Fault prognostics of lithium-ion batteries in industrial battery management systems
Nacira Boudraa、Houari Toubakh、Hajer Salem、Mohamed Redouane KAFI、Noureddine Zerhouni、Bilal Amghar
论文卡片 1：Fault prognostics of lithium-ion batteries in industrial battery management systems
基本信息
- 标题：Fault prognostics of lithium-ion batteries in industrial battery management systems
- DOI/URL：https://doi.org/10.1016/j.jpowsour.2026.240873
- 期刊/会议/预印本平台：Journal of Power Sources，Elsevier，volume 692，article 240873
- 发表日期：OpenAlex/Crossref 创建/上线 2026-08-02；Crossref print issue 显示 2026-11
- 作者和机构：Nacira Boudraa；Houari Toubakh；Hajer Salem；Mohamed Redouane Kafi；Noureddine Zerhouni；Bilal Amghar。机构信息未能从 Crossref 元数据确认。
- 通讯作者：未能确认
- 脚本评分：86
- 期刊指标核验：未核验；脚本期刊分层为 core battery journal / Q1。
- 访问核验：按规则尝试 DOI/ScienceDirect 页面，web_extract 对 DOI 和 ScienceDirect 失败；Crossref API 可确认题名、作者、期刊、DOI、PII S037877532601623X、开放许可；主题与摘要来自 OpenAlex payload，可信度为“元数据 + 摘要级”，全文未成功获取。
纳入理由和命中证据
- 题名直接命中 lithium-ion battery fault prognostics / BMS。
- 摘要明确写到 anomaly detection 与 RUL prediction 往往被独立处理，文章提出统一的 anomaly-aware prognostic framework，将退化偏差转成 RUL 估计输入。
- 与普通 BMS 保护/调度论文不同：目标不是单纯告警或控制，而是用异常演化信号提高剩余寿命预测。
创新点
- 把统计校准的健康退化参考模型产生的 residual/anomaly indicators 作为 exogenous inputs 输入 MTO-LSTM。
- 将异常不只作为故障指示，而是重构为捕捉早期退化动态的信息信号。
- 面向 industrial BMS 场景，强调 anomaly detection 与 RUL estimation 的协同。
主要内容
- 构建健康样本的 degradation reference model，得到 nominal aging behavior。
- 使用 confidence-bounded prediction intervals 和 percentile thresholds 构造 normalized residual-based anomaly representation。
- 将异常指标嵌入 MTO-LSTM，学习正常和异常状态下的退化时间依赖。
模型架构/方法流程
- 健康电池数据 → 统计校准退化参考模型。
- 当前退化轨迹 → 残差 / 置信区间 / 百分位阈值 → anomaly indicators。
- anomaly indicators 作为外生输入进入 MTO-LSTM。
- 输出 RUL 估计，并与标准 LSTM / hybrid benchmarks 对比。
输入特征与输出目标
- 输入特征：摘要级可确认包括退化残差、异常演化指标；原始电压/电流/容量等具体输入未能从可访问内容确认。
- 输出目标：RUL estimation；是否同时输出 fault probability / SOH 未能确认。
数据来源/数据结构/电池类型/循环协议
- 数据集：CALCE lithium-ion battery datasets。
- 电池类型：lithium-ion；具体化学体系、容量规格、循环温度/倍率未能从可访问内容确认。
- 验证设计：摘要称在 CALCE 数据集上验证；训练/测试划分、跨电池外推、早期预测窗口未能确认。
结果指标
- 摘要称 early anomaly detection 改善，RUL prediction accuracy 高于 standard LSTM-based 和 hybrid benchmark models。
- 具体 MAE/RMSE/cycle error 数值未能从可访问内容确认。
Baseline/对比方法
- standard LSTM-based models；hybrid benchmark models。
- 具体 baseline 名称、参数和公平性未能确认。
泄漏风险/局限性/复现性
- 泄漏风险：信息不足。需要全文检查是否按 battery-level split，是否将完整轨迹统计量泄漏到早期预测。
- 局限性：目前只确认 CALCE；若无跨数据集/真实 BMS 外部验证，工业 BMS 泛化仍需谨慎。
- 复现性：信息不足。未能确认代码、超参、训练细节是否开放。
对哥哥研究/落地的启发和后续动作
- 可借鉴“异常演化指标作为 RUL 外生输入”的建模思路，把 anomaly score、残差分位数、confidence interval crossing 次数加入现有 SOH/RUL pipeline。
- 后续动作：获取 ScienceDirect 全文；重点抄录 residual indicator 定义、MTO-LSTM 输入张量、early prediction protocol 和 RUL 指标。
查看关键词分类依据
- RUL prediction · 摘要包含「rul」
making. In particular, anomaly detection and RUL prediction are still commonly treated as independent tasks, limiting their pote - LSTM · 摘要包含「lstm」
are embedded as exogenous inputs into a MTO-LSTM network to improve learning of temporal degradation dependencies under both nor - Hybrid model · 摘要包含「hybrid」
dard Long Short-Term Memory (LSTM)-based and hybrid benchmark models, demonstrating the benefit of integrating statistically ground - CALCE · 摘要包含「calce」
Center for Advanced Life Cycle Engineering (CALCE) lithium-ion battery datasets. Experimental results show improved early anomaly - Self-built / experimental dataset · 摘要包含「experimental」
eering (CALCE) lithium-ion battery datasets. Experimental results show improved early anomaly detection and higher RUL prediction accurac - Li-ion / LIB · 标题包含「lithium-ion」
Fault prognostics of lithium-ion batteries in industrial battery management systems