Cross-cycle Health Indicators Construction and SOH Prediction of Lithium-ion Batteries by Cross Recurrence Quantification Analysis
L C WANG、S Y Chen、Zhiqiang Cai、Liu W、Zhenggeng Ye
2. Cross-cycle Health Indicators Construction and SOH Prediction of Lithium-ion Batteries by Cross Recurrence Quantification Analysis
基本信息
- 标题：Cross-cycle Health Indicators Construction and SOH Prediction of Lithium-ion Batteries by Cross Recurrence Quantification Analysis
- DOI/URL：https://doi.org/10.1088/3050-2454/ae8dd1
- 期刊/会议/预印本平台：Journal of Reliability Science and Engineering，Accepted Manuscript，IOPscience
- 发表日期：Accepted Manuscript online 2026-07-21；received 2026-04-28，accepted 2026-07-20
- 作者和机构：Le Wang、Shuaijie Chen、Weiyan Liu、Zhenggeng Ye（Zhengzhou University）；Zhiqiang Cai（Northwestern Polytechnical University）
- 通讯作者：Zhenggeng Ye（IOP 页面列出 email: yezhenggeng@zzu.edu.cn）
- 脚本评分：64
- 期刊指标核验：未核验；脚本期刊层级为 Journal of Reliability Science and Engineering。
纳入理由和命中证据
- 题名和摘要直接包含 SOH Prediction、Lithium-ion Batteries。
- 摘要写明：SOH 是 lithium-ion battery degradation 的关键指标；提出 cross-cycle features 来估计 SOH；用 CNN 预测 ΔSOH；NASA battery dataset 验证。
- 该文属于明确的电池健康状态预测任务，优先级高于一般健康评估/储能调度论文。
创新点
- 不只从单个或相邻循环提特征，而是用 cross-recurrence quantification analysis（CRQA）比较不同循环信号，构建跨循环差异特征矩阵族。
- 将任意两循环之间的 ΔSOH 作为预测目标，再由间接方式估计 SOH。
- CNN 结合 time-series cross-validation，试图保留 ΔSOH 的时间依赖。
主要内容 / 方法流程
- 从电池监测信号中选取跨循环比较对象。
- 通过 CRQA 生成反映不同循环之间变化的指标矩阵。
- 以两循环之间的 ΔSOH 作为监督标签。
- 训练 CNN 预测 ΔSOH。
- 在 NASA 电池数据集上评估，并与可访问摘要中提到的比较方法对比；具体 baseline 名称未能从页面确认。
输入特征与输出目标
- 输入特征：跨循环 CRQA 指标矩阵；原始信号类型页面摘要未完全展开，推测来自电池循环监测信号，但报告中不作超出摘要的断言。
- 输出目标：ΔSOH；通过 ΔSOH 间接估计 SOH。
数据来源/数据结构/电池类型/循环协议
- 数据来源：NASA battery dataset。
- 电池类型：锂离子电池。
- 电池数量、温度、倍率、循环协议：可访问页面摘要未说明，需下载 PDF 后确认。
- 验证方式：摘要称 time series cross-validation；是否按电池隔离、是否跨工况/跨数据集外部验证未能确认。
结果指标
- MAE：0.2965%。
- RMSE：0.4156%。
- 其他指标、分电池结果、置信区间：未能从可访问页面确认。
Baseline/对比方法
- 页面摘要称 evaluated and compared，但未列出 baseline 名称。
- 需 PDF/正式版本确认是否与 LSTM、CNN、GRU、SVR、GPR、Transformer 等强基线比较。
泄漏风险/局限性/复现性
- 泄漏风险：中等/信息不足。CRQA 构造任意两循环的 ΔSOH，若同一电池的循环对随机进入训练/测试，可能有同电池信息泄漏；摘要只说明 time-series cross-validation，需确认是否严格按电池或时间外推划分。
- 局限性：目前只确认 NASA 数据集；NASA 样本规模小、工况有限，泛化到大容量动力电芯/实际 BMS 仍需验证。
- 复现性：信息不足；页面未显示代码、超参数、完整架构细节。
对哥哥研究/落地的启发和后续动作
- 值得跟进：CRQA 跨循环差异特征可以作为小样本 SOH 特征工程方向，尤其适合对比“单循环/相邻循环特征”的增益。
- 后续动作：下载 IOP PDF 或等待 Version of Record；重点核查数据划分是否按电池隔离、CRQA 指标定义、CNN 输入尺寸、baseline 与代码可用性。
查看关键词分类依据
- SOH estimation · 标题包含「soh」
oss-cycle Health Indicators Construction and SOH Prediction of Lithium-ion Batteries by Cross Recurrence Quantification Analysis - CNN · 摘要包含「cnn」
ectly. Next, a convolutional neural network (CNN) with time series cross-validation is developed to predict ΔSOH, preserving the - Generic neural network / deep learning · 摘要包含「neural network」
edicting SOH directly. Next, a convolutional neural network (CNN) with time series cross-validation is developed to predict ΔSOH, preservin - NASA · 摘要包含「nasa」
d framework is implemented and tested on the NASA battery dataset, where the prediction performance is evaluated and compared. Th - Self-built / experimental dataset · 摘要包含「experimental」
n performance is evaluated and compared. The experimental results show a mean absolute error (MAE) of 0.2965% and a root mean square erro - Li-ion / LIB · 标题包含「lithium-ion」
ndicators Construction and SOH Prediction of Lithium-ion Batteries by Cross Recurrence Quantification Analysis