2026.11.03 · 电池研究日报

电池寿命预测论文每日监测报告（2026-11-03）

今日结论

• 最值得跟进： ①《Physics-informed battery degradation prediction…》以单圈数据预测数百圈 V–Q 轨迹，优先核对其外部验证与 R² 原始表述；② cycle-consistency RUL 迁移方法对跨工况分布偏移有针对性，建议补查两组数据集与按电池划分细节；③ DAGF-GM-LSTM 使用充电曲线与放电热阻构造健康指标，先获取全文及 NASA PCoE 的逐电芯验证结果。
• 总体判断： 本轮主题覆盖 SOH/RUL 与容量退化轨迹；新近摘要呈现物理约束、域对齐、信号分解及多模型融合等路线。可核验的独立电芯/外部测试证据有限；Scientific Reports 论文报告随机 70/30 样本拆分，存在同电芯跨训练/测试的信息泄漏风险。检索 API 为 ranked sample，不是完整文献覆盖。
• 质量提醒： EPSR 论文出版社仅给出 2026-11 卷期日期，未确认 online-first 日；不将卷期月当作具体上线日。部分摘要未披露阈值、样本划分及逐项数值，均标为未说明。Gold-label Top-5 当前覆盖为 0/5，precision 未知，不是 0。
• 检索规模： 发现记录 555 / 去重后记录 362 / 重复记录 193 / 保留题录 233 / 过滤条目 129。前两项差为重复发现；过滤噪声按去重后口径计，不是漏报数量。
• run_id： 1363029373d743c9a7fec5cc6310196c；检索窗口：2026-10-04 to 2026-11-03。

论文总览

单篇论文分析

1. Lithium-ion battery state of health prediction enhanced by a Grey Model-long short term memory with dynamic attention and gated mechanisms

论文基本信息

纳入理由与原文证据

• 主题/边界： 目标为锂离子电池 SOH 预测，属于核心健康状态估计；摘要没有声称直接输出 EOL/RUL，不能把 SOH 指标外推成 RUL 结果。
• 证据： 出版社摘要确认使用动态充电斜率统计量、高压积分及放电动态热阻构造健康指标，并在 NASA PCoE 数据上验证；出版社摘要。

数据集/电池体系

• 体系/数据： NASA PCoE 锂离子电池数据；具体电芯数、化学体系、样本量及预处理在可访问摘要中未说明。
• 工况/跨域： 摘要称覆盖全生命周期与小样本场景；温度、倍率、SOC 窗口和跨电芯/跨工况划分未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 直接预测 SOH；SOH 标签计算方式、EOL 阈值及 RUL 单位未说明。
• 未来信息风险： 是否只使用预测时点之前的数据、是否以完整寿命曲线构造标签或调参，摘要未说明，需全文审计。

模型方法

• 流程： 充电曲线斜率均值、标准差和高压积分等健康指标，加上放电动态热阻；LSTM 捕捉非线性时序，Grey Model 适配小样本；注意力动态加权，再由门控在注意力融合与平均融合间抑制异常预测。摘要只宣称优于单一 LSTM/GM，具体消融设定未披露。
• 部署： 未说明 BMS 计算量、采样率、时延或在线更新实测。

验证设计

• 划分/泛化： NASA PCoE 全寿命和小样本条件；独立测试、电芯级留出及外部数据未能确认。
• 可信度： 信息不足；有实际数据集验证，但摘要没有报告划分协议。

指标与结果

• 摘要只报告相较 LSTM/GM 的 RMSE、MAPE 更低、R² 更高；没有可复核的具体数值与测试集规模，故不填数字。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点检查滑窗切分是否跨同一电芯、归一化是否使用测试数据、全寿命信息是否进入预测端。
• 复现性： 信息不足；当前未确认代码、超参、随机种子、数据链接或作者通讯信息。
• 局限性： ①摘要未给出电芯与工况覆盖；②SOH 定义及阈值缺失；③卷期日期只有月份且与本报告日期处于同月，在线日期需另核。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 方法把充放电特征与小样本模型融合，值得与常用 SOH 基线比较；先获取全文，确认数据分组、标签定义、精确指标和该文的 online-first 日期。

