A Probabilistic Data-Driven Ensemble Approach for Battery Remaining Useful Life (RUL) Prognostics
Guozhu Zhi、Fahad Abul Kalam、Zhenbao Liu、Mahabub Sultan、Faisal Prodhan Abu Said Md Taher
1. A Probabilistic Data-Driven Ensemble Approach for Battery Remaining Useful Life (RUL) Prognostics
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI / 出版社全文；页面提供 PDF 下载，本次全文由 HTML 页面读取 |
| 发现来源 | OpenAlex；来源 URL：DOI |
| 期刊/会议/平台 | Batteries 12(10), 390 |
| 发表日期 | 2026-10-02；MDPI 出版社页面明确标注 Published: 2 October 2026 |
| 作者/机构 | Guozhu Zhi、Fahad Abul Kalam、Zhenbao Liu、Mahabub Sultan、Abu Said Md Taher Bin Faisal Prodhan；西北工业大学民航学院、SUNY Buffalo State University 数学系 |
| 通讯作者 | Mahabub Sultan、Abu Said Md Taher Bin Faisal Prodhan；MDPI 作者说明标注两人对应 * |
| 脚本评分/证据等级 | 93；命中 RUL、动态集成/不确定性、NASA/CALCE/MIT 数据与 Batteries 期刊；全文级 |
| 核验路径 | payload 未提供 pdf_url → 打开 MDPI 文章页并成功读取全文；DOI 元数据和作者/日期与页面匹配 |
纳入理由与原文证据
- 主题/边界： 直接预测锂离子电池 RUL，并以容量衰减至额定容量 80% 定义实验 EOL，属于核心主题。
- 证据： 出版社全文将 RUL 定义为“the number of cycles between the current state and the EOL”；实验标签取归一化容量首次低于 0.8 的周期。来源：MDPI 正文。
数据集/电池体系
- 体系/数据： 公开 NASA PCoE、CALCE、MIT、XJTU 四组锂电老化数据；共 197 个电芯、约 140,000 次充放电周期，其中 178 个有观测 EOL 并纳入监督实验。输入包括归一化容量历史、增量容量统计、电压/电流/温度周期统计及 C-rate、环境温度等协议变量。
- 工况/跨域： 覆盖不同化学体系、温度及充电协议；严格按数据集内电芯切分，不是跨数据集训练—测试迁移。
EOL/RUL/SOH 定义
- 目标/定义： EOL 为归一化容量首次低于 0.8；RUL 是到 EOL 的剩余周期数。作者提及内部电阻约翻倍也是一般性 EOL 说法，但实际实验标签使用容量阈值。
- 未来信息风险： 特征仅用当前周期及此前信息，采用因果五点中值滤波；文章称避免同一电芯循环跨训练/测试造成泄漏。仍建议复核公开实现，尤其容量归一化边界与预测值截断对测试过程的影响。
模型方法
- 流程： 历史容量与周期特征输入 BNN、BiLSTM-Attention、Transformer、Wiener-PINN 和 LSBoost；依退化阶段、温度/C-rate相似度及近期残差动态加权，并分解认知/偶然不确定性；验证集温度缩放校准区间。基线含单模型、静态简单平均与组件消融。
- 部署： 全模型在桌面 CPU 的 MATLAB R2022b 评估；文中报告完整集成 CALCE 单样本推理约 0.773 ms。嵌入式 BMS 微控制器未测试。
验证设计
- 划分/泛化： 各数据集按电芯 70/10/20 划分训练/验证/测试，5 个随机种子；未做跨数据集直接迁移，也未报告现场 BMS 闭环测试。
- 可信度： 中高。细胞级独立划分和多种子优于循环随机划分，但每个数据集验证电芯较少，区间缩放后覆盖率明显失配。
指标与结果
- 测试汇总：RMSE 80.3 cycles、MAE 51.7 cycles、MAPE 29.9%、CRPS 40.4 cycles；相对简单平均集成 RMSE 降低 28.2%（p<0.001）。最佳单模型 LSBoost 的 RMSE 为 73.1 cycles，与集成点误差无显著差异（p=0.20）。
- 不确定性：未校准 PICP@95% 为 99.1%，温度缩放后降至 78.1%；因此不能把较低 CRPS 解读为已满足 95% 安全覆盖。
泄漏风险、复现性与局限性
- 泄漏风险： 低至中；作者明确按电芯切分并限制因果输入，但代码仓库链接未能从页面确认，建议独立复核预处理与校准过程。
- 复现性： 中；给出数据来源、超参和划分细节，作者称提交材料含完整流程脚本，但本次未确认公开代码/随机种子文件。
- 局限性： 仅公开实验室数据、缺少跨数据集泛化、验证细胞不足导致区间欠覆盖；未测试微控制器部署，且未进行穷举超参搜索。
是否值得跟进
- 结论： 强烈跟进。
- 理由与下一步： RUL 任务直接、细胞隔离设计及概率评估较完整；优先索取代码，复核温度缩放/分割流程，并比较保守未校准区间与按电芯的 conformal 校准。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
ic Data-Driven Ensemble Approach for Battery Remaining Useful Life (RUL) Prognostics - EOL / cycle life prediction · 摘要包含「end of life」
discharge cycles (178 cells with an observed end of life). At these benchmarks, the proposed adaptive ensemble achieved a mean RMSE of 8 - PINN / physics-informed · 摘要包含「pinn」
rming the LSTM, Transformer, BNN, and Wiener-PINN base learners individually; its point accuracy is statistically indistinguishab - Transformer / attention · 摘要包含「transformer」
rating Bayesian neural networks (BNNs), LSTM/Transformer architectures, Wiener process–based stochastic degradation modeling, and gradie - LSTM · 摘要包含「lstm」
integrating Bayesian neural networks (BNNs), LSTM/Transformer architectures, Wiener process–based stochastic degradation modeling - Generic neural network / deep learning · 标题包含「data-driven」
A Probabilistic Data-Driven Ensemble Approach for Battery Remaining Useful Life (RUL) Prognostics - XGBoost / boosting · 摘要包含「gradient boosting」
s–based stochastic degradation modeling, and gradient boosting within a unified uncertainty-aware architecture. Unlike prior ensembles that fu - Bayesian · 标题包含「probabilistic」
A Probabilistic Data-Driven Ensemble Approach for Battery Remaining Useful Life (RUL) Prognosti - Hybrid model · 标题包含「ensemble」
A Probabilistic Data-Driven Ensemble Approach for Battery Remaining Useful Life (RUL) Prognostics - Empirical degradation model · 摘要包含「empirical」
ts, combined with temperature scaling and an empirical analysis of when scalar calibration succeeds and fails; and (3) validation acro - NASA · 摘要包含「nasa」
) validation across four benchmark datasets (NASA PCoE, CALCE, MIT, and XJTU) comprising 197 cells and approximately 140,000 char - CALCE · 摘要包含「calce」
n across four benchmark datasets (NASA PCoE, CALCE, MIT, and XJTU) comprising 197 cells and approximately 140,000 charge–discharge - MIT / Severson · 摘要包含「mit」
ium-ion batteries. This work addresses the limitations of single-model and deterministic methods by integrating Bayesian neural - XJTU · 摘要包含「xjtu」
nchmark datasets (NASA PCoE, CALCE, MIT, and XJTU) comprising 197 cells and approximately 140,000 charge–discharge cycles (178 ce - Li-ion / LIB · 摘要包含「lithium-ion」
e remaining useful life (RUL) prognostics of lithium-ion batteries. This work addresses the limitations of single-model and deterministi