2026.11.04 · 电池研究日报

电池寿命预测论文每日监测报告（2026-11-04）

今日结论

• 最值得跟进： ①《Battery Capacity Knee-Onset Identification…》以 LFP/NMC 电芯及合成数据验证拐点识别，并报告按电芯重复划分的早期预测；建议复核补充材料中的误差曲线和代码。②《Simplified modeling approach…》提供退役 Renault Zoe 模组的二次利用寿命建模实测；应索取保密数据可比的外部验证。③《Remaining useful life prediction…multiple-formula battery》针对配方迁移和缩短循环测试，优先获取全文查清跨域划分。
• 总体判断： 本轮既有实测寿命建模与RUL研究，也有综述观点、容量/拐点预测及仅仿真验证的粒子滤波工作。验证强度差异很大：部分摘要未披露分组协议，SCIRP文章的回归任务定义和“准确率”口径尤其不清；需避免把摘要宣称当成外部复现证据。
• 质量提醒： 多篇题录日期存在月度/上线日期差异；Future Batteries的Crossref/OpenAlex日期与ScienceDirect月份不一致。Crossref 本轮没有传输失败，但预算耗尽后跳过4个查询，故来源状态为部分覆盖。gold-label Top-5 覆盖为0/5，precision未知而非0。
• 检索规模： 发现记录 511 / 去重后记录 335 / 重复记录 176 / 保留题录 206 / 过滤条目 129。重复发现与去重后过滤噪声是不同口径，均不代表漏报量。OpenAlex、Crossref 为 ranked sample，RSS 为 feed snapshot，不能视作穷尽检索。
• run_id： 536129f3755d469e9693bdbba33bb0b6；检索窗口：2026-10-05 to 2026-11-04。

论文总览

单篇论文分析

1. Simplified modeling approach for predicting the remaining useful life of EV batteries in second-life applications

论文基本信息

纳入理由与原文证据

• 主题/边界： 研究退役EV电池进入二次利用后的剩余寿命，直接对应模组RUL及二次应用寿命，不是普通储能调度。四参数模型显式覆盖日历老化与循环老化，但不建模路径依赖。
• 证据： 作者称用两组退役23 kWh Renault Zoe电池包的数据标定半经验模型，并计算不同固定式应用的预期寿命；出版社摘要/highlights。

数据集/电池体系

• 体系/数据： 两个首代Renault Zoe退役电池包；出版社highlights称14个模组、每包7个，SOH约78%–89%，共约8个月实验室测试。数据保密，不能公开复现。
• 工况/跨域： 进行3种SOC/温度条件下的日历老化和2种25°C合成循环工况；不同第二寿命应用是模型推演场景，并非全都实测。跨品牌/化学体系覆盖未说明。

EOL/RUL/SOH 定义

• 目标/定义： 目标为模组老化轨迹及二次应用预期寿命；RUL时间单位、EOL阈值和标签生成规则在摘要/highlights中未能确认，不套用常见80% SOH阈值。
• 未来信息风险： 半经验参数以有限模组试验标定，论文摘要未披露预测起点、预测区间或留出测试方案。忽略路径依赖是模型假设，真实历史工况改变可能造成偏差。

模型方法

• 流程： 日历老化与循环老化的累积效应→四参数半经验模型→预测不同固定式应用的期望寿命；摘要未提供所用参数、基线、消融或参数辨识约束。
• 部署： 未说明BMS在线更新、计算量或现场寿命预测部署。

验证设计

• 划分/泛化： 两个退役电池包的模块试验用于参数标定；是否有独立电池包测试、跨工况留出及重复测量统计未能确认。
• 可信度： 信息不足；有真实退役模组和多种加速工况，但样本仅两包、数据保密，缺少可核对的独立验证细节。

指标与结果

• 摘要仅说明计算不同二次应用的预期寿命，未给MAE/RMSE、置信区间或应用案例数值；没有可核验的预测误差，不把评分当实验结果。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；需确认同一包的模组是否同时进入标定与验证，及参数是否使用完整老化轨迹。
• 复现性： 低；数据标为保密，正文、代码、参数和随机种子未能确认。
• 局限性： ①两包和狭窄SOH窗口限制外推；②模型排除路径依赖；③日期记录有冲突且定量误差不可见。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 二次利用对象和试验工况有工程价值；先确认online-first日期，再获取全文，重点查参数可辨识性、包级独立验证与不同应用下的寿命误差。

