Battery Health Monitoring and Remaining Useful Life Prediction Techniques: A Review of Technologies
Mohamed Ahwiadi、Wilson Wang
2. Battery Health Monitoring and Remaining Useful Life Prediction Techniques: A Review of Technologies
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | MDPI 正文及 PDF |
| 发现来源 | Crossref；出版社全文 |
| 期刊/会议/平台 | Batteries，2025，11(1)，文章 31；29 页，综述 |
| 发表日期 | 2025-01-17，MDPI 出版页与 Crossref 一致 |
| 作者/机构 | Mohamed Ahwiadi、Wilson Wang；Lakehead University，Mechanical and Mechatronics Engineering |
| 通讯作者 | Wilson Wang，出版社题录标注通讯作者 |
| 脚本评分/证据等级 | 82；主题覆盖 RUL/SOH 与混合方法；全文级 |
| 核验路径 | payload 无独立 pdf_url；DOI → MDPI 出版页，可读取 HTML 全文和 PDF 链接 |
纳入理由与原文证据
- 主题/边界： 综述聚焦锂离子电池健康监测与 RUL 估计，适合用作方法入口，不是提出新预测器的实证论文。
- 证据： 出版社摘要将方法归纳为 model-based、data-driven 与 hybrid 三类，并讨论其优势与局限；出版社全文 展示其 RUL/SOH 主题与章节内容。
数据集/电池体系
- 体系/数据： 综述范围为 Li-ion；文中示意曲线使用 NASA Ames 电池数据，不代表整篇综述的新实验数据集。其他研究所用数据集由文献汇总，不能当成本综述统一评测集。
- 工况/跨域： 讨论循环老化、日历老化及温度、倍率等影响；各引用研究工况不同，未形成统一跨温度/跨电芯 benchmark。
EOL/RUL/SOH 定义
- 目标/定义： 文中以容量相对初始值说明 SOH，并以容量损失示例说明 EOL；示例中的约 30% 容量损失不是所有被综述论文共同采用的阈值。RUL 标签和阈值在不同来源间不统一。
- 未来信息风险： 综述指出寿命定义与工况差异影响可比性；没有统一回看各研究是否按电芯隔离或防止测试信息进入训练。
模型方法
- 流程： 对机理/电化学模型、数据驱动机器学习与混合方法作分类，讨论历史数据、物理先验与模型组合；列举滤波、神经网络等路线。文章不训练单一新模型，也没有可部署的软件流程。
- 部署： 关注在线健康管理的应用动机，本文自身未报告推理延迟或硬件测试。
验证设计
- 划分/泛化： 属综述而非模型实验，没有训练/测试集或外部验证。可访问全文未见统一系统检索数据库、筛选流程及逐篇风险偏倚评估的完整协议。
- 可信度： 中。出版社全文、参考文献与示例可读，但对研究质量的综合结论受纳入研究验证方案不一致影响。
指标与结果
- 无本文原创模型的 MAE/RMSE 等测试数字；文中汇总的不同论文指标不应直接横向比较，需回到各原始研究核对阈值和测试集。
泄漏风险、复现性与局限性
- 泄漏风险： 本文无模型训练泄漏；其所综述的研究是否存在窗口泄漏或测试集调参，需逐篇审查。
- 复现性： 中；全文、章节与参考文献开放，但未确认有结构化文献筛选数据/检索式供完整复现。
- 局限性： Li-ion 范围为主；RUL/EOL 定义差异限制比较；综述分类不能替代特定数据集上的复现评估。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： 可用于补充检索词、方法分类和研究缺口；建议重点摘录其基准数据与阈值讨论，再和 2026 年系统映射综述对照，避免把综述示意数字当成模型性能。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
Battery Health Monitoring and Remaining Useful Life Prediction Techniques: A Review of Technologies - Generic neural network / deep learning · 摘要包含「data-driven」
imation under the categories of model-based, data-driven, and hybrid methods. Generally speaking, model-based methods use physical or el - Generic machine learning · 摘要包含「machine learning」
techniques leverage historical data, AI, and machine learning algorithms to identify degradation trends and predict RUL, which can provide fl - Hybrid model · 摘要包含「hybrid」
categories of model-based, data-driven, and hybrid methods. Generally speaking, model-based methods use physical or electrochemica - ECM / electrochemical model · 摘要包含「electrochemical」
peaking, model-based methods use physical or electrochemical models to simulate battery behaviour, which offers valuable insights into the p - Li-ion / LIB · 摘要包含「lithium-ion」
Lithium-ion (Li-ion) batteries have become essential in modern industries and domestic appl