A Transfer Llearning-Based Remaining Useful Life Prediction Method for Lithium-Ion Batteries with Capacity Regeneration Suppression
Zhiduan Cai、Wuzhe Zhang、Lihao Xu、Zuxin Li、Wei Zheng、Qiangguo Yu
2. A Transfer Llearning-Based Remaining Useful Life Prediction Method for Lithium-Ion Batteries with Capacity Regeneration Suppression
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | IOP/DOI 文章页；IOP accepted-manuscript PDF 入口；IOP 页面 |
| 发现来源 | source_history: OpenAlex；payload 来源 URL 为 DOI；web_extract 进一步核验 IOP 官方 accepted manuscript 页面 |
| 期刊/会议/平台 | Journal of The Electrochemical Society；IOP Publishing 代 ECS 的 accepted manuscript，正文 PDF 受机构访问限制 |
| 发表日期 | 2026-09-28；OpenAlex 题录与 IOP 页面均显示 accepted manuscript online 2026-09-28 |
| 作者/机构 | Zhiduan Cai、Wuzhe Zhang、Lihao Xu、Zuxin Li、Wei Zheng、Qiangguo Yu；Huzhou College、Huzhou Normal University（IOP 作者页给出分作者机构） |
| 通讯作者 | 通讯作者：未能确认。页面显示 Zhiduan Cai 的邮箱，但没有明确给出 correspondence 标记，不能据此推断 |
| 脚本评分/证据等级 | 66；命中 lithium-ion battery、RUL、直接寿命目标、neural method 和 Journal of The Electrochemical Society；摘要级。未命中权威作者加分 |
| 核验路径 | payload pdf_url：为空 → DOI/IOP 页面：web_extract 成功，取得题录、作者、日期与摘要 → IOP PDF 入口：成功到达访问门槛，但正文需机构登录；未取得全文 |
纳入理由与原文证据
- 主题/边界： 论文直接面向锂离子电池 RUL 预测，研究容量再生对迁移学习的干扰，并提出按源域/目标域情况区分的迁移策略，属于核心电池寿命预测主题。
- 证据： IOP 摘要指出 “capacity regeneration phenomenon can reduce transfer learning effectiveness”；并明确提出 CIT、FST、TDIT 三类策略，最终使用 BiLSTM 建立预测模型。IOP 官方摘要页
数据集/电池体系
- 体系/数据： 锂离子电池；摘要按源域和目标域是否含容量再生数据划分三种研究情形。数据集名称、电芯型号、样本量、循环工况、容量再生判定规则和是否公开未能确认。
- 工况/跨域： 已知设计目标是跨域小样本 RUL 预测，且场景区分了源/目标域的容量再生情况；温度、倍率、SOC 窗口、按电芯留出和化学体系差异未说明。
EOL/RUL/SOH 定义
- 目标/定义： 输出目标为 RUL；摘要没有给出 EOL 容量阈值、RUL 单位、标签生成规则、是否预测循环数或时间，也没有确认是否同时估计 SOH。
- 未来信息风险： 容量再生抑制本身需要识别或分解容量序列；需核查 VMD 分解、场景判定和迁移过程是否使用了目标域完整寿命曲线、后验平滑或测试标签信息。
模型方法
- 流程： 容量/退化序列 → 差异化 VMD → 按三种源域/目标域情形选择 component-wise independent transfer（CIT）、feature selection transfer（FST）或 target domain independent transfer（TDIT）→ BiLSTM → RUL。baseline、消融和迁移损失细节未说明。
- 部署： 输入传感器、在线更新、目标域最小样本量、计算成本和推理延迟未能确认；不能把摘要中的跨域设计直接视为在线 BMS 方案。
验证设计
- 划分/泛化： 摘要称在三种容量再生场景下评估，但没有给出源/目标电芯是否完全隔离、目标域样本选择、时间外推方式、独立测试集或外部数据验证。
- 可信度： 信息不足（摘要层面）。问题定义和方法链条清晰，但没有数值结果、数据集和 split 细节，无法判断迁移收益是否来自真正跨电芯泛化。
指标与结果
- 可访问摘要只给出定性结论：所提方法能降低容量再生对跨场景 RUL 迁移预测精度的影响，并保持较好表现。
- MAE、RMSE、MAPE、误差区间、各场景基线差值及测试集结果均未能确认；不得把“good performance”改写成具体精度。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；重点检查 VMD 是否只在训练域拟合、源/目标域是否共享电芯或相邻循环、容量再生场景标签是否使用未来信息，以及目标域选择和调参是否接触测试标签。
- 复现性： 低—信息不足；IOP 官方页确认 accepted manuscript 和摘要，但全文受机构访问限制，数据、代码、超参、随机种子与完整 baseline 未能确认。
- 局限性： ①没有可访问的数值表格，无法比较三种迁移策略的实际收益；②数据集和容量阈值未知，跨论文 benchmark 困难；③标题和 accepted manuscript 版本信息已确认，但正式版本、补充材料和工程部署约束仍需补齐。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： 这是本轮唯一直接以 RUL 和容量再生抑制为中心的论文，方法方向与小样本跨电芯预测相关，但证据尚不足以排序。下一步获取 accepted manuscript 或机构版本，先核对数据集、EOL 阈值、源/目标电芯隔离、VMD 拟合边界和三种策略的逐场景误差，再决定是否纳入复现 benchmark。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
A Transfer Llearning-Based Remaining Useful Life Prediction Method for Lithium-Ion Batteries with Capacity Regeneration Suppress - Transfer learning / domain adaptation · 摘要包含「transfer learning」
Abstract Transfer learning is widely used in battery remaining useful life (RUL) prediction for its abilit - LSTM · 摘要包含「long short-term memory」
n model is established using a bidirectional long short-term memory neural network (BiLSTM). The results show the proposed method effectively reduc - Generic neural network / deep learning · 摘要包含「neural network」
using a bidirectional long short-term memory neural network (BiLSTM). The results show the proposed method effectively reduces capacity reg - Generic machine learning · 摘要包含「feature selection」
g component-wise independent transfer (CIT), feature selection transfer (FST), and target domain independent transfer (TDIT) methods, respecti - Li-ion / LIB · 标题包含「lithium-ion」
Remaining Useful Life Prediction Method for Lithium-Ion Batteries with Capacity Regeneration Suppression