2. A transferable lithium-ion battery remaining useful life prediction method from cycle-consistency of degradation trend

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接针对锂离子电池 RUL，并明确处理不同工作条件下的退化分布偏移，属于寿命预测而非普通健康监测。
• 证据： 出版社摘要说明通过 cycle-consistency 将不同电池的相同退化阶段对齐，并对齐后用 Bayesian model averaging 集成 RUL 预测；出版社摘要。

数据集/电池体系

• 体系/数据： 两组锂离子电池数据集；可访问摘要没有列出数据集名称、电芯数量、化学体系及是否公开。
• 工况/跨域： 研究目标是多工作条件迁移；具体温度、倍率、SOC 与各域电芯规模需全文确认。

EOL/RUL/SOH 定义

• 目标/定义： RUL 预测；具体 EOL 失效阈值、RUL 单位及标签生成方式未在摘要说明。
• 未来信息风险： 需确认对齐比率的选择是否只用训练电芯、目标电芯早期历史是否严格限定在预测时点之前，以及是否以全寿命轨迹参与对齐。

模型方法

• 流程： Encoding Net 提取全局退化趋势并映射到表征子空间；cycle-consistency 使不同电池相同退化水平对齐；随后决定对齐比例并用 Bayesian model averaging 输出 RUL。摘要未列明基线及消融结果。
• 部署： 在线更新、计算成本和嵌入式部署均未说明。

验证设计

• 划分/泛化： 出版社称使用两个数据集验证，并主张多工况预测；摘要未说明按电芯留出、跨域 train/test 方向或外部测试是否独立。
• 可信度： 中；期刊摘要和机构页一致、研究设计直指域偏移，但缺少拆分细节与数值表。

指标与结果

• 摘要只称预测精度较高，未给 MAE/RMSE/RUL 误差、测试域电芯数或不确定性覆盖率；不能引用其他论文的对比数字代替。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；优先审计 cycle alignment、归一化和对齐比例选择是否触及测试电芯的完整退化轨迹。
• 复现性： 低至信息不足；目前未确认数据可访问性、代码、超参与随机种子。
• 局限性： ①摘要未列具体数据集与样本数；②“跨工作条件”主张缺少可见划分协议；③无可见的误差数值和校准结果。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： cycle-consistency 与 BMA 的组合直接针对跨工况泛化；获取全文后重建两组数据的域划分，检查测试电芯是否参与表征对齐，并比较无对齐/无 BMA 基线。

3. Enhancing electric vehicle battery lifespan: integrating active balancing and machine learning for precise RUL estimation

论文基本信息

纳入理由与原文证据

• 主题/边界： 将电芯主动均衡与电池 RUL 预测结合；均衡控制本身是相邻主题，但文章还单独训练七种模型估计 RUL，符合监测主题。
• 证据： Nature 全文给出 14 节电芯数据、70/30 随机划分，并报告 kNN 与随机森林 R²；全文。

数据集/电池体系

• 体系/数据： 论文称数据来自 Hawaii Natural Energy Institute：14 节 NMC-LCO 18650，标称 2.8 Ah，25°C，1000 圈，C/2 CC-CV 充电、1.5C 放电。RUL 输入变量包括 SOC、温度、电压/电流及 F1–F7 周期特征；数据由通讯作者合理请求提供。
• 工况/跨域： 报告单一温度与一组充放电率；未见跨化学体系或外部电池包验证。

EOL/RUL/SOH 定义

• 目标/定义： RUL 以达到作者设定的 EOL 阈值前剩余循环数表示；阈值数值未能在可读部分确认，不能套用常见 80% 容量线。
• 未来信息风险： 70/30 拆分按随机样本抽取，未见按电芯分组的证据；若同一节电芯不同循环同时进入训练与测试，模型可利用个体轨迹，导致 R² 偏高。

