SOH Estimation of Lithium-Ion Batteries Using a Residual Multilayer Perceptron-Based, Physics-Informed Neural Network for the Battery Management System
Radhika G R、Kanthalakshmi Srinivasan
1. SOH Estimation of Lithium-Ion Batteries Using a Residual Multilayer Perceptron-Based, Physics-Informed Neural Network for the Battery Management System
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI / MDPI；Crossref 记录的 PDF |
| 发现来源 | source_history=OpenAlex；Crossref 摘要用于核对题录与摘要 |
| 期刊 | Batteries 12(8), article 294 |
| 发表日期 | 2026-08-08；Crossref published-online 日期 |
| 作者/机构 | Radhika G R（Government College of Technology, Coimbatore）；Kanthalakshmi Srinivasan（PSG College of Technology） |
| 通讯作者 | OpenAlex 标注 Radhika G R；出版社页面本轮不可访问，未能独立确认 |
| 脚本评分/证据等级 | 78；命中 SOH、物理信息神经网络、NASA 数据；摘要级 |
| 核验路径 | payload 无 PDF URL；尝试 MDPI DOI/文章页及 Crossref 提供 PDF 地址均未抽取成功；Crossref API 返回完整摘要，OpenAlex 记录补充作者/机构 |
纳入理由与原文证据
- 主题/边界： 直接估计电池 SOH，满足健康状态预测范围，而非仅做材料或运行优化。摘要称模型对 SOH 随循环数的正向梯度施加惩罚，以约束单调退化；不据此推断其化学机理正确。
- 证据： 摘要明确报告 NASA B0005、B0006、B0007、B0018，以及 RMSE 0.0287、MAE 0.0181、MAPE 2.69%。Crossref 摘要记录
数据集/电池体系
- 体系/数据： 使用 NASA 电池数据集上述四个编号电芯。摘要未给出电芯化学体系、容量、工况、输入通道与样本数量，均未能确认。
- 工况/跨域： 有四个电芯，但摘要未说明按电芯留出、训练测试比例、温度/倍率覆盖或外部数据；不能将“四个电芯”解释成跨电芯独立验证。
EOL/RUL/SOH 定义
- 目标/定义： 目标是 SOH 回归；SOH 标签公式、容量基准及 EOL 阈值未说明，未套用常见 80% 规则。
- 未来信息风险： 摘要称使用循环序号上的单调约束，但未说明输入是否严格截断于预测时点，也未交代归一化/特征筛选是否只在训练集拟合；时间泄漏风险信息不足。
模型方法
- 流程： NASA 电池样本 → Residual MLP → 对 SOH 关于 cycle index 的正梯度加惩罚，另用损失项改善鲁棒性及后期学习 → 输出 SOH。摘要称与纯数据驱动方法作比较，但未说明具体 baseline、网络规模或部署开销。
验证设计
- 划分/泛化： 摘要只说在四个 NASA 电芯上评估；拆分单位、独立测试设置、重复次数及外部验证均未说明。
- 可信度： 信息不足。任务、数据与结果数字可由 Crossref 摘要确认，但缺少划分细节，不能判断所报误差是否代表未见电芯。
指标与结果
- 摘要报告 RMSE=0.0287、MAE=0.0181、MAPE=2.69%；指标单位/归一化方式及各测试电芯明细未说明，不推测百分比之外的物理量解释。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；应核对窗口划分、循环序号使用方式、超参选择及归一化是否跨越测试电芯。
- 复现性： 低至信息不足；本轮未能访问正文，未确认代码、完整超参、随机种子或可直接下载的数据处理脚本。
- 局限性： 摘要级证据；四个样本电芯的拆分未知；SOH 定义与工况未交代，无法判断结果的可比性和 BMS 实用性。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： 主题直接、单调约束有可检验性，但目前不足以评估独立泛化。优先取得 MDPI 正文，核对 SOH 标签、按电芯划分与基线，再尝试逐电芯留出复现；不把摘要误差直接当作部署指标。
查看关键词分类依据
- SOH estimation · 标题包含「soh」
SOH Estimation of Lithium-Ion Batteries Using a Residual Multilayer Perceptron-Base - EOL / cycle life prediction · 摘要包含「lifetime prediction」
ded for reliable battery management systems, lifetime prediction, and safety assurance in electric vehicle and energy storage applications. Trad - Capacity fade / trajectory prediction · 摘要包含「capacity fade」
dex, thereby enforcing physically consistent capacity fade behavior. A loss function is employed to improve robustness and enhance late-cy - PINN / physics-informed · 标题包含「physics-informed」
sing a Residual Multilayer Perceptron-Based, Physics-Informed Neural Network for the Battery Management System - Generic neural network / deep learning · 标题包含「neural network」
ultilayer Perceptron-Based, Physics-Informed Neural Network for the Battery Management System - NASA · 摘要包含「nasa」
twork framework for SOH estimation using the NASA battery dataset (B0005, B0006, B0007, and B0018). The proposed model incorporat - Self-built / experimental dataset · 摘要包含「experimental」
robustness and enhance late-cycle learning. Experimental results demonstrate that the proposed approach achieves an RMSE of 0.0287, MAE - Li-ion / LIB · 标题包含「lithium-ion」
SOH Estimation of Lithium-Ion Batteries Using a Residual Multilayer Perceptron-Based, Physics-Informed Neural