2. The challenge and opportunity of battery lifetime prediction from field data

论文基本信息

纳入理由与原文证据

• 主题/边界： 讨论从实验室和现场数据预测电池寿命、SOH与二次利用状态，是与本监测主题直接相关的观点性综述；不把它当作提出并验证了新算法的实证论文。
• 证据： 全文将经验老化图、数据驱动、物理模型及混合模型并列，指出真实现场数据的工况变化、传感器噪声及缺少EOL真值会限制寿命验证；Oxford全文。

数据集/电池体系

• 体系/数据： 文章综述实验室与真实应用中的锂离子电池数据案例，未建立一个供本文训练/测试的统一数据集；文中指出现场车队数据能补充实验室数据，但公开可得性不足。
• 工况/跨域： 重点讨论实验室受控循环与现场不规则SOC、温度、传感器质量和路径依赖差异；没有本文自己的跨域拆分。

EOL/RUL/SOH 定义

• 目标/定义： 讨论寿命预测、SOH与应用相关EOL；指出EOL取决于续航、运行时间或功率需求，不应假设单一容量阈值适用于所有用途。
• 未来信息风险： 本文为观点/综述，没有预测时点或标签泄漏问题；但它明确指出现场缺乏受控参考性能测试会导致真值不足。

模型方法

• 流程： 分类既有经验老化映射、直接/特征式数据驱动、等效电路/电化学模型，并讨论物理与数据融合；文中没有作为本文贡献的单一模型或基线排名。
• 部署： 讨论现场传感器、数据管理、聚合及二次利用评估的工程挑战，未报告本文自己的嵌入式部署或延迟。

验证设计

• 划分/泛化： 无新实验训练/测试划分；综述认为许多机制模型只在单工况校验，现场预测仍面临缺少独立EOL真值与公开车队数据的问题。
• 可信度： 高（作为领域观点/方法框架）；不是可直接用于比较算法精度的benchmark。

指标与结果

• 本文没有统一预测误差或测试集数字；主要贡献是归纳现场数据使用的机会、限制和方法路线，不应将引用文献的指标归为本文结果。

泄漏风险、复现性与局限性

• 泄漏风险： 不适用新模型；其提出的核心审计点包括全寿命数据可得性、测试真值、不同用户运行模式及特征选择是否引入未来信息。
• 复现性： 综述无需复现实验；引用方法的底层数据与代码公开性不一致，文章指出若干现场数据集不可公开。
• 局限性： ①属于2021年观点，需结合近年BMS数据研究更新；②无系统量化的检索/纳入流程；③不能替代特定电芯的benchmark。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 对现场寿命预测的数据质量、验证和物理融合讨论有长期参考价值；与近年车队数据及域泛化研究对读，整理可执行的电芯级留出和EOL真值检查清单。

3. Remaining useful life prediction and cycle life test optimization for multiple-formula battery: A method based on multi-source transfer learning

论文基本信息

纳入理由与原文证据

• 主题/边界： 直接预测多配方电池RUL，并优化循环寿命测试停止阈值；测试缩短是服务于寿命预测，不是单纯测试设备调度。
• 证据： 摘要说明以DTW自适应选择可迁移样本、用LASSO形成最优子集和个性化权重，并在厂商多配方实测数据上验证；北航机构摘要。

数据集/电池体系

• 体系/数据： 厂商提供的多种配方锂离子动力电池真实测试数据；摘要没有公开配方数量、化学体系、电芯规模、各配方样本数或原始数据链接。
• 工况/跨域： 数据覆盖不同测试条件与多个来源域，研究目标是借助相似性迁移信息；温度、倍率、SOC窗口和每个域的构成需全文确认。

EOL/RUL/SOH 定义

• 目标/定义： 输出RUL并自动确定循环寿命测试的合理停止阈值；摘要未说明RUL单位、EOL判据、阈值产生方式或标签截尾处理。
• 未来信息风险： 多源迁移若利用源域完整退化曲线用于测试阶段可能造成未来信息进入；须查明目标域预测时点和停止阈值是否仅由训练域估计。

模型方法

• 流程： DTW处理不同退化轨迹的局部错位→自适应选择可迁移样本→LASSO生成最优子集并分配个性化权重→预测RUL；另用自动阈值优化循环测试停止时机。基线/消融细节未在摘要披露。
• 部署： 可减少测试时长和成本是作者主张；在线BMS部署、计算量和测试资源节省的具体数字未能确认。

