A Data-Driven Framework for Lithium-Ion Battery Remaining Useful Life Prediction Using CNN and Machine Learning Models
Merve Yenioglu、Engin Aycicek、Ozan Erdinc
2. A Data-Driven Framework for Lithium-Ion Battery Remaining Useful Life Prediction Using CNN and Machine Learning Models
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI / MDPI 全文；PDF 按钮存在但本次提取未成功 |
| 发现来源 | Crossref；MDPI 出版社全文核验 |
| 期刊/会议/平台 | Batteries 12(4), 135 |
| 发表日期 | 2026-04-13，MDPI 出版历史确认 |
| 作者/机构 | Merve Yenioglu、Engin Aycicek、Ozan Erdinc；Electrical Engineering Department, Yildiz Technical University, Istanbul |
| 通讯作者 | Merve Yenioglu（MDPI 标注通讯作者） |
| 脚本评分/证据等级 | 85；直接 RUL 目标、CNN/机器学习、公开数据；全文级 |
| 核验路径 | PDF 链接提取失败 → MDPI HTML 全文成功 → 文章 DOI、出版日期、作者及数据声明核对 |
纳入理由与原文证据
- 主题/边界： 直接比较多种模型预测锂离子电池 RUL，并给出 EOL 定义，属于正式寿命预测研究。
- 证据： 原文报告 NASA B0047 训练、B0048 测试，容量降至初始值 70% 定义 EOL；CNN 的 MAE 7.75 cycles、RMSE 10.80。MDPI 全文
数据集/电池体系
- 体系/数据： NASA 锂离子电池退化数据，文中明确 B0047 作训练、B0048 作测试，使用电压、电流、温度、内阻、容量及派生退化特征。作者称构成 48,000 observations、24 features，但两只电芯的样本粒度、窗口构造和有效循环数解释不足；数据链接指向 NASA 公开记录 10.21227/p4st-2305。
- 工况/跨域： 实验室恒流放电 1–4 A、不同截止电压；未见跨温度、化学体系或真实 BMS 外部验证。
EOL/RUL/SOH 定义
- 目标/定义： 以容量达到初始容量 70% 为 EOL，RUL 按剩余循环数预测。SOH 标签计算细节未单独说明。
- 未来信息风险： 输入含 cycle、容量比、平滑容量及退化派生特征；cycle 与 RUL 标签存在强构造关系。用于早期预测时必须限定特征仅取预测时刻可得值，原文未清楚交代是否逐个预测起点截断。
模型方法
- 流程： 循环级聚合和特征工程后比较 RF、XGBoost、KNN 与 CNN；CNN 使用卷积层（32/64 filters）及全连接回归头。用 SHAP 分析变量贡献，以预测分布的 ±3σ 构造不确定性带。
- 部署： 提供 Python/常用库版本和 CPU 配置；未报告实机 BMS 时延或在线更新测试。
验证设计
- 划分/泛化： 按电池编号留出，B0047 训练、B0048 测试，优于同一电芯随机窗口切分；但仅一个测试电芯，且正文另有“多电池训练/独立电池测试”的概述，划分描述不完全一致。
- 可信度： 信息不足偏低；存在电池间测试设计，但独立电芯数少、样本构造说明不足，且模型选择/验证集协议不清晰。
指标与结果
- CNN：MAE 7.75 cycles、RMSE 10.80；KNN RMSE 12.08、R² 0.6429；RF RMSE 17.95、R² 0.21。CNN 的 R² 未能确认。文中另报 PH=4896，但定义、单位和计算过程不清，不建议直接横向比较。
泄漏风险、复现性与局限性
- 泄漏风险： 中高；cycle/容量派生变量可携带退化进度，需核实是否使用全寿命统计、平滑窗口或后验信息；跨电池划分降低同电芯泄漏，但不能替代早期预测评估。
- 复现性： 中；NASA 数据公开，部分环境和模型参数可见；未确认代码仓库，CNN 细节、验证方案与不确定性重复采样来源不充分。
- 局限性： 仅两只电池、单一实验室来源；全文对样本构造及拆分有表述不一致；结论数字和 PH 口径需复核。
是否值得跟进
- 结论： 观望后复核。
- 理由与下一步： 可作为公开 NASA 特征工程的比较基线，但不能仅凭较低误差认定早期泛化。优先复算只用截至第 t 圈输入的跨电芯 RUL，并检查 PH 定义及 B0047/B0048 原始数据统计。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
ata-Driven Framework for Lithium-Ion Battery Remaining Useful Life Prediction Using CNN and Machine Learning Models - Transformer / attention · 摘要包含「attention」
g a single modeling technique, while limited attention has been given to systematic comparisons of different algorithms and the quanti - CNN · 标题包含「cnn」
ttery Remaining Useful Life Prediction Using CNN and Machine Learning Models - Generic neural network / deep learning · 标题包含「data-driven」
A Data-Driven Framework for Lithium-Ion Battery Remaining Useful Life Prediction Using CNN an - Generic machine learning · 标题包含「machine learning」
maining Useful Life Prediction Using CNN and Machine Learning Models - XGBoost / boosting · 摘要包含「xgboost」
Forest (RF), and Extreme Gradient Boosting (XGBoost), are implemented to perform a comparative analysis of different predictive mod - Random Forest · 摘要包含「random forest」
ithms, including k-Nearest Neighbors (KNNs), Random Forest (RF), and Extreme Gradient Boosting (XGBoost), are implemented to perform a com - KNN · 摘要包含「knn」
g algorithms, including k-Nearest Neighbors (KNNs), Random Forest (RF), and Extreme Gradient Boosting (XGBoost), are implemented - Bayesian · 摘要包含「uncertainty」
orithms and the quantification of prediction uncertainty. This study proposes a comprehensive data-driven framework for lithium-ion batt - Self-built / experimental dataset · 摘要包含「experimental」
nsive assessment of prediction accuracy. The experimental results demonstrate that the proposed framework provides accurate RUL predictio - Li-ion / LIB · 标题包含「lithium-ion」
A Data-Driven Framework for Lithium-Ion Battery Remaining Useful Life Prediction Using CNN and Machine Learning Models