Feature driven machine learning framework for accurate and computationally efficient remaining useful life prediction of lithium-ion batteries
Sanju Kumari Singh、Mehak Jain、Swami Nisha Bhagirath
5. Feature driven machine learning framework for accurate and computationally efficient remaining useful life prediction of lithium-ion batteries
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/出版社全文页面；Nature文章页 |
| 发现来源 | Crossref/Venue；source_history=Crossref/Venue；本轮为新观察记录。 |
| 期刊/会议/平台 | Scientific Reports；出版社标注early access/accepted research。 |
| 发表日期 | 出版社确认Published 2026-10-20；收到2026-06-30、接收2026-08-21。 |
| 作者/机构 | Sanju Kumari Singh（Thapar Institute of Engineering and Technology）、Mehak Jain（Thapar Institute）、Swami Nisha Bhagirath（Manipal University Jaipur）。 |
| 通讯作者 | Swami Nisha Bhagirath；出版社明确列为Corresponding author。 |
| 脚本评分/证据等级 | 69；命中RUL、机器学习及电池数据。摘要级；Nature官方摘要、作者/单位和日期可读。 |
| 核验路径 | payload无PDF直链；按DOI访问Nature官方文章页，成功核对摘要、作者、通讯作者、发表/接收日期及性能结果。 |
纳入理由与原文证据
- 主题/边界： 明确预测锂离子电池RUL，属于核心寿命预测任务。
- 证据： Nature摘要称从NASA电池退化数据提取最大放电电压与最小充电电压，并比较kNN、SVR、RF；出版社摘要。
数据集/电池体系
- 体系/数据： NASA电池退化数据集，题名指明锂离子体系；摘要另称使用独立电池数据验证，但未给数据集名称、电芯数量或化学体系。
- 工况/跨域： 摘要提到独立数据集和预测曲线趋势，未提供工况、温度、倍率及外部集的训练/测试关系。
EOL/RUL/SOH 定义
- 目标/定义： RUL回归；RUL单位、EOL阈值和标签生成方式未说明。
- 未来信息风险： NASA数据预处理含探索分析和归一化；摘要未说明拆分先后、归一化是否只在训练集拟合，或独立集是否用于选模。
模型方法
- 流程： 传感器派生特征→特征分析筛选最大放电电压、最小充电电压→kNN、SVR、Random Forest预测RUL。RF整体最佳；kNN训练时间较短，SVR误差较大且计算成本较高。
- 部署： 摘要提出适用于实时BMS的潜力，但未报告硬件、单次延迟、内存或实机验证；不把作者的适用性表述当作部署证据。
验证设计
- 划分/泛化： NASA数据及独立电池数据验证；独立集身份、样本规模、按电芯/时间切分方式与调参隔离均未说明。
- 可信度： 信息不足；独立数据验证是积极信号，但无法审计是否真正独立或对应跨电芯测试。
指标与结果
- Nature摘要报告RF的R²=0.9421、RMSE=77.47；RMSE单位/样本集合口径未说明。kNN准确度相近且训练较快；SVR准确度较低、计算代价较高。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；重点检查特征/归一化是否跨测试集拟合、独立数据集是否参与模型选择及样本是否按电芯隔离。
- 复现性： 低至信息不足；数据来源、特征与模型族可识别，但代码、参数、随机种子、拆分及完整误差口径未在摘要确认。
- 局限性： ①独立数据集和样本规模不明；②RMSE量纲未给；③可读证据为摘要，未核验训练和部署细节。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： 两个电压特征与轻量模型适合做简洁基线，且发表时间新。优先索取全文，确认RUL单位、独立集身份、按电芯划分及77.47的误差尺度，再决定是否复现。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
k for accurate and computationally efficient remaining useful life prediction of lithium-ion batteries - Generic neural network / deep learning · 摘要包含「deep learning」
ystems. Furthermore, it could be extended to deep learning and adaptive models to be used under diverse operating conditions. - Generic machine learning · 标题包含「machine learning」
Feature driven machine learning framework for accurate and computationally efficient remaining useful life pred - Random Forest · 摘要包含「random forest」
(kNN), Support Vector Regression (SVR), and Random Forest (RF). The models are evaluated using multiple statistical performance metrics. - SVR / SVM · 摘要包含「svr」
Neighbors (kNN), Support Vector Regression (SVR), and Random Forest (RF). The models are evaluated using multiple statistical p - KNN · 摘要包含「knn」
gression models, namely k-Nearest Neighbors (kNN), Support Vector Regression (SVR), and Random Forest (RF). The models are evalu - NASA · 摘要包含「nasa」
mework uses sensor-derived features from the NASA battery degradation dataset. The data are first preprocessed through explorator - Li-ion / LIB · 标题包含「lithium-ion」
fficient remaining useful life prediction of lithium-ion batteries