Adaptive Stage Segmentation and Model Selection for Data-Driven Online Remaining Useful Life Prediction of Lithium-Ion Batteries
Chao Lv、Weibo Ren、Zhongxin Chen、Zhijian Wang、Lei Dong、Yanfeng Li
1. Adaptive Stage Segmentation and Model Selection for Data-Driven Online Remaining Useful Life Prediction of Lithium-Ion Batteries
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/IOP 文章页；IOP PDF 入口（需登录，未取得可读全文） |
| 发现来源 | source_history: OpenAlex；OpenAlex 题录；payload 来源 URL 为 DOI |
| 期刊/会议/平台 | Measurement Science and Technology；IOP accepted manuscript online |
| 发表日期 | 2026-08-28；OpenAlex 题录与 IOP 页面均显示 accepted manuscript online 28 August 2026 |
| 作者/机构 | Chao Lv、Weibo Ren、Zhongxin Chen、Zhijian Wang、lei dong、Yanfeng Li；已确认机构为 North University of China，Zhijian Wang 另列该校现代设计与转子—轴承系统教育部重点实验室 |
| 通讯作者 | 通讯作者：未能确认；IOP 页面列出 Zhongxin Chen 的邮箱，但未明确标注 correspondence |
| 脚本评分/证据等级 | 67；命中 battery、RUL、degradation、Bayesian、CALCE/MIT–Stanford、Measurement Science and Technology；摘要级 |
| 核验路径 | pdf_url：payload 未提供 → IOP PDF 入口：web_extract 显示访问限制 → URL/DOI：web_extract 成功，取得题录、日期、作者块和摘要 |
纳入理由与原文证据
- 主题/边界： 标题直接以锂离子电池在线 RUL 预测为目标，并把容量退化的多阶段结构作为模型选择依据，属于核心寿命预测任务。
- 证据： 摘要称采用 “adaptive degradation stage segmentation and model selection framework for online RUL prediction”，并称用公开的 MIT–Stanford 与 CALCE 数据集验证。IOP 摘要页
数据集/电池体系
- 体系/数据： 已确认 lithium-ion batteries，以及 MIT–Stanford battery dataset、CALCE dataset；电芯数量、具体化学体系、采样规模和公开版本未能确认。
- 工况/跨域： 温度、倍率、SOC 窗口、充放电协议、按电芯/工况覆盖和跨数据集留出方式未能从摘要确认。
EOL/RUL/SOH 定义
- 目标/定义： 输出为 RUL；EOL 阈值、RUL 单位、标签生成方式和是否采用固定容量保持率阈值未说明，不能自行套用 80% SOH。
- 未来信息风险： 论文声称在线，但变点检测、历史变点融合、归一化和退化轨迹重建是否只使用预测时点以前的信息尚未确认；需重点排查完整寿命曲线或后验平滑泄漏。
模型方法
- 流程： 容量退化数据 → 基于似然函数识别突变并做两阶段分段 → 融合历史变点和似然指标，为各阶段自适应匹配模型 → 用 EKF 融合实时观测与先验模型，并通过 Bayesian parameter updating 输出 RUL。
- 部署： 只确认“online”建模意图；传感器、更新频率、推理延迟、算力和不完整放电支持未能确认。
验证设计
- 划分/泛化： 摘要仅确认在 MIT–Stanford 和 CALCE 公开数据集上验证，并声称优于比较模型；随机窗口、按电芯留出、时间外推、外部独立测试和 baseline 清单未说明。
- 可信度： 中（信息不足）。问题和方法链条清晰，题录/摘要可由出版社核验，但无法判断在线因果性与跨电芯泛化。
指标与结果
- 摘要只称实验结果在 RUL 预测准确性和可靠性上优于比较模型；MAE、RMSE、MAPE、R²、预测步长、置信区间和各数据集分项数字均未能确认。
- 不能把脚本评分 67 当作实验结果，也不能把“reliability”解读成已校准的不确定性区间。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足至中高；需核查变点历史是否含未来周期、EKF 先验是否用完整曲线、数据标准化是否跨越测试电芯。
- 复现性： 信息不足；本轮未取得可读 PDF，代码、超参、随机种子、完整表格和数据处理流程未确认。
- 局限性： ①公开数据规模和工况未说明；②两阶段假设及模型选择在多阶段/非平稳退化上的边界未知；③没有可见的数值结果，暂不能判断收益是否来自分段而非数据处理。
是否值得跟进
- 结论： 强烈跟进。
- 理由与下一步： 阶段自适应、EKF 与贝叶斯更新对在线 RUL 有直接方法价值。下一步获取 accepted manuscript，记录 EOL 标签、严格时间因果 split、按电芯外推结果和各组件消融，再在 CALCE/MIT–Stanford 公共轨迹上复算。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
n and Model Selection for Data-Driven Online Remaining Useful Life Prediction of Lithium-Ion Batteries - Generic neural network / deep learning · 标题包含「data-driven」
e Stage Segmentation and Model Selection for Data-Driven Online Remaining Useful Life Prediction of Lithium-Ion Batteries - Bayesian · 摘要包含「bayesian」
ith prior model information. Integrated with Bayesian parameter updating, the framework enables accurate online RUL prediction. Final - Kalman / particle filter · 摘要包含「kalman」
and degradation patterns. Then, an Extended Kalman Filter –based fusion method is proposed to estimate capacity degradation trajec - Degradation mechanism / cycling stability analysis · 摘要包含「degradation mechanism」
for stage segmentation, yet most ignore the degradation mechanism connections across stages, making it hard to dynamically match models with stag - Hybrid model · 摘要包含「fusion」
erns. Then, an Extended Kalman Filter –based fusion method is proposed to estimate capacity degradation trajectories by combining r - CALCE · 摘要包含「calce」
ing the MIT–Stanford battery dataset and the CALCE dataset. Experimental results demonstrate that the proposed approach outperform - MIT / Severson · 摘要包含「mit」
is verified on public datasets including the MIT–Stanford battery dataset and the CALCE dataset. Experimental results demonstrat - Self-built / experimental dataset · 摘要包含「experimental」
nford battery dataset and the CALCE dataset. Experimental results demonstrate that the proposed approach outperforms comparative models i - Li-ion / LIB · 标题包含「lithium-ion」
n Online Remaining Useful Life Prediction of Lithium-Ion Batteries