IWOA-PINN-based measurement-informed capacity degradation modelling and physics-informed online RUL estimation for lithium-ion batteries
Jinge Liang、Zewang Chen、Yuqi Long、Yuru Deng、Youren Wang
5. IWOA-PINN-based measurement-informed capacity degradation modelling and physics-informed online RUL estimation for lithium-ion batteries
基本信息
- 标题：IWOA-PINN-based measurement-informed capacity degradation modelling and physics-informed online RUL estimation for lithium-ion batteries
- DOI/URL：https://doi.org/10.1088/1361-6501/ae9b36
- 期刊/会议/预印本平台：Measurement Science and Technology；IOP Accepted Manuscript
- 发表日期：2026-08-18（Accepted Manuscript online）
- 作者和机构：Jinge Liang、Zewang Chen、Yuqi Long、Yuru Deng、Youren Wang；IOP 页面将作者关联到 Nanjing University of Aeronautics and Astronautics，主要为 College of Automation Engineering，南京江苏。
- 通讯作者：未能确认（IOP 页面列出 Zewang Chen 的邮箱，但未在可访问页面明确标注 corresponding author，故不据邮箱猜测）
- 脚本评分：65
- 期刊指标核验：未核验 JCR/JIF/JCI/CiteScore/SJR 数值；脚本只标记为 Measurement Science and Technology 期刊来源。
- 核验路径：脚本提供的 IOP PDF URL 成功返回 IOP Accepted Manuscript 页面、DOI、作者、机构、日期和摘要；页面没有可解析的完整正文。可信度：接受稿页面/摘要级，全文细节未完全确认。
纳入理由和命中证据
- 题名直接包含 capacity degradation modelling 和 online RUL estimation，是本次最明确的寿命预测命中之一。
- IOP 摘要明确说明从可测信号建模容量退化轨迹，再通过 EOL threshold 得到 RUL；这与普通 SoC/热管理/调度论文有清晰区别。
- 摘要给出方法流程、数据来源线索、RUL/capacity 结果和 baseline，因此即使完整正文未成功解析，仍足以纳入正式分析。
创新点
- 先用二阶 RC 等效电路重构 Q-V 关系，再从增量容量相关曲线/温度响应中提取可测健康特征，减少直接依赖完整容量曲线的需要。
- 使用 PH-Q prior constraint 和 monotonicity constraint 把容量退化的物理先验写入 PINN 损失，抑制不符合退化趋势的预测。
- 用 Improved Whale Optimization Algorithm 联合优化训练轮数、隐藏单元数、学习率和约束系数，形成 IWOA-PINN。
主要内容
- 研究目标是对 cycle-wise capacity 进行测量驱动建模，并在不同充放电条件、不同估计起始周期下在线推断剩余寿命。
- 流程包括 Q-V 重构、健康特征抽取、物理约束神经网络容量估计、退化轨迹外推和 EOL 阈值判定。
- 摘要称在西安交通大学公开循环老化数据集和实验室平台数据上验证，并与 CNN、RNN 及若干 PINN/WOA 变体比较。
模型方法
- 方法类别与架构详见下述流程；以下只记录已由可访问页面或摘要支持的内容。
模型架构/方法流程
- 用 second-order RC equivalent circuit model 重构电池的 Q-V relationship。
- 从重构/测量信号提取四个健康特征：peak height（PH）、peak voltage（PV）、time at peak voltage（PT）、time to reach maximum surface temperature（MATT）。
- 将这些 measurement-informed features 输入 PINN，估计逐循环容量。
- 在损失中加入 PH-Q prior constraint 和 capacity monotonicity constraint，保证退化轨迹更符合物理趋势。
- 用 IWOA 联合搜索 epochs、hidden units、learning rate 和 constraint coefficients。
- 将预测容量轨迹与 EOL threshold 相交的位置转成在线 RUL。
输入特征与输出目标
- 输入特征：PH、PV、PT、MATT；来源是 Q-V/温度相关测量和二阶 RC 重构。具体窗口、归一化和缺失值处理未能确认。
- 中间输出：cycle-wise capacity/degradation trajectory。
- 最终输出：RUL（单位为 cycles）；EOL 阈值的数值未在可访问摘要中给出。
数据来源/数据结构/电池类型/循环协议
- 电池体系：锂离子电池。
- 数据来源：Xi’an Jiaotong University public cycling-ageing dataset + laboratory-built platform data。
- 数据结构：按循环组织的容量、Q-V、温度及充放电响应；摘要未给出电芯数、具体型号、公开数据集名称、采样频率和缺失处理。
- 循环协议：覆盖 various charge-discharge conditions；不同 estimation start cycles 也进行了实验，但倍率、温度、截止电压和每种工况的循环数未能确认。
