IVCLNet: A Hybrid Deep Learning Framework Integrating Signal Decomposition and Attention-Enhanced CNN-LSTM for Lithium-Ion Battery SOH Prediction and RUL Estimation
Yulong Pei、Hua Huo、Yinpeng Guo、Shilu Kang、Jiaxin Xu
1. IVCLNet: A Hybrid Deep Learning Framework Integrating Signal Decomposition and Attention-Enhanced CNN-LSTM for Lithium-Ion Battery SOH Prediction and RUL Estimation
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI 10.3390/en18215677；出版社全文页；PDF端点请求失败，HTML全文成功 |
| 发现来源 | Crossref；来源历史 Crossref；来源URL为 DOI |
| 期刊 | Energies 2025, 18(21), 5677 |
| 发表日期 | 2025-10-29，MDPI出版页及文章历史一致 |
| 作者 | Yulong Pei、Hua Huo、Yinpeng Guo、Shilu Kang、Jiaxin Xu；河南科技大学信息工程学院 |
| 通讯作者 | Hua Huo，出版社标注通讯作者 |
| 脚本评分/证据等级 | 81；全文级。评分命中 RUL/SOH、深度学习、公开数据与期刊等，不作为实验结论 |
| 核验路径 | payload 无独立 pdf_url；先试出版社 PDF 失败，再访问 MDPI HTML 全文成功，核对 DOI、日期、全文方法与结果 |
纳入理由与原文证据
- 主题/边界： 直接预测 SOH 轨迹，并按 EOL 阈值换算 RUL，符合寿命预测主题。全文称模型用预测 SOH 到达 80%额定容量的循环数计算 RUL；但数据描述另称 NASA 电池 EOL 是 1.4 Ah（2 Ah 的 70%），阈值冲突是本篇首要待核验问题。
- 证据： 出版社全文给出 SOH→RUL 的定义、NASA/CALCE 数据说明和实验表格；以下方法与指标均依该全文，不由标题推断。
数据集/电池体系
- 体系/数据： 锂离子电池公开 NASA PCoE 与 CALCE 数据。NASA 使用 B5、B6、B7 三个 2 Ah 电芯；CALCE 标称容量 1.1 Ah，实验表列 CS2-35、CS2-36、CS2-37。数据为循环老化容量及充放电曲线，研究条件以室温恒流/恒压循环为主。
- 工况/跨域： 两来源及不同电芯提供一定异质性，但非真实 BMS 连续运行验证。变温、动态负载和部分循环的充分测试未能确认；作者将复杂工况适配列为后续方向。
EOL/RUL/SOH 定义
- 目标/定义： 模型输出 SOH 未来轨迹，再按阈值换算剩余循环数。方法段采用 SOH=80%；NASA 数据说明却以 1.4 Ah、即 70%额定容量为失效标准，CALCE 的实验标签阈值未能从全文摘录中确认。不能将两个定义混作一致标签。
- 未来信息风险： 作者称 ICEEMDAN-VMD 仅分解当前预测时点以前的历史片段，这是正面设计；但 50/50 训练测试的具体时间/电芯切分未说明，且 HI 筛选的相关性计算是否仅用训练部分未能确认，仍需检查前视和测试集调参。
模型方法
- 流程： 历史容量序列经 ICEEMDAN 分解，按样本熵与 K-means 分组，高频分量再用 VMD；将分解特征与六个充放电时间/电压健康指标拼接，送入 1D-CNN、CBAM 注意力和 LSTM，输出 SOH。基线为 Transformer、LSTM、LSTM-Transformer；有去除 ICEEMDAN、VMD、CBAM 的消融。
- 部署： 论文报告 IVCLNet 0.52 MFLOPs、训练 11.2 s、9,843 参数、42.7 KB 存储（作者实验硬件/实现条件下）；真实 BMS 推理延迟、在线更新和目标硬件未能确认。
验证设计
- 划分/泛化： 全部数据 50%训练、其余测试；未说明是否按电芯、循环时间或窗口随机切分，故外推能力不能据此确认。NASA 与 CALCE 均有结果，但未证明完整的跨数据源训练-测试迁移。
- 可信度： 中等偏低；可访问全文且有消融，但阈值不一致、切分信息不足限制结果可信度。
指标与结果
- NASA B0005：表中 MAE 0.0030、RMSE 0.0052、R² 0.9803；CALCE CS2-35：MAE 0.0032、RMSE 0.0048、R² 0.9966。表题称 RUL 结果，但这些误差未标明循环单位，不能解释成“若干循环”。NASA B0005 消融的 RMSE 从去除 ICEEMDAN 时 0.0110 降至完整模型 0.0052；论文另报告对不同基线的平均误差改进。均为点预测指标，未见不确定性区间评估。
泄漏风险、复现性与局限性
- 泄漏风险： 中/信息不足。作者声明分解只使用历史窗口，但 50/50 划分和全局 HI 筛选流程不够明确；还须厘清 70%/80% EOL 对标签构造的影响。
- 复现性： 中。NASA、CALCE 数据公开，全文给出框架、部分超参与消融；代码、随机种子和全部预处理配置未能确认。
- 局限性： 电芯与工况有限；测试切分未交代；对变温、动态工况和跨域的泛化证据不足，论文亦承认动态参数选择与跨域训练仍待研究。
是否值得跟进
- 结论： 强烈跟进。
- 理由与下一步： 全文证据充足且输入特征/消融可复现，适合作为 SOH 轨迹基线；先向作者核实 NASA 70%标签与模型 80%阈值、实际 train/test 切分，再按电芯留出重新跑评估。
查看关键词分类依据
- RUL prediction · 标题包含「rul」
M for Lithium-Ion Battery SOH Prediction and RUL Estimation - SOH estimation · 标题包含「soh」
on-Enhanced CNN-LSTM for Lithium-Ion Battery SOH Prediction and RUL Estimation - Capacity fade / trajectory prediction · 摘要包含「degradation trajectory」
Accurate prediction of the degradation trajectory and estimation of the remaining useful life (RUL) of lithium-ion batteries are - Transformer / attention · 标题包含「attention」
amework Integrating Signal Decomposition and Attention-Enhanced CNN-LSTM for Lithium-Ion Battery SOH Prediction and RUL Estimation - LSTM · 标题包含「lstm」
nal Decomposition and Attention-Enhanced CNN-LSTM for Lithium-Ion Battery SOH Prediction and RUL Estimation - CNN · 标题包含「cnn」
Signal Decomposition and Attention-Enhanced CNN-LSTM for Lithium-Ion Battery SOH Prediction and RUL Estimation - Generic neural network / deep learning · 标题包含「deep learning」
IVCLNet: A Hybrid Deep Learning Framework Integrating Signal Decomposition and Attention-Enhanced CNN-LSTM for - Hybrid model · 标题包含「hybrid」
IVCLNet: A Hybrid Deep Learning Framework Integrating Signal Decomposition and Attention-Enhanced - Empirical degradation model · 摘要包含「empirical」
mework integrates Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (ICEEMDAN), Variational Mode Decompositi - Li-ion / LIB · 标题包含「lithium-ion」
position and Attention-Enhanced CNN-LSTM for Lithium-Ion Battery SOH Prediction and RUL Estimation