Exploring Tiny Recursive Models for Time- Series Regression: Battery State-of-Health Prediction

6. Exploring Tiny Recursive Models for Time-Series Regression: Battery State-of-Health Prediction

论文基本信息

字段	内容
DOI/URL/PDF	DOI未能确认；Gothenburg University持久链接
发现来源	OpenAlex复核队列；来源历史：OpenAlex
期刊	Gothenburg University Publications Electronic Archive；作者称其为thesis（学位论文，非期刊同行评审论文）
发表日期	2026-09-30，机构库记录
作者/机构	Leonard Schick；Gothenburg University
通讯作者	不适用（学位论文作者）；机构库作者记录为Leonard Schick
脚本评分/证据等级	53；摘要级；复核晋级；命中：battery SOH prediction、TRM、LSTM
核验路径	持久链接成功，机构库题录和摘要可读；未获取全文PDF，学位论文类型及完整方法仍需人工确认

纳入理由与原文证据

• 主题/边界： 直接研究电池SOH轨迹预测和在线SoH估计，符合健康预测；虽为学位论文而非期刊论文，故标明文献类型并降低可信度。
• 证据： 摘要称在368只电芯、6个公开老化数据集及8MB模型限制下比较TRM/LSTM；早期SOH轨迹任务报告TRM MAE 0.0068、R² 0.9683。机构库记录

数据集/电池体系

• 体系/数据： 摘要称六个公开老化数据集、368只电芯；具体名称、化学体系、样本分布和采样通道未能从摘要确认。
• 工况/跨域： 约束模型大小8MB；数据覆盖范围广，但是否跨化学体系、温度和倍率外推未说明。

EOL/RUL/SOH 定义

• 目标/定义： 两个任务：前10个周期预测长度归一化的完整SOH轨迹；以最近10个周期估计当前SOH。没有直接RUL/EOL输出，属SOH目标。
• 未来信息风险： 全寿命归一化轨迹作为早期预测目标，需核查归一化长度、标签生成及拆分是否只依据训练数据；不可把结果解释为RUL。

模型方法

• 流程： 多变量电池时序→连续回归TRM；与参数受限LSTM比较，并提出频域HRRM测试递归层级更新。摘要未披露网络超参、输入采样率或完整消融。
• 部署： 8MB模型尺寸是约束条件；摘要未给实际MCU运行、内存峰值或延迟。

验证设计

• 划分/泛化： 368只电芯、6个公开集；摘要称held-out测试，但没有说明按电芯/数据集分组，也未确认独立外部测试。
• 可信度： 中低；样本规模和对照结果明确，但文献为学位论文且划分协议尚未核查。

指标与结果

• 早期轨迹预测：TRM MAE=0.0068、R²=0.9683；LSTM MAE=0.0103、R²=0.9276。HRRM MAE=0.0058、R²=0.9768；在线SoH点估计TRM/LSTM MAE分别0.0067/0.0066，差异不显著（p>0.60）。摘要未说明SoH归一化尺度。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点检查cell-wise/dataset-wise划分及全轨迹长度归一化是否引入未来长度信息。
• 复现性： 中低；数据称为公开集但名称、代码、训练细节未见于摘要；全文未取得。
• 局限性： 学位论文、非同行评审期刊；指标定义和跨数据集划分未知；部署仅有模型大小限制，未验证真实BMS硬件。

是否值得跟进

• 结论： 观望后跟进。
• 理由与下一步： 轻量递归模型方向与边缘BMS相关，但高R²需结合拆分审查。获取全文，确认六个数据集、cell-wise外推和SoH尺度后再考虑复现。