 可信度： 中/信息不足；物理输入和公开数据清楚，然而切分方案和对照基线细节需全文确认。

指标与结果

• 指标： Oxford 平均 MAE=0.00268，摘要称平均误差降低超过 50%；MAE 量纲/归一化定义与对比基线未在预览中展开。NASA 仅定性报告低误差，不补写数字。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点核查六个健康指标的相关性筛选是否只在训练集做、RLS 初始化是否独立，以及测试集是否参与 IWOA 调参。
• 复现性： 中；数据公开，但代码、参数、随机种子和训练配置未能确认。
• 局限性： 订阅正文不可访问；Oxford MAE 的尺度未确认；摘要没有披露 NASA 的定量结果和完整跨域切分。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： ECM 物理指标与 TimeXer 注意力结合值得复现。优先核实 MAE 单位、超参搜索边界、数据切分和 IWOA 是否读取测试信息。

7. Remaining useful life prediction of lithium-ion batteries by physics-interpretable enhanced electrochemical features and adaptive spline modeling based on TCN-KAN

论文基本信息

纳入理由与原文证据

• 主题/边界： 标题与出版社摘要明确为锂离子电池 RUL 预测，并将电化学可解释特征与自适应样条模型结合，符合寿命预测主题。
• 证据： 出版社摘要片段称采用阻抗先验的 physics-informed TCN-KAN，报告最小预测 RMSE 0.00421、RUL 预测误差 1.7%–2.6%；单位及实验条件未在片段中出现。ScienceDirect 文章页

数据集/电池体系

• 体系/数据： 题名确认锂离子电池，摘要片段提到 electrochemical/impedance features；未能确认阻抗测量数据来源、数据集名称、电芯数、化学体系或试验循环方案。
• 工况/跨域： 未知；没有可核实的温度、倍率、SOC 窗口或跨电芯/跨化学体系范围。

EOL/RUL/SOH 定义

• 目标/定义： 目标为 RUL；可访问片段没有定义 RUL 单位、EOL 阈值或标签生成方式。
• 未来信息风险： 阻抗先验是否在预测时可获得、数据采样相对于 EOL 的时间点，以及训练/测试电芯分离均需从全文确认；当前不能排除预处理使用全寿命信息。

模型方法

• 流程： 增强电化学特征/阻抗先验 → TCN 提取时间特征并与 KAN/自适应样条建模组合 → 输出寿命预测。具体特征构造、样条结点、损失函数和比较基线尚未能核实。
• 部署： 未有推理速度、在线可用阻抗采集成本或 BMS 实测信息。

验证设计

• 划分/泛化： 出版社页面只返回摘要片段，未确认公开/自建数据、按电芯留出、跨工况测试或重复实验。
• 可信度： 信息不足；题名和指标片段有出版社来源，但缺少实验设计与完整结果表。

指标与结果

• 指标： 检索到的出版社摘要片段报告最小 prediction RMSE=0.00421，以及 RUL prediction errors 1.7%–2.6%；RMSE 对应目标和单位、百分比误差定义、测试集均未能确认，不能直接和其他论文排序。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；核查阻抗特征采集时点、归一化/特征筛选是否仅基于训练电芯，以及 spline/TCN 超参是否使用测试集。
• 复现性： 低/信息不足；未确认代码、数据、参数、随机种子。
• 局限性： 完整摘要与全文不可访问；RMSE/误差片段缺少单位和测试集；阻抗先验实际采集成本未知。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： TCN-KAN 与可解释电化学特征是可比较的模型路线。先获取全文核对阻抗数据来源、RUL 标签及按电芯划分，再决定是否纳入统一 benchmark。

8. A novelty-driven hybrid CNN+NN model for remaining useful life prediction of satellite battery

论文基本信息

纳入理由与原文证据

• 主题/边界： 明确预测卫星电池 RUL，且主体为镍氢电池，符合不限于锂电的监测范围；锂电数据用于额外验证。
• 证据： Springer 摘要报告两年卫星 NiH₂ 遥测训练/测试、同任务另一块 NiH₂ 电池验证、NASA B0005/B0006/B0007/B0018 测试及 LOBO 交叉验证。Springer 摘要

数据集/电池体系

• 体系/数据： 两年卫星运行遥测的 NiH₂ 电池，含充电、放电和 idle 模式；另用同任务一块 NiH₂ 电池以及 NASA 四块锂离子电池。数据获取方式为向通讯作者合理申请。
• 工况/跨域： 有同任务另一电池验证、NASA 锂电测试和合并数据 LOBO；摘要没有提供遥测采样频率、温度、负载范围或跨化学体系样本平衡。