验证设计

• 划分/泛化： 摘要称使用厂商多配方、不同条件的实际数据验证，但未说明按配方、批次或电芯留出，也未说明是否外部独立测试。
• 可信度： 中；真实厂商数据与跨源问题具有现实性，但核心泛化结论暂无法从摘要核对。

指标与结果

• 摘要只称小样本下精度较高、策略显著降低测试时间和成本；未提供可核验的MAE/RMSE或节省比例。不得用其他论文中的相关数字替代。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点查DTW是否针对测试目标全寿命对齐、特征/权重拟合是否包含测试电芯，以及测试停止阈值是否用未来标签调优。
• 复现性： 低至信息不足；数据来自制造商，未在机构摘要中确认公开代码、超参和原始数据。
• 局限性： ①配方/样本量不透明；②无公开数值可比较；③跨域切分与停止测试收益需全文复核。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 多配方迁移和缩短寿命测试具有直接工程意义；优先索取全文，画出按电芯/配方分组的训练测试矩阵，再评估DTW与LASSO各自贡献。

4. Battery Lifetime Prediction via Neural Networks with Discharge Capacity and State of Health

论文基本信息

纳入理由与原文证据

• 主题/边界： 以放电容量及SOH预测LFP电池老化并推算RUL，属于直接寿命预测。注意文章报告的是单一LFP电池数据，不能据此主张跨电芯泛化。
• 证据： MDPI全文称LM-BPNN用于放电容量建模，并以SOH阈值推算寿命；全文。

数据集/电池体系

• 体系/数据： 使用CALCE的LFP电池数据；文章正文以单数表述电池，具体电芯编号/容量表格未能从网页文本核实。实验步骤描述恒流放电2.6 A、恒压阶段、静置并测电阻。
• 工况/跨域： 以单一试验协议和一个数据源为主；温度、倍率泛化、跨电芯留出未报告。文章明确承认需进一步考虑温度及充放电深度影响。

EOL/RUL/SOH 定义

• 目标/定义： SOH定义为稳定后放电容量与最大放电容量之比；作者用容量1.58h（原文单位表述如此）作为阈值，并称对应名义容量损失30%，在第1093圈后电池不可用。该阈值/单位需核对原始表格，不替作者修正。
• 未来信息风险： 全文给出80%训练、15%验证、5%测试，但未清楚说明按时间顺序或独立电芯划分；若从同一条完整循环序列随机抽点，未来轨迹可能进入训练集。

模型方法

• 流程： NNARX单隐层神经网络，使用改进Levenberg–Marquardt反向传播（LM-BPNN）预测容量，再据SOH推断寿命；与BPLM及混合最小二乘/最小四乘（MLSLF）比较，并以加权信息准则选结构。
• 部署： 未报告BMS实时推理延迟或嵌入式实现。

验证设计

• 划分/泛化： 80/15/5训练/验证/测试；数据是否按循环时间、单体或批次分组未说明。全文有残差相关性检验，但不等同于外部独立电芯验证。
• 可信度： 低至中；可读全文并有留出集，但样本/切分层级不清且试验范围窄。

指标与结果

• 作者报告测试集放电容量RMSPE：LM-BPNN 0.1722%，BPLM 14.4836%，MLSLF 32.8967%；另称达到容量阈值后在第1093圈退役。未给RUL误差区间，不能把容量误差等同寿命误差。

泄漏风险、复现性与局限性

• 泄漏风险： 中至高；单电芯循环点随机切分会使相邻循环高度相关，需确认训练/测试是否时间隔离及标准化是否仅拟合训练集。
• 复现性： 中；CALCE数据可查、全文开源，但文章抽取文本中模型参数/电芯表格部分缺失，随机种子和代码未确认。
• 局限性： ①单一LFP及单协议；②阈值原文单位疑有歧义；③容量拟合表现不能直接证明RUL预测泛化。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 模型简单、全文透明，适合作为基线；先核对表格中电池信息和1.58h阈值，再用按时间外推与按电芯留出复现。

5. Enhancing real-time degradation prediction of lithium-ion battery: A digital twin framework with CNN-LSTM-attention model

论文基本信息

纳入理由与原文证据

• 主题/边界： 主要输出最大可用容量并描述退化状态，符合容量/退化轨迹预测；摘要没有给出直接RUL回归或作者自建EOL标签，因此不把它算作RUL精度论文。
• 证据： 摘要说明BPNN补全部分放电电压曲线，再结合SOC以CNN-LSTM-Attention预测最大可用容量；机构摘要。

