AI-driven lithium-ion battery health prediction: a review of SOC, SOH and RUL estimation techniques
G. Tamizharasi、G. K. Rajini
4. AI-driven lithium-ion battery health prediction: a review of SOC, SOH and RUL estimation techniques
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI；Frontiers全文；未取得 PDF 链接，已成功读取完整HTML |
| 发现来源 | Crossref；来源历史：Crossref；Frontiers正式全文页 |
| 期刊/会议/平台 | Frontiers in Artificial Intelligence，Review article，Volume 9 (2026) |
| 发表日期 | 2026-10-14；Frontiers全文页列示发表日，Crossref题录一致 |
| 作者/机构 | G. Tamizharasi、G. K. Rajini；School of Electrical Engineering, Vellore Institute of Technology, Vellore, India |
| 通讯作者 | G. Tamizharasi与G. K. Rajini；全文末尾均列为通讯作者 |
| 脚本评分/证据等级 | 74；题名与全文范围涵盖SOH/RUL；全文级 |
| 核验路径 | 无payload PDF；直接读取Frontiers正式全文HTML，核对文章类型、日期、作者、机构、摘要、章节、表格、讨论与结论。 |
纳入理由与原文证据
- 主题/边界： 综述电池SOC、SOH与RUL估计，重点为数据驱动/深度学习及混合模型；不是原创寿命实验，但可用于方法选型和研究脉络梳理。
- 证据： 全文设有SOH与RUL方法综述、NASA/CALCE相关RUL比较表，并在讨论中指出实验室到实际运行的迁移、噪声鲁棒性和预测不确定性仍是挑战。Frontiers全文
数据集/电池体系
- 体系/数据： 综述对象为锂离子电池；汇总既有研究和NASA、CALCE等数据集，不包含本篇新采集的电芯或独立实验数据。
- 工况/跨域： 文内讨论多个模型与数据集，但不同研究的工况、切分和标签未统一，无法把跨文献表格理解为统一跨域验证。
EOL/RUL/SOH 定义
- 目标/定义： 文章比较既有SOC、SOH、RUL研究；本篇不是单一EOL/RUL预测模型，未建立新的统一SOH定义或RUL阈值。
- 未来信息风险： 对被综述研究，时间切分、完整寿命曲线使用和调参泄漏风险各不相同；文章未提供足够统一的审计协议，读者应回到原始论文逐项核实。
模型方法
- 流程： 以章节与比较表归纳传统估计、深度学习、注意力/Transformer、优化增强及混合模型；结论偏向混合深度模型与优化方法。全文未清晰展示可复现的系统检索/筛选流程，故不应视作系统综述或荟萃分析。
- 部署： 文章讨论边缘部署、可解释性和鲁棒性挑战，但无本篇模型的硬件或实时测试。
验证设计
- 划分/泛化： 无原创训练/测试划分；比较结果继承各来源论文各自协议。讨论明确提及实验室数据到真实运行迁移受限、噪声鲁棒性及不确定性量化不足。
- 可信度： 中；全文可用于定位方法和挑战，但跨研究指标口径不一，且未见可复现的文献筛选方案，不能把排名当作统一基准。
指标与结果
- 本文没有原创实验指标。表格汇总既有论文在SOC、SOH、RUL上的误差/相关性结果；由于数据集、标签和切分不同，不将其合并为总体精度。文中结论所称“最佳”模型只适用于其引用研究及对应协议，需回到原始论文复核。
泄漏风险、复现性与局限性
- 泄漏风险： 对综述本身不适用；对其引用的预测比较，全文未给出统一泄漏检查框架，不能由表格排除逐篇数据泄漏。
- 复现性： 作为叙述性综述，未发现注册方案、检索式/筛选流程或可复现数据提取表；对比结果依赖所引研究。
- 局限性： ①非原创实验；②文献筛选和纳入范围缺少可复现报告；③跨研究指标与数据划分不一致，结论不能直接指导模型优劣的定量排序。
是否值得跟进
- 结论： 观望。
- 理由与下一步： 可作近期方法索引，重点追踪其引述的SOH/RUL代表模型；若据此立项或选基线，逐篇回查原始论文、数据划分与指标定义，不直接采用综述排名。
查看关键词分类依据
- RUL prediction · 标题包含「rul」
health prediction: a review of SOC, SOH and RUL estimation techniques - SOH estimation · 标题包含「soh」
battery health prediction: a review of SOC, SOH and RUL estimation techniques - PINN / physics-informed · 摘要包含「physics-informed」
ced optimization-assisted frameworks, hybrid physics-informed learning, and explainable artificial intelligence (XAI). This article intends t - Transformer / attention · 摘要包含「transformer」
h a focus on modern DL architectures such as transformer networks, autoencoder-based latent modeling, neural basis expansion techniques, - Autoencoder · 摘要包含「autoencoder」
architectures such as transformer networks, autoencoder-based latent modeling, neural basis expansion techniques, attention mechanisms, - Generic neural network / deep learning · 摘要包含「deep learning」
se based on artificial intelligence (AI) and deep learning (DL). This review provides an overview of current methodologies for SOC, SOH, a - Hybrid model · 摘要包含「hybrid」
ansion techniques, attention mechanisms, and hybrid optimization-driven frameworks. The article examines new advances in intelligen - ECM / electrochemical model · 摘要包含「electrochemical」
ons are frequently difficult for traditional electrochemical and empirical assessment methods to capture. As a result, recent research has f - Empirical degradation model · 摘要包含「empirical」
ifficult for traditional electrochemical and empirical assessment methods to capture. As a result, recent research has focused on adva - Li-ion / LIB · 标题包含「lithium-ion」
AI-driven lithium-ion battery health prediction: a review of SOC, SOH and RUL estimation techniques