Joint estimation of battery state of health and remaining useful life via degradation encoding and implicit physics-informed neural networks
Zheng Liu、Linfeng Yao、Wenjing Huang、Yanjun Jiang、Siyuan Qiu、Xiaofeng Tang
论文卡片 1
论文基本信息
- 标题：Joint estimation of battery state of health and remaining useful life via degradation encoding and implicit physics-informed neural networks
- DOI/URL：https://doi.org/10.1016/j.jpowsour.2026.241124
- 期刊/会议/预印本平台：Journal of Power Sources，Elsevier，volume 692，article number 241124
- 发表日期：OpenAlex 记录为 2026-07-31；Crossref
published-print为 2026-11；Crossref 创建/入库日期为 2026-07-31 - 作者和机构：Zheng Liu, Linfeng Yao, Wenjing Huang, Yanjun Jiang, Siyuan Qiu, Xiaofeng Tang；机构未能从 Crossref/可访问页面确认
- 通讯作者：未能确认
- 脚本评分：78
- 期刊指标核验：未核验具体 JIF/JCI/CiteScore 数值；本地脚本按 Journal of Power Sources 作为 core battery journal / Q1 加权
纳入理由和命中证据
- 纳入理由：题名直接包含 battery state of health 与 remaining useful life，并声明使用 degradation encoding 和 implicit physics-informed neural networks，属于电池 SOH/RUL 联合预测核心范围。
- 命中证据：Crossref 元数据确认题名、期刊、DOI、作者；参考文献中出现 battery SOH estimation、battery RUL、joint prediction of SOH and RUL of lithium-ion batteries 等上下文。
- 与排除范围区别：不是单纯材料制备、储能调度或热管理；目标变量明确是 SOH/RUL。
创新点
- 从题名看，可能把退化编码与隐式 physics-informed 神经网络结合，用于 SOH 与 RUL 联合估计。
- 因全文/摘要未能成功获取，具体的物理约束形式、损失函数、网络结构、是否端到端联合学习仍不能确认。
主要内容
- 可确认内容：Journal of Power Sources 论文，主题为电池 SOH 与 RUL 联合估计。
- 未能确认内容：实验数据集、电池类型、输入曲线、模型架构细节、结果数值、baseline、消融实验。
模型架构/方法流程
- 已确认：题名声明 degradation encoding + implicit physics-informed neural networks。
- 未说明/未能从可访问内容确认：编码器结构、PINN 约束变量、是否使用 ODE/PDE/等效电路参数、损失函数组成、训练流程。
输入特征与输出目标
- 输入特征：未说明/未能从可访问内容确认。
- 输出目标：SOH 与 RUL 联合估计（题名确认）。
数据来源/数据结构/电池类型/循环协议
- 数据来源：未能从可访问内容确认。
- 电池类型：题名未明确化学体系；参考文献上下文偏锂离子电池，但本文具体体系未能确认。
- 循环协议：未能从可访问内容确认。
结果指标
- 未能从可访问内容确认。后续需等 ScienceDirect 摘要/全文可访问后补充 MAE/RMSE/RUL cycle error、SOH error 等指标。
Baseline/对比方法
- 未能从可访问内容确认。Crossref 参考文献显示其上下文涉及 LSTM、XGBoost、data-physics fusion、bimodal images、single-cycle charging data 等相关工作，但不代表本文 baseline。
泄漏风险/局限性/复现性
- 泄漏风险：信息不足。重点检查是否按电池划分 train/test、是否使用完整退化轨迹生成早期特征、是否把未来容量曲线引入 degradation encoding。
- 局限性：当前最大局限是全文不可访问，不能核验实验设计。
- 复现性：信息不足；未确认代码、数据、超参数是否公开。
对哥哥研究/落地的启发和后续动作
- 启发：SOH+RUL 联合估计和物理约束联合建模值得重点关注，可能可借鉴到“先估健康状态再约束 RUL 分布”的多任务框架。
- 后续动作：
- 追踪 ScienceDirect 页面是否开放摘要/PDF。
- 核验是否有跨电池/跨工况外推，而不是随机切片。
- 若方法确实用 implicit physics-informed loss，提取其约束形式并加入项目方法库。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
nt estimation of battery state of health and remaining useful life via degradation encoding and implicit physics-informed neural networks - SOH estimation · 标题包含「state of health」
Joint estimation of battery state of health and remaining useful life via degradation encoding and implicit physics-informe - PINN / physics-informed · 标题包含「physics-informed」
l life via degradation encoding and implicit physics-informed neural networks - Generic neural network / deep learning · 标题包含「neural network」
ation encoding and implicit physics-informed neural networks