数据集/电池体系

• 体系/数据： 锂离子电池；可访问摘要没有披露电芯化学体系、样本量、循环跨度或数据集名称。
• 工况/跨域： 方法使用部分放电曲线和SOC；温度、倍率、SOC窗口、按电芯拆分以及跨电池验证均未在摘要说明。

EOL/RUL/SOH 定义

• 目标/定义： 预测每个循环最大可用容量并识别退化状态；摘要背景提到额定容量约80%时退役，但不能据此推断训练标签使用80% EOL阈值。RUL输出单位未说明。
• 未来信息风险： 部分曲线补全若使用同一完整曲线未来区段作输入，会产生前视风险；摘要没有交代预测时点和屏蔽未来采样的方式。

模型方法

• 流程： BPNN根据部分放电曲线补全电压信号→与SOC联合输入CNN-LSTM-Attention→实时估计最大可用容量。模型基线、消融、特征归一化及置信区间未能从摘要确认。
• 部署： 摘要称为数字孪生/实时框架，但没有可核实的车载延迟、计算资源或在线更新数字。

验证设计

• 划分/泛化： 机构与出版社摘要称有实验结果，但未披露训练/验证/测试比例、按电芯分组或外部测试。
• 可信度： 信息不足；方法和输出明确，然而摘要不足以审查其“实时”以及高准确率的测试边界。

指标与结果

• 出版社摘要报告部分电压曲线补全准确率99.6%，最大可用容量预测准确率超过99%、最大误差小于3 mAh。准确率定义、测试集和容量基准量未在摘要提供，需按原文指标解释，不作为普适RUL精度。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点核验补全曲线是否只用预测时点可观测片段，以及随机窗口是否跨同一电芯进入训练/测试。
• 复现性： 信息不足；未确认数据、代码、超参和随机种子公开情况。
• 局限性： ①摘要未披露电芯数/体系/划分；②高准确率指标定义不清；③最大容量估计不等于寿命终点预测。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 片段放电到容量估计具有在线BMS价值；先获取全文确认电芯级拆分、真实目标标签和准确率分母，再判断数字孪生是否有独立现场验证。

6. Li-ion battery capacity prediction using improved temporal fusion transformer model

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容量、SOH及在线RUL，符合主题；本报告只按摘要可证实内容描述，不推断数据集为NASA或其他常见benchmark。
• 证据： ADS摘要确认ITFT以Bi-LSTM替换TFT中的LSTM，并以TPE优化超参；报告四个电池的测试RMSE及九个电池的RUL相对误差；ADS摘要。

数据集/电池体系

• 体系/数据： 摘要提到四个电池的SOH测试RMSE和九个电池的RUL相对误差，但没有数据集名称、化学体系、容量、样本数或原始数据链接。
• 工况/跨域： 是否跨温度/倍率/电芯批次、各电池如何分配训练和测试未说明；作者称采用knee onset确定训练起点，需查数据窗口。

EOL/RUL/SOH 定义

• 目标/定义： 预测容量/SOH及RUL；EOL阈值、RUL单位、预测起始循环和标签生成方法未在摘要列出。
• 未来信息风险： knee-onset起点若由完整曲线离线识别，需确认测试阶段是否只能使用预测时点已知信息；摘要未说明该识别是否前视。

模型方法

• 流程： ITFT结合Bi-LSTM编码器/解码器输出概率式在线RUL；TPE贝叶斯优化调参，并使用knee-onset建立训练起点。具体特征、基线列表及消融需全文确认。
• 部署： “online RUL”是摘要表述，未见实时算力或车载部署数据。

验证设计

• 划分/泛化： 报告SOH四个电池、RUL九个电池结果；未说明是否逐电芯留出、是否独立测试、各预测起点是否共享电芯。
• 可信度： 信息不足；摘要有多电池数字，但缺少拆分设计和数据集身份。

指标与结果

• ADS摘要报告四个电池测试RMSE为0.0018、0.0019、0.0013、0.0025（单位/归一化尺度未说明）；九电池RUL相对误差为0%–3.90%，作者称优于对比模型。不能将未说明的尺度改写为循环数误差。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；核查knee-onset识别是否使用整条容量曲线、窗口是否跨电芯、标准化与TPE选择是否严格限于训练折。
• 复现性： 信息不足；摘要未说明代码、公开数据、超参表和随机种子。
• 局限性： ①数据集和EOL定义缺失；②RMSE尺度及RUL误差口径不清；③出版日期记录冲突。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 早期knee特征加概率式RUL值得复核；获取全文并重建按电芯拆分，确认误差统计、概率区间覆盖和日期版本。

