Battery health management using physics-informed machine learning: Online degradation modeling and remaining useful life prediction

2. Battery health management using physics-informed machine learning: Online degradation modeling and remaining useful life prediction

论文基本信息

字段	内容
DOI/URL/PDF	DOI；出版社页：ScienceDirect；未获得可读 PDF
发现来源	payload source_history: Crossref；Crossref DOI 题录与出版社摘要检索片段复核
期刊/平台	Mechanical Systems and Signal Processing，vol. 179，article 109347
发表日期	Crossref published-print/issued 为 2022-11（仅月精度）；OpenAlex 的 2022-06-01 与 Crossref created 入库日一致，不当作在线发表日；未确认在线日期
作者/机构	Junchuan Shi、Alexis Rivera、Dazhong Wu；作者机构在可访问题录中未能确认
通讯作者	未能确认；不以作者顺序推断
脚本评分/证据等级	93；摘要级（出版社可检索摘要片段＋题录；未读全文）
核验路径	payload 无 PDF；DOI/Crossref 题录可核，ScienceDirect 页面请求未成功，出版社搜索摘要可确认 RUL 目标与大类方法

纳入理由与原文证据

• 主题/边界： 标题直接说明在线退化建模与锂离子电池 RUL 预测，属于电池寿命预测核心范围。
• 证据： 出版社摘要片段明确写到提出 physics-informed machine learning 方法以建模退化趋势并预测 lithium-ion battery RUL；具体实现仍须全文确认。来源：ScienceDirect。

数据集/电池体系

• 体系/数据： 目标为锂离子电池；可访问的摘要片段没有说明电芯化学体系、数据集名称、样本数或是否公开，均未能确认。
• 工况/跨域： 题名强调 online degradation modeling；动态工况、传感器种类、温度与倍率覆盖均未能确认，不从题名推定。

EOL/RUL/SOH 定义

• 目标/定义： 论文目标是 RUL，但剩余圈数/时间单位、失效阈值、标签生成与截尾处理在可访问证据中未说明。
• 未来信息风险： 不能判断训练标签是否使用完整退化轨迹、在线窗口是否只含预测时点以前数据；需获取全文检查标签与归一化方式。

模型方法

• 流程： 出版社片段确认物理信息机器学习用于退化趋势建模和 RUL 预测；物理约束、网络结构、输入特征及基线未能确认，不补写架构名称。
• 部署： 标题称 online，但实时推断成本、传感器要求和在线更新机制尚未核实。

验证设计

• 划分/泛化： 数据拆分、独立测试、跨电芯/工况验证均未能确认。
• 可信度： 信息不足；核心主题确认，但方法和实证证据停留在出版社摘要片段。

指标与结果

• 未能确认可核实的 MAE、RMSE、误差单位、测试样本或数值结果；不以脚本评分替代实验结果。取得全文后再补录。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点核查随机窗口是否跨电芯、在线预测是否使用预测时点之后的数据，以及超参数是否在测试集选择。
• 复现性： 信息不足；数据、代码、超参数与随机种子未能确认。
• 局限性： 当前只有摘要级支持；日期仅能确认刊期；缺少数据、划分和指标，无法评估跨工况适用性。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 主题明确且方法方向与物理约束 RUL 有关。优先获取全文和补充材料，确认正式在线日期、通讯作者、数据集、标签阈值、拆分方案和测试指标后再作定量比较。