An Interactive Remaining Useful Life Estimation Method for Lithium-Ion Batteries Based on Composite Performance Index and Nonlinear Wiener Process
Shisheng Fu、Ruifeng Chen、Xiao He、Hangfeng Guo、Baokang Zhang、Qi Wu、Wen‐An Zhang
1. An Interactive Remaining Useful Life Estimation Method for Lithium-Ion Batteries Based on Composite Performance Index and Nonlinear Wiener Process
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/出版社文章页；payload 未提供独立 PDF URL |
| 发现来源 | OpenAlex；source URL |
| 期刊/会议/平台 | Journal of Advanced Computational Intelligence and Intelligent Informatics；Fuji Technology Press |
| 发表日期 | 2026-09-19；OpenAlex 题录与出版社页均指向 2026 年文章，页面在 2026-09-20 更新 |
| 作者/机构 | Shisheng Fu、Ruifeng Chen、Xiao He、Hangfeng Guo、Baokang Zhang、Qi Wu、Wen-An Zhang。已确认机构：Zhejiang University of Technology、Zhejiang Zhongchai Machine Co., Ltd.、University of Pennsylvania、Zhejiang Hengjiu Transmission Technology Inc., Ltd. |
| 通讯作者 | Qi Wu；出版社页以 †Corresponding author 标注 |
| 脚本评分/证据等级 | 70；摘要级。主要命中：锂离子电池、RUL/退化轨迹、深度学习/神经网络/Bayesian、开放获取 |
| 核验路径 | pdf_url 未提供 → DOI/出版社页成功获取题名、作者、机构、通讯作者和摘要；未获得全文 PDF |
纳入理由与原文证据
- 主题/边界： 文章标题直接以 lithium-ion battery 的 RUL estimation 为目标，摘要同时讨论 performance degradation trajectory，属于电池寿命预测核心范围。
- 证据： 出版社摘要称框架“integrating deep learning and nonlinear Wiener process”，并称在公开数据集上使 RMSE 和 MAE “by more than 20%”下降；原文页面。
数据集/电池体系
- 体系/数据： 已确认是锂离子电池；摘要只说使用 public datasets，未说明数据集名称、电芯数量、化学体系细分、采样频率或传感器字段。摘要提到 multi-source sensor data，但具体输入未能确认。
- 工况/跨域： 未说明温度、倍率、SOC 窗口、充放电协议以及按电芯/批次的覆盖，也未能确认是否存在跨工况或跨化学体系测试。
EOL/RUL/SOH 定义
- 目标/定义： 目标是 RUL 预测，并构造一维 composite performance indicator 描述退化轨迹；EOL 阈值、RUL 单位、标签生成方式和是否采用容量阈值均未说明，不能自行假定为 80% SOH。
- 未来信息风险： 文章摘要没有说明在线更新时使用的观测窗口、后验平滑范围或测试集调参方式。需要重点检查完整寿命曲线是否参与特征选择/归一化，以及个体差异参数更新是否看到未来信息。
模型方法
- 流程： 多源传感器数据 → 带嵌入式 L1 正则的 autoencoder 提取退化特征 → 神经网络构造复合性能指标 → 带时变漂移函数的 nonlinear Wiener process → Bayesian posterior update，输出个体化 RUL。摘要称该结构实现 data-model interaction，但损失函数和 baseline 未列全。
- 部署： 摘要明确提到 online adaptive parameter adjustment，但没有给出设备计算量、更新延迟、传感器最低配置或 BMS 部署测试；其余均未能确认。
验证设计
- 划分/泛化： 仅能确认在 public datasets 上进行了 experimental verification；未能确认按电芯、LOCO、时间外推还是随机窗口划分，也未确认外部数据或独立测试集。
- 可信度： 中等偏低、信息不足。方法链条和摘要数字可核验，但验证协议、样本粒度和基线细节缺失，不能据此判断跨电芯泛化。
指标与结果
- 摘要报告 RMSE 和 MAE 相比对照方案均降低超过 20%，但未给出绝对值、对照模型名称、测试集和置信区间。出版社摘要 是当前唯一结果证据。
- 点预测之外，摘要提到 Bayesian 后验和个体差异量化，但没有报告预测区间覆盖率、校准误差或不确定性分解；脚本评分不是实验结果。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；需检查 autoencoder/L1 特征选择是否只在训练段拟合、复合指标是否使用完整寿命轨迹，以及 Bayesian 更新是否在严格的在线时序边界内执行。
- 复现性： 信息不足。出版社页显示开放许可，但当前未确认代码、数据下载地址、超参数、随机种子和完整 preprocessing。
- 局限性： ① 数据集名称和电芯规模未说明；② 未知是否跨温度、倍率或化学体系验证；③ 摘要级证据无法评估在线计算成本与真实 BMS 可部署性。
是否值得跟进
- 结论： 强烈跟进。
- 理由与下一步： 该文直接命中 RUL，并把随机退化模型与深度特征、Bayesian 个体化更新结合，值得作为“数据驱动 + 退化过程”基线候选。下一步获取全文，记录数据集/阈值/划分/基线/代码，并用同一电芯级 benchmark 检查 >20% 改善是否稳健。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
An Interactive Remaining Useful Life Estimation Method for Lithium-Ion Batteries Based on Composite Performance Inde - Capacity fade / trajectory prediction · 摘要包含「degradation trajectory」
works to accurately describe the performance degradation trajectory of the battery. Subsequently, a stochastic degradation model based on the NWP i - Autoencoder · 摘要包含「autoencoder」
or data are automatically extracted using an autoencoder incorporating embedded L1 regularization. Second, a one-dimensional composite p - Generic neural network / deep learning · 摘要包含「neural network」
ite performance indicator is constructed via neural networks to accurately describe the performance degradation trajectory of the battery. - Bayesian · 摘要包含「bayesian」
ime-varying drift function. On this basis, a Bayesian posterior update mechanism is integrated to adaptively adjust model parameters - Self-built / experimental dataset · 摘要包含「experimental」
ividual differences are quantified. Finally, experimental verification on public datasets demonstrates that the proposed method reduces r - Li-ion / LIB · 标题包含「lithium-ion」
Remaining Useful Life Estimation Method for Lithium-Ion Batteries Based on Composite Performance Index and Nonlinear Wiener Process