7. An enhanced particle filter technology for battery system state estimation and RUL prediction

论文基本信息

纳入理由与原文证据

• 主题/边界： 研究电池状态估计与RUL预测，符合寿命预测主题；但出版社摘要明确称通过simulation tests验证，不能把它描述为实电芯测试。
• 证据： 摘要称改进粒子方法缓解退化/贫化，并在预测期缺少新测量时融合演化模糊预测器；ScienceDirect摘要。

数据集/电池体系

• 体系/数据： 摘要仅称battery system，化学体系、数据来源、样本量、仿真模型和参数均未披露。
• 工况/跨域： 通过模拟测试验证；真实工况、温度、倍率、SOC和跨电芯测试情况未知。

EOL/RUL/SOH 定义

• 目标/定义： 题名及研究目标含RUL，摘要称多步ahead预测；具体EOL失效阈值、RUL单位及状态量定义未能确认。
• 未来信息风险： 需核查演化模糊预测器是否只使用预测起点前状态，以及多步预测误差是否逐步递推；摘要未说明。

模型方法

• 流程： 粒子滤波刻画非线性退化并估计状态→增强粒子机制处理样本退化/贫化→演化模糊预测器补足预测期无新测量的多步映射。摘要未列基线和消融设置。
• 部署： 未报告电池管理系统的计算时间、在线更新或硬件部署。

验证设计

• 划分/泛化： 摘要只称simulation tests；没有独立电芯测试或外部数据证据，也未披露仿真参数范围。
• 可信度： 低至中；算法问题定义明确，但实证证据仅能确认到仿真层级。

指标与结果

• 摘要没有具体RMSE/MAE或置信区间数字，只称验证有效；不能将同团队其他粒子滤波文章的指标移植到本文。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；审查仿真生成轨迹是否同时用于拟合和测试、预测起点是否与未来测量隔离。
• 复现性： 低至信息不足；全文、参数、代码和仿真设置当前不可访问。
• 局限性： ①摘要未列电池体系和数据；②缺少数值性能；③仿真有效性尚不能证明真实电芯部署表现。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 粒子滤波的多步无测量预测值得作为方法参照；需先取得全文、复现实验参数，并与真实电芯run-to-failure数据比较。

8. Battery capacity knee-onset identification and early prediction using degradation curvature

论文基本信息

纳入理由与原文证据

• 主题/边界： 虽不是直接循环数RUL回归，但预测容量衰减拐点及其起始，并量化其与EOL关系，符合容量/退化轨迹早期预测；不是普通异常检测。
• 证据： 全文将曲率状态变化用于拐点识别，并用早期循环特征训练GBRT预测拐点起始；arXiv全文。

数据集/电池体系

• 体系/数据： Toyota Research Institute 169节LFP/石墨圆柱电芯（1.1 Ah）；Sandia数据筛选出22节NMC/石墨；另有DFN/PyBaMM合成数据。实验EOL定义为初始容量80%。
• 工况/跨域： Toyota数据30°C、快充后4C放电；Sandia覆盖15/25/35°C、多DOD及0.5–3C放电。作者明确指出尚需动态驾驶工况验证。

EOL/RUL/SOH 定义

• 目标/定义： 由曲率变化分段识别knee-onset与knee；EOL为初始名义容量80%。早期模型预测拐点起始循环，不是直接输出剩余循环数。
• 未来信息风险： 离线识别标签使用完整容量退化轨迹；但早期预测输入仅取前期特征。需区分离线生成监督标签与上线时可观测输入，防止在部署时误用未来曲线。

模型方法

• 流程： 近似离散曲率→matrix profile/STAMP、FLUSS与REA识别三段退化状态→以早期电压曲线差分等六个特征输入GBRT预测knee-onset。比较对象含double Bacon-Watts模型。
• 部署： 在线识别可能存在延迟；未报告车载推理算力或实时系统验证。