EOL/RUL/SOH 定义

• 目标/定义： 预测电池 RUL；摘要未说明 NiH₂ 的 EOL 阈值、RUL 标签单位或卫星寿命定义。
• 未来信息风险： 两年时序数据的切分方式是关键；需要核对是否按时间向前预测，LOBO 是否在任何特征归一化与调参之前隔离测试电池。

模型方法

• 流程： 运行遥测时序 → CNN 与 NN 混合模型 → 输出 RUL；对照 XGBoost、SVR、CNN、NN、LSTM 和若干 LSTM 混合模型。摘要未给 CNN/NN 结构细节。
• 部署： 研究基于卫星遥测，未报告星载处理器算力、延迟、在线更新或辐射环境部署测试。

验证设计

• 划分/泛化： 论文摘要列出同任务另一 NiH₂ 电池验证、NASA 锂电数据测试和合并数据 Leave-One-Battery-Out 交叉验证；未提供每种设置的电池数量和时间分割细节。
• 可信度： 中；存在跨电池和跨化学体系验证设计，但目前只有摘要，无法审核训练/测试边界及指标表。

指标与结果

• 指标： 摘要称 CNN+NN 在 NiH₂ 与锂电数据上有竞争力的 MAE 和较高 R²，优于比较方法；具体数值在摘要中未给出，故不补写。

泄漏风险、复现性与局限性

• 泄漏风险： 中/信息不足；需检查同一任务遥测的时间泄漏、LOBO 前的特征处理，以及 NASA 电池是否参与训练或仅作外部测试。
• 复现性： 低/中；数据需向通讯作者申请，未确认代码公开；摘要列出对照但未给超参/随机种子。
• 局限性： 卫星 NiH₂ 数据可获得性受限；正文与性能表需订阅；跨化学体系虽有测试，但不等于训练数据中已覆盖全部化学差异。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 卫星 NiH₂ RUL 与 LOBO 验证是少见方向。联系通讯作者获取遥测/全文，优先核实预测时序、各电池 MAE/R² 和锂电数据是否完全独立。

9. Differential Voltage Analysis Based Data-driven Approach for Battery Module SOH Estimation

论文基本信息

纳入理由与原文证据

• 主题/边界： 研究明确估计电池模块 SOH；SOH 可用于健康状态判定并关联剩余寿命，因此符合本监测范围，但不属于直接 RUL 回归。
• 证据： 摘要报告四个商业电池模块、1C 充电老化数据、完整与部分充电两种应用情境，并给出平均误差百分比。ACM 文章页

数据集/电池体系

• 体系/数据： 四个商业电池模块；使用 cycle-aged modules 的 1C 充电数据，并考虑退役 EV 电池二次利用的完整充电与部分充电。化学体系、模块容量、循环次数及采样规模未见于可访问摘要。
• 工况/跨域： 1C 充电条件明确，完整/部分充电两种输入范围明确；是否跨模块留出或按模块交叉验证未知。

EOL/RUL/SOH 定义

• 目标/定义： 目标为 SOH 估计，摘要没有说明 SOH 具体按可用容量、额定容量还是其他量定义，也未直接给出 RUL 标签。
• 未来信息风险： DVA 曲线由充电电压/容量关系计算，须核验部分充电情形下所用曲线区段是否仅来自推理时可用数据，以及模块标定周期是否泄露测试 SOH。

模型方法

• 流程： 充电数据 → differential voltage (DV) 曲线 → 提取分段曲线面积与分段均值两类健康特征 → TheilSenRegressor → SOH 估计。摘要未说明特征标准化、段数/边界和基线模型。
• 部署： 部分充电场景面向退役 EV 二次利用，但未报告采集时间、推理开销或在线部署测试。

验证设计

• 划分/泛化： 研究四个商业模块并比较 full/partial charging，摘要未说明模块级留出、交叉验证、训练测试样本划分或外部验证。
• 可信度： 中/信息不足；样本来自商业模块且覆盖部分充电是优点，但模块数只有四个，切分细节不明。

指标与结果

• 指标： Crossref 摘要报告完整充电平均误差百分比 0.65%，部分充电 0.98%；误差百分比的具体分母/汇总方式未说明，不能当作 RUL 误差。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点检查四个模块是否在训练和测试间分离、SOH 标定是否使用测试模块全部老化历史，以及 DVA 分段选择是否在测试后调整。
• 复现性： 低/信息不足；摘要提及 TheilSenRegressor，但未确认原始曲线、代码、参数或标注可获取。
• 局限性： 仅四个模块；性能数字来自摘要且误差定义未知；SOH 估计不能直接等同于 RUL 预测。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： DVA 对部分充电健康估计及退役模块分选有实际意义。获取全文确认 SOH 定义、模块级测试和部分充电区间，再评估其作为 RUL 上游健康指标的价值。