模型方法

• 流程： 文章另描述主动均衡控制；RUL 子任务从周期充放电记录提取特征，比较线性/岭回归、kNN、随机森林、多项式、梯度提升和 DenseNN。模型对比使用共同的数据拆分并报告交叉验证，但拆分层级不清。
• 部署： 主动均衡在 MATLAB/Simulink 中评估；RUL 推理延迟、BMS 算力与部署实测未说明。

验证设计

• 划分/泛化： 70/30 随机训练测试，文中提到 cross-validation；没有证据显示以电芯为独立分组或采用外部测试。
• 可信度： 低至中；全文可核对且给出数据描述，但随机样本拆分对多循环单电芯数据不够有力。

指标与结果

• 文中结论报告 kNN 与随机森林 R² 分别为 0.996457、0.996614，且称 MAE 较低；可读文本未提供 MAE 的精确值。属于点预测，未报告区间覆盖或校准结果。

泄漏风险、复现性与局限性

• 泄漏风险： 高；必须确认拆分是否将同一电芯周期记录分散到 train/test，以及特征选择/异常值清洗是否仅在训练折内拟合。
• 复现性： 中低；数据需向通讯作者申请，公开代码未能确认，文章列出交叉验证但未充分解释电芯级切分。
• 局限性： ①样本仅 14 节且单温度/倍率；②主动均衡模拟与 RUL 模型的证据链并非明确的闭环外场验证；③EOL 阈值与 MAE 需全文再核。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 主题直接且全文可读，但随机拆分带来显著泛化风险；先索取数据与代码，改用按电芯留出/LOCO 重算，并确认 RUL 标签阈值后再考虑工程价值。

4. Lithium-ion battery state of health monitoring and remaining useful life prediction based on support vector regression-particle filter

论文基本信息

纳入理由与原文证据

• 主题/边界： 同时研究 SOH 监测和到 EOL 的 RUL 预测，完全符合电池健康/寿命主题。
• 证据： 机构页摘要确认 SVR-PF 输出 SOH 监测、RUL 值并更新至 EOL 的 RUL 概率分布；哈工大摘要。

数据集/电池体系

• 体系/数据： 锂离子电池；可访问摘要未披露化学体系、测试电芯、样本规模、数据来源及工况。
• 工况/跨域： 未说明温度、倍率、SOC 窗口或跨电芯/跨工况验证。

EOL/RUL/SOH 定义

• 目标/定义： SOH 由容量退化参数表征；RUL 输出至 EOL 循环，并更新 RUL 概率分布。EOL 阈值及标签生成公式未说明。
• 未来信息风险： 需核验容量退化参数是否仅用预测时点以前数据，粒子滤波更新是否使用测试段观测，以及概率分布是否经过校准。

模型方法

• 流程： 以 SVR 与粒子滤波结合，构造容量退化参数用于实时 SOH 监测，并推断 RUL 及其分布；摘要将标准 PF 作为对照。具体核函数、状态转移与噪声假设需全文确认。
• 部署： 摘要称实时监测，但未给实时计算负载、采样率或嵌入式测试。

验证设计

• 划分/泛化： 机构摘要称有实验结果并比较 PF；测试电芯数量、时间划分、外部验证均未说明。
• 可信度： 信息不足；研究目标与比较对象明确，但没有可见实验协议。

指标与结果

• 摘要仅称 SVR-PF 较标准 PF 监测与预测能力更好，没有 MAE/RMSE、置信区间或概率校准数字。尽管概率分布可表达不确定性，但摘要未报告分位数覆盖率、置信区间或可靠性图，因此不能把概率输出等同于已校准的不确定性估计；也没有列出不同预测提前量下的误差变化。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；要检查滤波器初始化、观测窗口以及测试阶段观测如何进入逐步预测。
• 复现性： 低至信息不足；目前未确认公开数据、代码、超参或完整误差表。
• 局限性： ①摘要未列电芯与工况；②EOL 阈值和分布校准未知；③论文年代较早，需对照现代跨电芯基准重测。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 粒子滤波提供概率式 RUL 输出，适合作为不确定性基线；获取全文，查清数据源、EOL 定义及概率分布可靠性后再复现。

