Empirical model, capacity recovery-identification correction and machine learning co-driven Li-ion battery remaining useful life prediction

2. Empirical model, capacity recovery-identification correction and machine learning co-driven Li-ion battery remaining useful life prediction

论文基本信息

字段	内容
DOI/URL/PDF	DOI/文章入口；ScienceDirect文章页；未取得 PDF 链接
发现来源	Crossref/Venue；来源历史：Crossref/Venue；Crossref期刊检索及Journal of Energy Storage
期刊/会议/平台	Journal of Energy Storage
发表日期	DOI落地条目显示2024-10-23；payload的Crossref日期为2024-12-01且注明精度待核。前者按在线日期记录，卷期日期仍待出版社完整书目页复核
作者/机构	Zhigang Lv、Zhiwen Chen、Peng Wang、Chu Wang、Ruohai Di、Xiaoyan Li、Hui Gao；DOI信息列示Xi’an Technological University
通讯作者	Zhiwen Chen、Chu Wang；DOI信息标示两人为通讯作者
脚本评分/证据等级	78；标题与摘要直接指向锂电池RUL；摘要级
核验路径	无payload PDF；ScienceDirect文章页确认题名及期刊入口；DOI落地信息成功取得摘要、作者、通讯作者、机构和在线日期。

纳入理由与原文证据

• 主题/边界： 研究直接预测锂离子电池RUL及容量退化趋势，并讨论不同失效阈值，符合寿命预测范围。
• 证据： 摘要称以目标电池历史数据构造双指数引导序列，识别并校正容量恢复，再由机器学习给出预测；摘要报告退化趋势预测MAPE为3.79%，不同失效阈值下RUL平均RA约90%。DOI摘要

数据集/电池体系

• 体系/数据： 锂离子电池；摘要称在公开数据集上实验，但未列数据集名称、化学体系、电芯数或公开下载入口。
• 工况/跨域： 方法强调只用目标电池历史数据；温度、倍率、SOC窗口、不同电芯/批次覆盖及跨域设定均未能从摘要确认。

EOL/RUL/SOH 定义

• 目标/定义： 输出为容量退化趋势与RUL，且比较不同失效阈值；摘要未给出各阈值数值、RUL单位、阈值标签生成规则或预测起点。
• 未来信息风险： 需检查双指数拟合、容量恢复识别和机器学习特征是否只用预测时点前的数据，以及同一电芯切分是否严格按时间；摘要未提供这些细节。

模型方法

• 流程： 目标电池历史序列 → 双指数经验退化模型生成引导序列 → 识别并校正可恢复容量 → 机器学习协同预测。具体学习器、特征、基线和消融未能从可访问摘要确认。
• 部署： 只确认依赖目标电池历史数据；在线计算、传感器需求和BMS部署未说明。

验证设计

• 划分/泛化： 在作者所称公开数据集上实验，但摘要未列训练/测试比例、按电芯划分、数据集名称或外部测试。无法确认报告结果是否来自独立留出测试。
• 可信度： 信息不足；研究问题与指标直接，但数据身份、失效阈值和验证协议缺失，暂不应据摘要数值判断领先性。

指标与结果

• 摘要报告退化趋势预测MAPE 3.79%；多个失效阈值下RUL平均RA约90%。样本数、测试集、置信区间及各阈值分别结果未说明，以上仅复述摘要，不作为可比基准。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；关键核查点是经验曲线是否利用完整寿命拟合、恢复容量校正是否使用未来容量，以及超参数是否在测试集上选择。
• 复现性： 低至信息不足；摘要未指明数据集、学习器、代码、参数或随机种子。
• 局限性： ①数据集和测试切分不明；②失效阈值及RUL标签细节缺失；③当前只有摘要证据，不能审计容量恢复处理的具体实现。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 容量恢复校正可能缓解非单调退化对RUL估计的影响。下一步获取全文，确认数据集、阈值、时间切分与模型结构，再以相同电芯和预测截点复现。