Coupled temporal-frequency learning framework for lithium-ion battery capacity prediction
Yuqi Shi、Xiaodong Miao
3. Coupled temporal-frequency learning framework for lithium-ion battery capacity prediction
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/出版社页；IOP PDF入口；PDF内容因机构订阅限制未取得 |
| 发现来源 | source_history: OpenAlex；来源链接：IOP文章页 |
| 期刊/会议/平台 | Measurement Science and Technology；IOP页面标注 Accepted Manuscript |
| 发表日期 | 2026-09-30；IOP给出 accepted 及 Accepted Manuscript online 日期均为 2026-09-30 |
| 作者/机构 | Yuqi Shi、Xiaodong Miao；南京工业大学机械与动力工程学院 |
| 通讯作者 | Xiaodong Miao；IOP页面列出通讯邮箱及作者联系信息 |
| 脚本评分/证据等级 | 56；命中锂电池容量预测、退化、注意力及NASA/CALCE数据集；无权威作者加分命中；摘要级，全文未开放或未成功获取 |
| 核验路径 | pdf_url：未提供 → URL/IOP页面：成功取得接受稿摘要、作者、日期及同行评审元数据 → PDF入口：页面确认需机构订阅，正文未取得 → DOI已由出版社页确认 |
纳入理由与原文证据
- 主题/边界： 预测锂离子电池容量，摘要将容量变化与退化轨迹、容量衰减和跨工况老化联系起来，属于容量衰减/健康预测相关工作；但可访问摘要主要描述容量估计，不应擅自扩展成RUL/EOL预测。
- 证据： 摘要称框架使用充放电曲线健康指标开展“capacity estimation”，并在 NASA、CALCE、TJU 数据集验证。IOP摘要
数据集/电池体系
- 体系/数据： 锂离子电池；摘要明确公开数据集为 NASA、CALCE、TJU。电芯数量、具体子集、化学体系、输入信号和采样处理未说明/未能从可访问内容确认。
- 工况/跨域： 作者称在不同老化行为下验证；温度、倍率、跨电芯拆分、跨数据集是否作为独立外测均未能确认。
EOL/RUL/SOH 定义
- 目标/定义： 论文目标为容量估计/容量预测；摘要没有给出容量标签单位、SOH换算方式、EOL阈值或RUL标签，不将常见容量阈值当作本文事实。
- 未来信息风险： 需核对健康指标如何从充放电曲线生成，以及时频变换/归一化是否只使用预测时点之前的信号。摘要未说明特征可用性边界和测试拆分，存在信息不足风险。
模型方法
- 流程： 从充放电曲线提取健康指标；多尺度卷积注意模块（MCAM）捕捉局部变化与长程时序依赖，频率感知混合专家（FA-MoE）用可学习高斯频域滤波和专家聚合形成谱表示，融合时域与频域特征估计容量。对照模型、消融设计及全部超参数未能从摘要确认。
- 部署： 摘要没有报告部署硬件、延迟、模型参数量或在线更新方式。
验证设计
- 划分/泛化： 在公开 NASA、CALCE、TJU 上验证；各数据集电芯划分、是否按电芯独立留出、跨数据集训练/测试及重复试验未能确认。
- 可信度： 信息不足；出版社页面确认同行评审为单匿名且修订1次，但机构墙限制全文，摘要无法审计验证协议。
指标与结果
- 摘要报告与竞争方法相比取得最低平均 RMSE、MAE、MAPE，并称在不同老化行为下间接测量稳定性较好；没有给出具体数值、单位、逐数据集结果或统计波动，无法确认提升幅度和显著性。
- 未见RUL/EOL或不确定性指标；脚本评分56仅为相关性排序分，不是实验结果。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；重点审计完整充放电曲线派生特征、频域窗口边界、全寿命标准化，以及数据切分是否先于窗口生成与调参。
- 复现性： 低至信息不足；当前仅能读取接受稿摘要和题录，代码、完整数据处理、随机种子及训练配置均未能确认，IOP PDF需机构订阅。
- 局限性： ①缺少可访问的数值和详细对照结果；②NASA/CALCE/TJU之外的现场验证未知；③容量估计结果不能直接解释为RUL/EOL能力。
是否值得跟进
- 结论： 观望偏跟进。
- 理由与下一步： 时频融合对应非平稳衰退与局部波动问题，且摘要覆盖三个公开数据源；但脚本评分接近最低纳入阈值，现有证据不足以比较其实际增益。下一步获取接受稿PDF，确认输入健康指标、MCAM/FA-MoE消融、按电芯拆分和各数据集RMSE/MAE/MAPE后，再决定复现优先级。
查看关键词分类依据
- Capacity fade / trajectory prediction · 标题包含「capacity prediction」
y learning framework for lithium-ion battery capacity prediction - Transformer / attention · 摘要包含「attention」
ischarge curves. A Multi‑scale Convolutional Attention Module (MCAM) is utilized to capture local degradation variations and long‑rang - CNN · 摘要包含「convolutional」
from charge‑discharge curves. A Multi‑scale Convolutional Attention Module (MCAM) is utilized to capture local degradation variations and - Kalman / particle filter · 摘要包含「filtering」
A‑MoE) leverages learnable Gaussian spectral filtering and expert aggregation to build adaptive frequency‑domain representations for s - Hybrid model · 摘要包含「fusion」
ssing non‑stationary interferences. Adaptive fusion of temporal and spectral features enhances the characterization of complicated - NASA · 摘要包含「nasa」
erse aging behaviours. Validations on public NASA, CALCE, and TJU datasets reveal that the developed framework yields the lowest - CALCE · 摘要包含「calce」
ging behaviours. Validations on public NASA, CALCE, and TJU datasets reveal that the developed framework yields the lowest average - Li-ion / LIB · 标题包含「lithium-ion」
ed temporal-frequency learning framework for lithium-ion battery capacity prediction