验证设计

• 划分/泛化： 早期预测在169节LFP电芯上按类别分层80/20，随机重复5次并平均；拐点识别另在NMC与合成数据上检验。不是跨化学体系留一外测，且真实测试均为静态循环。
• 可信度： 中至高；公开全文、明确电芯级切分及多数据源；泛化到动态工况仍未证实。

指标与结果

• Toyota LFP上knee-onset与EOL的相关系数报告为ρ=1.0，Sandia NMC为ρ=0.712；LFP/NMC的knee-onset平均早于knee约323/280圈。早期模型在前30圈后趋于较低误差，但全文抽取未给出图中RMSE/MAPE精确数值。

泄漏风险、复现性与局限性

• 泄漏风险： 中；按电芯切分有帮助，但同一Toyota批次内随机划分，不能证明批次/化学体系外泛化；标签由全寿命曲线计算，训练阶段需防止特征越界。
• 复现性： 中；数据与方法全文可读，作者贡献列出软件/验证；具体代码、随机种子及全部补充参数仍需确认。
• 局限性： ①静态循环而非动态车辆工况；②LFP早期预测样本来自一个公开数据集；③强相关性不等于直接RUL误差或因果关系。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 拐点起始具有早期安全/分级价值，且采用电芯级测试；取得代码与图表原始误差后，建议在动态工况及跨批次数据上复验。

9. Edge Impulse Based ML-Tensor Flow Method for Precise Prediction of Remaining Useful Life (RUL) of EV Batteries

论文基本信息

纳入理由与原文证据

• 主题/边界： 作者将目标命名为EV电池RUL，正文使用带RUL字段的HNEI循环数据，满足主题关键词及标签要求；但摘要同时把目标描述为避免电池完全放电/预测状态，RUL定义是否代表电化学寿命需谨慎审计。
• 证据： PDF介绍以14节HNEI电芯循环特征训练并报告RUL；出版社PDF与所用数据集说明。

数据集/电池体系

• 体系/数据： 文中称使用HNEI 14节NMC-LCO 18650电池，25°C、约1000圈；数据集说明含Cycle Index、放电/充电时长、若干电压特征及RUL标签。文中提取1128类特征，但样本对应关系未充分说明。
• 工况/跨域： 单一温度和一个数据源；没有跨电芯化学体系或真实EV车队外部验证。文章称部署到Cortex-M4，但报告的验证并非车载现场数据。

EOL/RUL/SOH 定义

• 目标/定义： 使用数据文件中的RUL标签；论文没有清晰写明标签单位、失效阈值、每节电芯寿命差异及输入输出映射。摘要将预测电池状态/避免完全放电与RUL混用，需核原始标签。
• 未来信息风险： 数据含每圈特征与RUL，文中80/20验证/测试说明没有明确按电芯或时间分组；随机抽取相邻循环可能把同一电芯近邻信息泄漏到两侧。

模型方法

• 流程： Edge Impulse DSP/EON特征处理→TensorFlow神经网络部署；正文同时提到CNN-GRU-DNN融合、TensorFlow NN、Decision Tree及SVM，架构描述前后不一致。输入称来自电压/电流和派生统计特征。
• 部署： 目标板为Cortex-M4，提到RAM/Flash与实时推理，但可读表格没有可核对的精确延迟/占用数值。

验证设计

• 划分/泛化： 文中称20%验证/测试样本，未确认按电芯留出；另分别比较实时与非实时数据，但数据来源、定义及独立性不清。
• 可信度： 低；全文可读，但标签定义、划分层级和模型描述内部不一致，回归问题使用“accuracy”表述也缺少定义。

指标与结果

• 表格给TensorFlow NN MSE 1568、实时准确率92%；结论另称93%。Decision Tree非实时98%、实时68%，SVM非实时89%、实时56%。指标口径、样本数及MSE单位不清，数字仅代表作者报告，不能视为稳健RUL性能。

泄漏风险、复现性与局限性

• 泄漏风险： 高；需首先查明20%切分是否按电芯分组，若只是跨循环样本随机拆分，14节数据可出现严重身份/相邻循环泄漏。
• 复现性： 低；数据源可得、文章开放，但RUL标签映射、真实模型架构、数据分区代码及目标板实测文件未确认。
• 局限性： ①RUL定义与“避免完全放电”概念混杂；②模型和指标报告不一致；③单温度、14节电芯且无独立电芯/车载验证。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 作为边缘部署线索保留，但不采信其准确率结论；先重建数据标签，按电芯分组重跑，并核对原始MSE、目标板延迟和模型文件。