A hybrid deep learning approach for remaining useful life prediction of lithium-ion batteries based on discharging fragments
Yunpeng Liu、Bo Hou、Moin Ahmed、Zhiyu Mao、Jiangtao Feng、Zhongwei Chen
2. A hybrid deep learning approach for remaining useful life prediction of lithium-ion batteries based on discharging fragments
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/出版社页；Cardiff ORCA作者稿全文PDF |
| 发现来源 | source_history: Crossref/Venue；以DOI、Applied Energy题录及Cardiff ORCA作者稿核验 |
| 期刊 | Applied Energy 358, article 122555 |
| 发表日期 | payload Crossref为2024-03-01，按月份精度记录为2024-03；作者稿的2023-11-30是投稿稿日期，不是正式发表日期 |
| 作者/机构 | Yunpeng Liu（西安交通大学、大连化学物理研究所/中科院、滑铁卢大学）；Bo Hou（Cardiff University）；Moin Ahmed（滑铁卢大学）；Zhiyu Mao（中科院大连化物所、浙江师范大学）；Jiangtao Feng（西安交通大学）；Zhongwei Chen（中科院大连化物所、滑铁卢大学） |
| 通讯作者 | Zhiyu Mao、Jiangtao Feng、Zhongwei Chen；ORCA作者稿列明三人及邮箱 |
| 脚本评分/证据等级 | 88；全文级（机构仓储作者稿，非出版社排版终稿） |
| 核验路径 | payload无PDF；先用DOI定位出版社记录，再读取Cardiff ORCA全文作者稿；摘要、数据拆分、RUL阈值和结果均来自该稿 |
纳入理由与原文证据
- 主题/边界： 直接从不完整放电片段预测容量退化轨迹和RUL；不只是容量重建或状态监测。
- 证据： 作者稿将RUL定义为到失效阈值前的剩余充放电循环数，并报告约20%容量区间的放电片段可用于预测。来源：作者稿全文。
数据集/电池体系
- 体系/数据： 两套公开CALCE锂电数据：CS2含CS2-35至CS2-38，CX2含CX2-34、36、37、38。每套3只电芯训练、1只留出测试；CS2-35额定1.10Ah，CX2-38额定1.35Ah。电芯具体化学组成在本轮可读材料中未能确认。
- 工况/跨域： 两套数据的充放电电压区间和容量特征不同；分别重训/测试，不是一个数据集训练后直接迁移到另一数据集。
EOL/RUL/SOH 定义
- 目标/定义： 以额定容量80%为失效阈值；输出RUL循环数并同时外推容量轨迹。该阈值适用于文中CS2/CX2实验设定，不应泛化为所有电池的EOL定义。
- 未来信息风险： 测试时只输入起始点SPrul以前的放电片段；需检查容量归一化、EMD分解和滑窗处理是否严格只使用训练集或预测时点以前数据。测试电芯留出降低了同电芯泄漏风险。
模型方法
- 流程： CNN从部分放电片段重建每周期最大放电容量 → EMD提取全局退化趋势/抑制容量再生噪声 → GRU-FC滚动外推容量并换算RUL。作者以三折CV选择GRU-FC窗口和全连接宽度。
- 部署： 依赖周期放电片段；作者未报告嵌入式BMS算力、时延或在线部署测试。
验证设计
- 划分/泛化： 每个CALCE子集3只电芯训练、1只电芯独立测试；CS2-35和CX2-38分别测试，多个SPrul（约40%、50%、60%寿命阶段）及不同起始电压片段。
- 可信度： 中；按电芯留出优于随机窗口拆分，但每个子集只有一只测试电芯，跨批次/化学体系泛化证据有限。
指标与结果
- 作者报告使用约20%容量比区间的片段，在SPrul约40%–60%阶段预测时，CS2相对误差均值约5.39%、3.06%、2.19%，CX2测试误差不超过7%；这些是小型CALCE留出测试，不代表现场精度。
泄漏风险、复现性与局限性
- 泄漏风险： 低至中；测试电芯与训练电芯分开，但CNN训练片段来自训练电芯曲线，复现时仍需确认随机片段生成、归一化、超参搜索没有触及测试电芯未来数据。
- 复现性： 中；CALCE公开数据、作者稿和主要网络/流程信息可读；未能确认作者代码仓库及随机种子。
- 局限性： 两个子集各仅一只留出测试电芯；不同数据集独立重训，尚未证明跨数据集直接迁移；误差随SPrul和片段电压位置变化，滚动误差会累积。
是否值得跟进
- 结论： 强烈跟进。
- 理由与下一步： 适合建立不完整放电RUL基线。复现CS2-35与CX2-38逐电芯拆分，报告不同SPrul/片段区间的分布误差，并核对出版社终稿与作者稿的补充表差异。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
A hybrid deep learning approach for remaining useful life prediction of lithium-ion batteries based on discharging fragments - Generic neural network / deep learning · 标题包含「deep learning」
A hybrid deep learning approach for remaining useful life prediction of lithium-ion batteries based on - Hybrid model · 标题包含「hybrid」
A hybrid deep learning approach for remaining useful life prediction of lithium-ion batt - Li-ion / LIB · 标题包含「lithium-ion」
oach for remaining useful life prediction of lithium-ion batteries based on discharging fragments