5. Lithium battery remaining useful life prediction using VMD fusion with attention mechanism and TCN

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接预测锂电池 RUL；容量信号分解是预测方法的一部分，不是单纯材料或循环稳定性研究。
• 证据： 出版社摘要称 VMD 拆分容量趋势与高频波动，再用 attention-TCN 学习时序；数据来自 University of Maryland 锂电池数据集；出版社摘要。

数据集/电池体系

• 体系/数据： 锂离子电池容量序列；摘要明确为 University of Maryland 数据集，但电芯编号、化学体系与样本量未说明。
• 工况/跨域： 摘要未说明温度、倍率、SOC 区间、是否跨电芯/跨工况或外部数据集。

EOL/RUL/SOH 定义

• 目标/定义： 输出 RUL；目标阈值、按循环数的标签生成方式和退化终点未在摘要披露。
• 未来信息风险： VMD 分解是否只在截至预测时点的历史窗口拟合、是否对完整测试序列先分解再切分，是首要泄漏检查点。

模型方法

• 流程： VMD 将测得容量分成总体趋势与局部高频分量；attention 为不同时间步分配权重；TCN 使用因果卷积提取时间特征并预测 RUL。摘要提及 raw capacity 与趋势/IMF 相关实验，未能确认完整基线表。
• 部署： 未报告在线分解成本、推理时延或 BMS 部署。

验证设计

• 划分/泛化： 进行多组比较实验；可访问摘要未说明 train/test 是按电芯、时间还是随机窗口划分。由于摘要未透露循环终点定义与切分粒度，当前不能判断是否以完整寿命作归一化，也无法判断不同电池间的泛化能力；确认这两项比继续调参更优先。
• 可信度： 中；方法与数据来源明确，但关键泛化协议及指标数值不可见。

指标与结果

• 出版社摘要只称方法在 RUL 预测中表现良好，没有列 MAE/RMSE、测试电芯或不确定性指标；不以引用次数替代实验结果。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；若 VMD 在全序列上估计模态或随机切窗，同一电芯的未来容量形状可能泄漏到输入表示。
• 复现性： 信息不足；数据源可定位，但代码、超参、随机种子、EOL 阈值未确认。
• 局限性： ①单一摘要所见数据来源；②没有公开可读的按电芯测试结果；③缺少量化误差和部署指标。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： VMD 可针对容量再生与高频扰动，适合作为时序基线；获取 PDF，按电芯重切分，并确保分解与特征归一化严格只使用历史训练数据。

6. Hybrid Battery Prognostics and Reliability Assessment for Li-Ion Batteries under Dynamic Driving Conditions

论文基本信息

纳入理由与原文证据

• 主题/边界： 摘要明确预测 RUL 并进行寿命/生存可靠性分析；SOC 估计与预测性维护是配套模块，主题资格来自寿命目标。
• 证据： PDF 摘要给出 LiFePO₄、DST/FUDS/US06 工况及 Weibull 生存分析；出版社 PDF。

数据集/电池体系

• 体系/数据： LiFePO₄ 电池数据，称来自 DST、FUDS、US06 驾驶循环及不同温度；具体数据集名称、样本电芯数、公开状态和温度数值未能从可读摘要确认。
• 工况/跨域： 有动态驾驶循环与多温度描述；数据是否来自同一数据源、各工况如何拆分、跨电芯独立性未说明。

EOL/RUL/SOH 定义

• 目标/定义： 估计 RUL 并以 Weibull 模型分析寿命/生存；EOL 阈值、寿命标签及 RUL 单位需全文复核。摘要提到平均寿命 1064 cycles，但不能据此推断 EOL 阈值。
• 未来信息风险： 需确认 Weibull 拟合是否只用训练/历史退化信息，以及可靠性曲线是否利用完整失效样本后验拟合。