- 是否跨电池/跨工况验证：摘要支持不同充放电条件和不同起始周期测试；严格按电池留出、跨平台外部验证和化学体系泛化仍需全文确认。
EOL/RUL/SOH 定义
- RUL：由预测容量轨迹到 EOL threshold 的剩余循环数，单位为 cycles。
- EOL 阈值：存在 threshold-based 判定，但具体容量保持率或数值未能从摘要确认，不能擅自写成 80%。
- SOH：论文主线是 capacity degradation modelling；SOH 的具体归一化定义未在可访问摘要中明确。
- 标签与未来信息：需要历史可测特征估计当前/后续容量并外推 EOL；单调性和 PH-Q 约束本身不是未来信息，但数据切分及特征计算是否严格只用预测时刻以前的数据仍需全文检查。
验证设计
- 摘要确认在公开循环老化数据和实验室平台数据上测试，覆盖不同充放电条件和不同 estimation start cycles。
- 对比了 generic CNN、RNN，以及 FNN、PINN、WOA-PINN 等 study-specific ablation/variant。
- 未能确认 train/test split 是否按电池划分、是否有完全独立外部平台测试、重复实验次数、置信区间或不确定性校准。
指标
- 多种充放电条件下 RUL error 低于 5 cycles。
- RMSE 约 0.01；摘要未明确该 RMSE 是容量轨迹还是归一化目标的 RMSE，不能当作 cycle error 解读。
- 不同估计起始周期下 RMSE 仍约 0.01，最大 RUL error 15 cycles。
- 摘要称 IWOA-PINN 在测试数据上优于 CNN、RNN、FNN、PINN 和 WOA-PINN；各电池/工况分层表格未能确认。
Baseline/对比方法
- Generic CNN、RNN。
- Study-specific FNN、PINN、WOA-PINN ablation/variant。
- IWOA-PINN 的改进来自 IWOA 超参联合优化、PH-Q prior 和 monotonicity constraint；消融中各约束的独立贡献需要完整正文确认。
泄漏风险/局限性/复现性
- 泄漏风险：中等/信息不足。容量轨迹预测很容易因随机切分循环片段、全寿命归一化或使用完整 Q-V 曲线而获得不现实的优势；本轮未能确认作者是否按电池/时间严格切分，也未能确认 MATT 等特征的可在线获取范围。
- 局限性：数据集、样本数、化学体系、EOL 阈值和外部平台划分不完整；IWOA 的计算成本和在线部署代价未能确认。最大 15 cycles 的误差也提示个别工况仍可能有明显偏差。
- 复现性：中等偏低/信息不足。Accepted Manuscript 页面公开了完整方法主线、特征名、baseline 和摘要指标，但未确认代码、随机种子、网络层数、超参边界、约束权重和原始数据下载地址。
是否值得跟进 / 对哥哥研究/落地的启发和后续动作
- 结论：强烈跟进。
- 启发：可把 PH/PV/PT/MATT 这类测量可得的退化代理和单调性约束加入哥哥的 physics-informed RUL pipeline；同时应把 EOL 阈值、起始观测长度和工况外推作为可比实验轴。
- 后续动作：获取正式 PDF；确认 EOL 阈值、数据集电芯与循环协议、按电池/按时间划分、IWOA 搜索空间和约束消融；优先复现“不同 estimation start cycle + 多工况”的 RUL 结果，并把 CNN/RNN/PINN/WOA-PINN 作为基线组。
查看关键词分类依据
- RUL prediction · 标题包含「rul」
dation modelling and physics-informed online RUL estimation for lithium-ion batteries - PINN / physics-informed · 标题包含「physics-informed」
-informed capacity degradation modelling and physics-informed online RUL estimation for lithium-ion batteries - CNN · 摘要包含「cnn」
mplemented generic neural-network baselines (CNN and RNN) and the study-specific ablation variants (FNN, PINN, and WOA-PINN), th - Generic neural network / deep learning · 摘要包含「neural network」
y data-driven models, and the sensitivity of neural networks to hyperparameters, this paper proposes an improved whale optimisation algorit - ECM / electrochemical model · 摘要包含「equivalent circuit」
hip is reconstructed using a second-order RC equivalent circuit model, from which four health features—peak height (PH), peak voltage (PV), tim - Self-built / experimental dataset · 摘要包含「laboratory」
om Xi’an Jiaotong University and data from a laboratory-built platform show that the proposed method achieves RUL errors below 5 cycles - Li-ion / LIB · 标题包含「lithium-ion」
d physics-informed online RUL estimation for lithium-ion batteries