Federated Physics-Informed Neural Networks for Privacy-Preserving Lithium-Ion Battery Degradation Prognostics Under Sparse Data Conditions
Ali M. Eltamaly、S. Al-Senaidi
1. Federated Physics-Informed Neural Networks for Privacy-Preserving Lithium-Ion Battery Degradation Prognostics Under Sparse Data Conditions
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI；MDPI 全文；PDF 入口 |
| 发现来源 | OpenAlex；payload source URL；source_history=OpenAlex |
| 期刊/会议/平台 | Electronics，2026，15(18)，4177；开放获取 CC BY |
| 发表日期 | MDPI 发表记录为 2026-09-14；OpenAlex payload 为 2026-09-15，存在 1 天冲突 |
| 作者/机构 | Ali M. Eltamaly、Saleh H. Al-Senaidi；King Saud University，Sustainable Energy Technologies Center、College of Engineering |
| 通讯作者 | 通讯作者：Ali M. Eltamaly；MDPI 页面以 * 和 “Author to whom correspondence should be addressed” 标注，payload 也列为 corresponding author |
| 脚本评分/证据等级 | 69；命中 battery、RUL/degradation/prognostics、physics-informed/neural、NASA、开放获取；全文级 |
| 核验路径 | payload pdf_url 为空；payload URL/DOI 的 web_extract 失败；随后打开 MDPI 出版社 HTML 成功，读取摘要、方法、实验、结论和数据可得性说明；页面 PDF 入口已确认但未成功提取二进制 PDF |
纳入理由与原文证据
- 主题/边界： 直接预测锂离子电池退化轨迹、SOH 与 EoL，并将 RUL 作为问题背景，属于电池寿命预测主任务。
- 证据： “This study proposes a Federated Physics-Informed Neural Network (F-PINN) framework...” 和 “The EoL is defined as the number of cycles when SoH(t) = 0.8.”（MDPI 全文）
数据集/电池体系
- 体系/数据： NASA Ames PCoE 公开数据中的四个锂离子 18650 电芯 B0005、B0006、B0007、B0018；CC-CV 充电 1.5 A/4.2 V、2 A 放电至 2.7 V，1 秒采样。SoH 由当前容量除以初始容量得到。
- 工况/跨域： 训练比例为 20%/40%/60%/80%，另做 0–10% 高斯噪声和客户端数量敏感性；没有跨化学体系、制造商或独立真实车队验证。客户端扩展实验使用由四条轨迹扰动生成的合成客户端。
EOL/RUL/SOH 定义
- 目标/定义： 模型用过去若干退化斜率预测下一斜率，再累加重建 SoH；SoH=1 表示新电池，EoL 定义为 SoH=0.8 时的循环数，RUL 以剩余循环数语义处理。
- 未来信息风险： 论文给出不同训练比例和目标电池设定，但未充分展示时间边界、滑窗重叠、归一化和调参是否严格隔离；复现时需逐项检查是否使用完整寿命曲线或测试段信息。
模型方法
- 流程： 退化斜率窗口 → 神经网络输出退化斜率、潜在锂浓度和温度 → 叠加单调性、Fick 扩散、热平衡残差；各客户端本地训练，仅上传参数，由服务器加权聚合。对比 LSTM、GPR、SVR 和 standalone PINN。
- 部署： 论文主张可用于隐私保护 BMS，但仅确认 MATLAB R2023b 仿真；未能确认车规硬件、推理延迟、安全聚合或差分隐私实现。
验证设计
- 划分/泛化： 以不同训练比例、噪声、物理约束消融和 0/10/20/30/40/50/100 客户端设置评估；客户端扩展并非独立实测电芯。
- 可信度： 全文级证据；实验可信度中等偏低。NASA 四电芯和联邦敏感性设计能支持方法线索，但不足以证明跨电芯群体泛化；正文数值还存在内部不一致。
指标与结果
- 消融中 data-only NN 的 RMSE/MAE/EoL error 为 0.1124/0.0941/32.60%，加入完整 PINN 约束后为 0.0681/0.0585/11.03%。
- 20% 训练、受控客户端实验中，B0005 的 EoL error 从 65.35% 降至 30 客户端的 3.96%，B0007 从 34.68% 降至 0.81%；这些客户端不是独立真实样本。
- F-PINN 20% 训练的具体 RMSE 在第 4、6、7 节出现不同数字，部分结论互相冲突，需以作者原始代码和逐表复核为准；脚本评分不是实验指标。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；重点检查时间切分、目标电芯早期数据与后续标签隔离、重叠窗口、超参选择和合成客户端生成是否接触测试轨迹。
- 复现性： 中低；NASA 数据、主要训练比例、联邦轮数 40、客户端/目标本地 epoch 80/120 等已写明，但代码未确认公开；数据可得性声明为可向通讯作者合理请求。
- 局限性： 仅四个 NASA 电芯；无外部数据和真实异质客户端；未报告多随机种子、置信区间或安全聚合实验，且数值表述需清理。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： 联邦学习与物理约束结合对稀疏寿命观测有直接参考价值，但当前更像可复现假设而非已验证部署方案。下一步按论文协议重建时间外推 benchmark，复核全部 20% 数值，加入独立电芯/温度/化学体系，并测试 secure aggregation 与真实非独立同分布客户端。
查看关键词分类依据
- RUL prediction · 摘要包含「remaining useful life」
nd smart grids, but accurate degradation and remaining useful life (RUL) prediction remains challenging under sparse data and distributed data-sto - PINN / physics-informed · 标题包含「physics-informed」
Federated Physics-Informed Neural Networks for Privacy-Preserving Lithium-Ion Battery Degradation Prognost - Federated learning · 标题包含「federated」
Federated Physics-Informed Neural Networks for Privacy-Preserving Lithium-Ion Battery Deg - LSTM · 摘要包含「lstm」
ing-data ratios and noise conditions against LSTM, GPR, SVR, and standalone PINN models. F-PINN substantially reduces the RMSE co - Generic neural network / deep learning · 标题包含「neural network」
Federated Physics-Informed Neural Networks for Privacy-Preserving Lithium-Ion Battery Degradation Prognostics Under Spars - SVR / SVM · 摘要包含「svr」
tios and noise conditions against LSTM, GPR, SVR, and standalone PINN models. F-PINN substantially reduces the RMSE compared wit - Gaussian Process · 摘要包含「gpr」
ta ratios and noise conditions against LSTM, GPR, SVR, and standalone PINN models. F-PINN substantially reduces the RMSE compare - Hybrid model · 摘要包含「fusion」
tonicity, a reduced-order Fickian lithium-diffusion constraint, and a battery thermal energy-balance constraint into the neural-net - NASA · 摘要包含「nasa」
dently supervised targets. Experiments using NASA lithium-ion battery datasets evaluate the framework under different training-da - Li-ion / LIB · 标题包含「lithium-ion」
ormed Neural Networks for Privacy-Preserving Lithium-Ion Battery Degradation Prognostics Under Sparse Data Conditions