模型方法

• 流程： OCV-SOC 与库仑计量/EKF 估 SOC；组合容量衰减、内阻增长、电压行为和能量损失形成多维 HI；再用退化趋势与 Weibull 随机可靠性模型估寿命，并衔接维护优先级。摘要称 Coulomb+OCV 的电压估计优于 EKF，但它不是 RUL 指标。
• 部署： 摘要称结构轻量，但没有 CPU、内存、时延、采样率或实机部署基准。

验证设计

• 划分/泛化： 摘要称在多驾驶循环和不同温度数据上做实验；按电芯/工况分组与独立测试方法未确认。需将两节电芯电压估计误差与寿命模型测试样本分开核算；摘要没有说明这两个数字是否来自同一批数据，也未说明跨电池、跨温度的 RUL 泛化是否独立验证。
• 可信度： 信息不足；能确认 RUL 目标与运行工况，但公开摘要不足以评估统计独立性。

指标与结果

• 摘要报告 Coulomb+OCV 电压 RMSE <0.02 V、MAPE <1%（两节电芯）；Weibull 平均寿命 1064 cycles、500 cycles 后生存概率 89.4%。这些数字属于摘要报告，尚未核对全文表格与寿命标签。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；核验多工况划分、删异常值是否基于测试集、寿命模型拟合是否触及完整寿命曲线。
• 复现性： 低至信息不足；PDF 可读但数据/代码链接和完整超参未确认。
• 局限性： ①样本量及来源不明；②RUL 阈值缺失；③摘要所列 SOC 电压精度与 RUL/可靠性数值需区分，不能互相替代。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 多循环与可靠性建模有应用关联，但关键阈值、样本数及独立测试缺失；优先查数据来源、寿命分布拟合与 1064-cycle 统计口径。

7. Lithium-ion battery remaining useful life estimation with an optimized Relevance Vector Machine algorithm with incremental learning

论文基本信息

纳入理由与原文证据

• 主题/边界： 研究锂离子电池 RUL 的在线估计，直接命中寿命预测主题。
• 证据： 机构摘要说明以 NASA 电池数据验证增量优化 RVM，并提出在线训练以应对连续监测数据；哈工大摘要。

数据集/电池体系

• 体系/数据： NASA 锂电池数据集；电芯化学体系、样本数、具体 NASA 子集、循环工况在摘要未说明。
• 工况/跨域： 摘要指出在线监测和小样本、多步预测背景，但未给跨电芯/工况测试协议。

EOL/RUL/SOH 定义

• 目标/定义： 输出剩余有用寿命；EOL 阈值、标签单位及容量定义未说明。
• 未来信息风险： 增量更新应只接收预测时点可观测数据；需核验多步训练是否使用未来标签、测试时是否按时间顺序在线更新。

模型方法

• 流程： 在 relevance vector machine 上实施增量式在线训练与参数优化，以降低小样本和多步预测误差；摘要强调更新效率，但没有列出参数优化算法细节或对照模型完整清单。
• 部署： 论文动机涉及在线与实时处理，但没有可见的延迟、硬件或存储开销数字。

验证设计

• 划分/泛化： NASA 数据集实验；起始点、训练/测试顺序、跨电芯留出和外部验证未在摘要说明。
• 可信度： 信息不足；任务与数据源可确认，但验证设计不可复核。

指标与结果

• 摘要仅称精度及运行效率改善，没有给 MAE/RMSE、预测提前量或置信区间数字；多步预测性能不可量化比较。RVM 可表达预测分布，在线增量策略也有应用价值，但若逐步更新方式与评价窗口不一致，比较将不公平；应固定预测时刻和更新预算，与未在线更新的 RVM/PF 做消融。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；关注增量学习的测试时更新边界、超参调优是否接触未来测试段及 EOL 标签构造。
• 复现性： 低至信息不足；代码、超参、随机种子及 NASA 子集映射未确认。
• 局限性： ①样本与工况信息缺失；②摘要没有具体结果数字；③旧论文的在线计算效率主张需要现代硬件与基线复核。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 增量 RVM 可作为在线概率预测传统基线；获取全文，复现 NASA 子集并统一逐步预测协议，补报误差与计算成本。

