A Data-Driven AI Framework for Monitoring Lithium-Ion Battery Health Using Secondary Operational Data

基本信息

标题：A Data-Driven AI Framework for Monitoring Lithium-Ion Battery Health Using Secondary Operational Data
DOI/URL：https://doi.org/10.3390/vehicles8070150；MDPI页面：https://www.mdpi.com/2624-8921/8/7/150
期刊/会议/预印本平台：Vehicles 8(7), 150（MDPI，开放获取）
发表日期：2026-07-01（页面记录：Received 2026-04-20；Revised 2026-06-21；Accepted 2026-06-26；Published 2026-07-01）
作者和机构：Vimal Singh Bisht（Graphic Era Hill University, India）；Nikhil Kushwaha（Delhi Technological University, India）；Nitin Sundriyal（Graphic Era Deemed to be University, India）；Sandeep Sunori（Graphic Era Hill University, India）；Oscar Salas-Peña（Ecole Centrale de Nantes, France）；José Angel Barrios（Universidad Tecnológica General Mariano Escobedo, Mexico）
通讯作者：José Angel Barrios（页面中作者 5 带 *，说明 “Author to whom correspondence should be addressed.”）
脚本评分：60
可信度：全文页面级。已尝试 DOI，doi.org 抓取失败；随后打开 MDPI URL 成功，获取到正文、作者、通讯作者、方法、结果表格与数据可用性声明；PDF直链抓取失败，未单独解析PDF。

纳入理由和命中证据

主题直接命中电池健康预测：摘要明确为锂离子电池 SOH 估计，并扩展到 RUL prediction。
任务范围符合监测主题：SOH、RUL、capacity degradation、battery health monitoring 均在正文中出现；RUL 定义为到固定 EOL 阈值（SOH=70%）的剩余时间/循环数。
数据与应用场景合理：输入限定为 BMS 中常见的二次运行信号（电压、电流、温度、充放电循环、阻抗/电阻趋势），目标是非侵入式健康监测。

创新点

将 SOH 估计与 RUL 预测放在同一个“二次运行数据”框架下，并强调不需要内部电化学测量、EIS 或拆解。
除常规误差指标外，使用 tolerance-based accuracy、Bland–Altman agreement、residual autocorrelation diagnostics、Cartesian Taylor diagram 对预测一致性和残差结构做补充诊断。
提出残差异常检测作为潜在扩展，但作者明确说明 CALCE 数据缺少标注异常，本文未做定量异常检测评估。

主要内容

模型架构/方法流程

流程：信号预处理 → 固定长度滑动窗口 → 时序特征提取 → BiLSTM 双向序列学习 → 全连接回归输出 → 统计诊断与 BMS 集成讨论。
BiLSTM 配置：窗口大小 10 cycles；2 层 BiLSTM；每层 64 hidden units；dropout 0.2；Adam；学习率 0.001；batch size 32；最多 100 epochs；early stopping 10；MSE loss。
SVM baseline：RBF kernel，min–max scaling，五折交叉验证网格搜索 C∈{0.1,1,10,100}、γ∈{0.001,0.01,0.1,1,scale}，最优 C=10、γ=0.1。
ANN：使用 MATLAB 2024 Levenberg–Marquardt 训练，报告训练/验证/测试相关系数与收敛诊断。

输入特征与输出目标

输入：电压、电流、温度、充放电循环、总充电时间、电阻趋势；另提取 RMS current、mean temperature、standard deviation、skewness、kurtosis 等统计特征。
SOH 输出：以容量比定义的 SOH（C_actual / C_rated × 100）。
RUL 输出：到 EOL 阈值的剩余循环/时间；本文采用固定 EOL 阈值 SOH=70%。
异常检测输出：仅提出基于 measured-predicted residual 的 residual score/fault flag 思路，未做定量结果。

数据来源/数据结构/电池类型/循环协议

数据来源：CALCE Battery Data Repository，University of Maryland；数据可用性声明给出 https://calce.umd.edu/battery-data。
选用单体：CS2_36。
电池类型：Lithium cobalt oxide cathode / Graphite anode。
标称参数：1.1 Ah，3.7 V；充电截止 4.2 V，放电截止 2.7 V。
验证策略：Temporal holdout。
关键限制：作者在结论中明确说明只验证了单条 CS2_36 退化轨迹，尚不能证明跨电池容量、化学体系、厂商或真实车辆工况的泛化。

结果指标

SOH 比较（Table 4）：ANN RMSE 0.0241、容差准确率 97.59%；SVM RMSE 0.0221、78.20%；RF RMSE 0.0192、98.08%；BiLSTM RMSE 0.0108、98.92%。
RUL 比较（Table 5）：ANN RMSE 28.3 cycles、MAE 22.1、±10 cycles内52%；SVM RMSE 35.7、MAE 29.4、38%；RF RMSE 24.6、MAE 19.8、60%；BiLSTM RMSE 12.4、MAE 9.7、84%。
Bland–Altman：BiLSTM mean bias 约 -0.023，多数误差位于 95% limits of agreement，未观察到明显 proportional bias。
残差 ACF：BiLSTM 相比 ANN/SVM/RF 衰减更快，作者解释为近白噪声残差行为。

Baseline/对比方法

泄漏风险/局限性/复现性

对哥哥研究/落地的启发和后续动作

可借鉴它的“统计诊断层”：在现有 SOH/RUL pipeline 之外加入 Bland–Altman、残差 ACF、Taylor diagram 或 calibration/coverage 分析，避免只看 RMSE。
作为 baseline 复现价值高：CALCE CS2_36 单 cell、BiLSTM 配置清楚，适合快速搭建一个 sanity-check notebook。
不建议直接作为强 SOTA 依据：单电池验证太弱，适合列入“工程验证/诊断指标参考”，不适合作为核心创新对标。
后续动作：若哥哥继续做寿命预测，建议把这篇的 residual diagnostics 迁移到多数据集评估（CALCE + NASA + XJTU/TJU），并专门检查 early-cycle 与跨 cell generalization。