MARS: Feature-guided physics-informed deep learning for real-time battery health and lifetime prediction

4. MARS: Feature-guided physics-informed deep learning for real-time battery health and lifetime prediction

论文基本信息

字段	内容
DOI/URL/PDF	DOI；IEEE Xplore摘要页；PDF需访问权限
发现来源	Crossref；来源历史：Crossref
期刊/会议/平台	IEEE Transactions on Transportation Electrification，Early Access
发表日期	IEEE Xplore标注2026-09-16；Crossref仅到2026年，DOI元数据中的2026-01-01为占位精度，不作为在线发表日
作者/机构	Innocent Izabayo、Haiquan Zhao；Southwest Jiaotong University电气工程学院
通讯作者	IEEE公开页面未标明通讯作者，未能确认
脚本评分/证据等级	77；摘要级；命中SOH、条件RUL、physics-informed/deep learning及IEEE Transactions
核验路径	payload staging PDF URL只返回IEEE题名页、无正文 → DOI解析页核对题名 → IEEE Xplore正式摘要页确认作者、2026-09-16日期、摘要和指标；付费PDF不可访问

纳入理由与原文证据

• 主题/边界： 同时估计电池SOH并预测条件RUL，明确属于健康与寿命预测，不是仅做异常告警或SOC估计。
• 证据： IEEE摘要称MARS在NASA与CALCE基准上评估SOH和条件RUL，并报告两套数据上的SOH误差及RUL预测区间覆盖率。IEEE Xplore摘要

数据集/电池体系

• 体系/数据： NASA和CALCE电池基准；摘要称锂离子电池SOH/RUL估计，但未给具体子集、化学体系、样本/电芯数量和传感器采样细节。
• 工况/跨域： 强调运行变化、非平稳老化与非高斯测量扰动；是否跨温度、倍率、设备或化学体系测试未说明。

EOL/RUL/SOH 定义

• 目标/定义： SOH估计及conditional RUL预测；摘要没有给SOH归一化口径、EOL阈值、条件变量定义、RUL单位或标签生成过程。
• 未来信息风险： 多尺度滤波按循环推进，原则上适合在线估计；需核查预测区间校准、Monte Carlo dropout及预处理是否只用训练电芯/历史数据。

模型方法

• 流程： 双分支时序编码器分离循环内电压-电流-温度动态与循环间退化；编码上下文调节等效电路模型约束的可微广义相关熵自适应Kalman滤波器，使用不确定性分解和Monte Carlo dropout输出SOH及条件RUL区间。
• 部署： 摘要报告运行时分析并定位在线BMS推理，但未提供具体硬件型号、延迟、内存、功耗或整机实测数据。

验证设计

• 划分/泛化： NASA与CALCE基准，另含消融、扰动敏感性、近EOL与运行时间分析；摘要未说明cell-wise划分、外部留出及调参协议。
• 可信度： 中；双数据集且验证维度较多，但样本划分和RUL指标明细不足，全文付费不可得。

指标与结果

• NASA SOH MAE/RMSE=0.72%/0.92%，CALCE=0.63%/0.80%；条件RUL区间覆盖率分别为100.00%和99.24%。摘要称RUL点预测表现有竞争力，但未列具体MAE/RMSE或区间宽度，覆盖率不能单独代表区间质量。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；需确认两基准按电芯而非滑动窗口随机拆分，并检查区间校准是否接触测试集标签。
• 复现性： 中低；摘要披露模块、数据基准和部分指标，但网络配置、训练代码、数据筛选及种子未确认；IEEE PDF访问受限。
• 局限性： 指标仅摘要级；RUL数值、区间宽度和EOL标签缺失；尚无摘要可证明的实车或跨化学体系验证。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： SOH与条件RUL联合估计、鲁棒滤波及区间输出值得与传统基线比较。优先获取全文，复核cell-wise切分、RUL标签、覆盖率-区间宽度权衡和真实推理成本。