8. Physics-informed battery degradation prediction: Forecasting charging curves using one-cycle data

论文基本信息

纳入理由与原文证据

• 主题/边界： 预测未来 V–Q 曲线并据此描述容量退化轨迹，满足容量/退化轨迹预测；不把曲线预测误称为直接 RUL 输出。
• 证据： 出版社摘要称用单个当前循环 V–Q 曲线预测未来数百圈，并在 52 节不同类型/测试条件的电池上验证；出版社摘要。

数据集/电池体系

• 体系/数据： 52 节电池、不同类型及测试条件；摘要未列化学体系、数据集名称、每类电芯数或数据是否公开。
• 工况/跨域： 宣称覆盖不同测试条件，但未披露温度、倍率、SOC、测试条件与电芯间拆分方式。

EOL/RUL/SOH 定义

• 目标/定义： 输出未来电压–容量（V–Q）曲线，供增量容量曲线与退化分析；不是直接预测 EOL/RUL，具体 EOL 标签未涉及。
• 未来信息风险： 一圈输入限制了历史长度，但需确认评估窗口如何向未来滚动、同一电芯是否跨训练与测试，以及归一化是否使用完整未来曲线。

模型方法

• 流程： 轻量可解释物理模型与 physics-informed neural network 组合，把领域知识嵌入学习过程；摘要未披露网络层数、物理残差公式、基线和消融细节。
• 部署： 论文称有望用于车载，但摘要无推理延迟、算力或 BMS 实机数据，因此属于应用展望而非部署证明。

验证设计

• 划分/泛化： 在 52 节不同类型/条件电池上做广泛验证；摘要没有写按电芯/化学体系留出、外部数据测试或训练/测试比例。
• 可信度： 中；目标与样本数清晰，但泛化评估协议未公开于摘要。

指标与结果

• 摘要报告 RMSE 与 MAE 基本低于 0.035 Ah；关于 R² 的原文措辞是“basically less than 98.5%”，含义/单位不清，不能自行解释成 R²≥0.985。任务是连续曲线点预测，未见区间指标。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点查按电芯划分、曲线归一化、一次性整段未来推演与逐步滚动评估是否一致。
• 复现性： 信息不足；数据集清单、代码、参数与随机种子未能从摘要确认。
• 局限性： ①化学体系和数据源未细分；②预测未来数百圈的误差累积未在摘要给出；③R² 文字表述含混，需回查正文原表。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 少量早期曲线预测长期 V–Q 轨迹对早期寿命筛查有价值；优先查原表、逐电芯外推设计与未来多圈误差，再考虑复现 PINN 物理约束。

9. Improving electric vehicles sustainability: Accurate forecasting of lithium-ion battery health using machine learning models

论文基本信息

纳入理由与原文证据

• 主题/边界： 虽未在标题写 SOH，出版社摘要明确任务为锂电池 SOH 估计，符合健康状态预测主题。
• 证据： 摘要报告七个关键变量及 stacked regressor 的 SOH 预测；正文数据描述指向 Oxford 八节 Kokam pouch 电池；出版社页面。

数据集/电池体系

• 体系/数据： ScienceDirect 正文可读片段称 Oxford 电池老化数据集，8 个 Kokam 软包，初始 740 mAh，负极石墨、正极 LiMO₂（NMC）；其他循环协议及每节数据量未能从摘要段确认。
• 工况/跨域： 外部验证与跨化学体系测试未见说明；需全文确认训练/测试电芯和时间窗口。

EOL/RUL/SOH 定义

• 目标/定义： 预测 SOH；目标值是容量百分比、内阻指标还是其他健康变量，标签公式及阈值未在摘要写明；没有直接 RUL/EOL 输出。
• 未来信息风险： 以电压–时间曲线转折点和斜率构造特征；应确认这些特征只由预测时刻可获得的片段提取，避免整段充电曲线包含未来信息。

