An empirical analysis of degradation aware machine learning models for early life prediction of lithium-ion batteries
Nacira Boudraa、Hajer Salem、Houari Toubakh、Mohamed Redouane Kafi、Noureddine Zerhouni、Bilal Amghar
1. An empirical analysis of degradation aware machine learning models for early life prediction of lithium-ion batteries
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/出版社记录；本轮无可用 PDF 链接 |
| 发现来源 | OpenAlex、RSS/Web；Crossref DOI 题录交叉核验 |
| 期刊/会议/平台 | Journal of Energy Storage，文章号 124920；Crossref 记录卷 182、印刷期次 2026-12 |
| 发表日期 | OpenAlex 标为 2026-10-05；Crossref created 为 2026-10-05，卷期日期另列 2026-12，不能混为在线日期 |
| 作者/机构 | Nacira Boudraa、Hajer Salem、Houari Toubakh、Mohamed Redouane Kafi、Noureddine Zerhouni、Bilal Amghar；索引机构包括 University of Ouargla、CNRS、FEMTO-ST/UTBM、SKF France、ESTACA，作者与机构的逐一对应未能确认 |
| 通讯作者 | OpenAlex 元数据列 Bilal Amghar；Crossref 未标通讯作者，身份以索引记录为准 |
| 脚本评分/证据等级 | 92；摘要级。高分来自明确 cycle-life/EOL 目标、MIT 数据集及期刊命中，不是实验效果判断 |
| 核验路径 | payload 无 PDF；尝试 DOI/ScienceDirect 页面提取失败，随后查 OpenAlex 摘要与 Crossref DOI 题录。摘要可读、全文本轮不可读，以下仅据摘要记录 |
纳入理由与原文证据
- 主题/边界： 研究只用早期循环测量预测锂电 cycle life，直接属于早期寿命/EOL 预测，不是一般老化监测。摘要明确说明模型仅依赖早期测量，并建立 EOL 标签。
- 证据： 摘要给出 MIT/Severson 数据集和测试误差，并称“synthetic data reducing the test RMSE”及互信息特征选择进一步改善；见DOI 题录。
数据集/电池体系
- 体系/数据： MIT/Severson 锂离子电池数据；电芯数、化学体系、测试批次及测量窗口长度在当前可见摘要中未能确认。作者先剔除异常退化轨迹，再构造可靠 EOL 标签。
- 工况/跨域： 摘要未说明温度、倍率、充电策略或跨化学体系验证；不能把 MIT/Severson 数据集名推成外部泛化证据。
EOL/RUL/SOH 定义
- 目标/定义： 以早期数据回归 cycle life，且摘要提到 EOL 标签；具体 EOL 阈值、标签生成公式及输出单位未说明，不假定 80% 容量阈值。
- 未来信息风险： 使用真实训练轨迹生成合成轨迹；未能确认先按电芯划分再增强，或测试数据是否参与特征/标签处理，这是首要审查点。
模型方法
- 流程： 清洗退化序列 → 合成轨迹扩充 → 提取早期容量非线性描述符 → 互信息筛选 → 对比四种机器学习模型，XGBoost 表现最佳。摘要称采用离线训练、在线推理架构，但未说明在线计算负担。
- 部署： 输入为早期寿命测量，作者称可供 BMS 在线推理；处理器、内存、延迟、所需循环数及在线更新未说明，不能仅凭架构描述断言可部署。
验证设计
- 划分/泛化： 摘要报告 test 指标，并称合成轨迹来自真实训练数据；未说明训练/验证/测试的电芯级切分、随机种子、跨批次外测或是否按测试电芯隔离。
- 可信度： 信息不足。数据集和数值有摘要支持，但缺少全文及可审核的独立电芯划分细节。
指标与结果
- 摘要报告测试 RMSE 从 119±11 cycles 降到 85±5，再经互信息筛选至 79±3；R² 从 0.86 升至 0.94，MAE 为 41±2 cycles。摘要未说明误差区间代表何种重复/变异统计，也未给出各基线完整数值。
泄漏风险、复现性与局限性
- 泄漏风险： 中高/信息不足；需确认合成数据只由训练电芯生成、特征选择只在训练集拟合、同一电芯的片段没有跨集合。摘要不足以排除泄漏。
- 复现性： 信息不足；公开数据集可定位，但代码、完整预处理、超参数、随机种子和合成轨迹生成实现未能确认。
- 局限性： 摘要级；电芯数与化学体系不详；EOL 标签阈值未披露；缺少外部数据和 BMS 运行资源基准。
是否值得跟进
- 结论： 强烈跟进。
- 理由与下一步： 数值显示合成轨迹和 MI 对早期寿命回归可能有增益。下一步获取出版社全文，核对标签、按电芯切分和增强流程，并在 MIT/Severson 标准划分上复现 XGBoost 与基线。
查看关键词分类依据
- EOL / cycle life prediction · 摘要包含「end of life」
trajectories are first removed, and reliable End of Life (EOL) labels are established. Synthetic trajectories are subsequently generated - Generic machine learning · 标题包含「machine learning」
An empirical analysis of degradation aware machine learning models for early life prediction of lithium-ion batteries - XGBoost / boosting · 摘要包含「xgboost」
models evaluated, Extreme Gradient Boosting (XGBoost) achieves the best predictive performance, with synthetic data reducing the tes - Empirical degradation model · 标题包含「empirical」
An empirical analysis of degradation aware machine learning models for early life prediction - MIT / Severson · 摘要包含「severson」
roposed framework is evaluated using the MIT/Severson lithium-ion battery dataset. Among the four Machine Learning (ML) models evalua - Li-ion / LIB · 标题包含「lithium-ion」
learning models for early life prediction of lithium-ion batteries