模型方法

• 流程： 提取电压时间曲线转折点、斜率等特征，Pearson 相关分析/特征筛选后输入随机森林回归、LightGBM 回归、SVR 与 stacked regressor；正文描述使用实际电池数据。基线的超参及消融需全文确认。
• 部署： 正文列有 Python 3.12.3、sklearn/TensorFlow 等实现环境与桌面硬件，但未证明 BMS 端延迟、功耗或在线部署。

验证设计

• 划分/泛化： 摘要称实验数据验证；正文片段未确认电芯级切分、交叉验证方法或独立外部测试。
• 可信度： 信息不足；可确认 SOH 目标和数据源，但准确率指标与拆分设计透明度不足。

指标与结果

• 出版社摘要称 stacked regression 的 SOH 预测 accuracy 为 99.36%；未在摘要定义该“accuracy”是 R²、相对误差还是其他计算方式，不能直接与回归 R² 对比。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；核验转折点特征的可用时刻、特征筛选是否在训练折内完成，以及相同电芯循环记录是否跨训练/测试。
• 复现性： 中低；数据源可定位，正文摘要显示软件/硬件环境，但代码、参数、随机种子和可下载数据未确认。
• 局限性： ①样本仅八节软包，且未见外部验证；②标签与“99.36% accuracy”定义不清；③未提供 RUL/EOL 的直接结果。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 任务符合 SOH 预测，且数据源较明确；获取全文确认标签、拆分与 accuracy 定义，优先重算 MAE/RMSE/R² 并做按电芯留出。

10. An RUL prediction approach for lithium-ion battery based on SADE-MESN

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接预测锂离子电池 RUL，并讨论在线预测与 EOL，属于核心主题。
• 证据： 出版社全文称用 NASA 锂电实验数据及独立实验数据验证，并开展不同预测起点和截止电压实验；出版社全文页。

数据集/电池体系

• 体系/数据： NASA Ames 的 18650 锂离子电池，额定容量 2 Ah；正文特别指出 B05 电池充放电数据，并称另有独立实验数据。该独立数据的完整来源与电芯数需进一步确认。
• 工况/跨域： 做不同预测起点与截止电压实验；具体温度、倍率、各数据集拆分及电芯级留出信息仍需全文表格核对。

EOL/RUL/SOH 定义

• 目标/定义： RUL 定义为到电池性能/健康下降至不能继续工作前剩余充放电循环；引言举出低于额定容量 80% 的常见判废阈值，但需核实该值是否正是本文实验标签设定。
• 未来信息风险： 使用间接健康指标做在线预测，必须确认指标选择与模型调参是否在预测点之前完成，独立实验数据是否未参与训练。

模型方法

• 流程： 从容量/充电数据构造四个间接健康指标并按与容量相关性筛选；自适应差分进化优化 monotonic echo state network 参数，对输出施加单调关系约束，实现在线 RUL 估计。基线包含常见 AI 预测方法，但需全文核实每项对照结果。
• 部署： 论文讨论在线预测，未见硬件、推理延迟和实际 BMS 运行数据。

验证设计

• 划分/泛化： NASA B05、独立实验数据、不同预测起点和截止电压测试；摘要/可读正文未充分说明跨电芯拆分与独立实验是否完全外部留出。
• 可信度： 中；验证变化维度比单一随机划分丰富，但独立测试边界与样本量仍须确认。

指标与结果

• 出版社全文摘要称方法优于常见 AI 算法且输出稳定，但本次可读段未提取到可核验的 MAE/RMSE 具体数值；不将定性结论转成数字。

泄漏风险、复现性与局限性

• 泄漏风险： 中至信息不足；需查间接 HI 选择、SADE 参数搜索是否使用测试数据，以及不同预测起点试验是否按时间隔离。
• 复现性： 中低；方法与 NASA B05 可定位，公开代码、超参、随机种子及独立实验数据获取方式未确认。
• 局限性： ①摘要未展示精确误差表；②B05 与独立实验数据的外部性不清；③80% 阈值是否用于本文标签需查全文。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 单调约束和起点/截止电压敏感性实验适合作为传统在线 RUL 基线；核对训练/测试边界后提取完整数字，再与现代迁移和 PINN 方法作统一协议复现。