Temporal deep representation learning based remaining useful lifecyle prediction of electric vehicle lithium-ion batteries
Pradish Vaidya S.、Kevin Denzil V.、Monish S.、S. Cloudin、S. Saradha
2. Temporal deep representation learning based remaining useful lifecyle prediction of electric vehicle lithium-ion batteries
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI；IJECE 文章页；可访问 PDF |
| 发现来源 | source_history=OpenAlex；payload source URL |
| 期刊/会议/平台 | International Journal of Electrical and Computer Engineering (IJECE)，Vol. 16 No. 5，pp. 2365–2378 |
| 发表日期 | OpenAlex 为 2026-09-18；Crossref 为 2026-10-01；PDF 题头为 October 2026，文章页 modified 为 2026-09-18；日期按来源存在差异 |
| 作者/机构 | Pradish Vaidya S.、Kevin Denzil V.、Monish S.、S. Cloudin、S. Saradha；Computer Science and Engineering, Easwari Engineering College, Chennai, India；Department of Computer Science and Applications, SRM Institute of Science and Technology, Chennai, India |
| 通讯作者 | 通讯作者：S. Cloudin；PDF 末尾作者信息与题头 Corresponding Author 字段均指向其，Easwari Engineering College，邮箱为 professorcloudin@gmail.com |
| 脚本评分/证据等级 | 60；命中 lithium-ion、RUL/degradation、CNN/attention/ML/DL、dataset 和开放获取，但有 adjacent control/material/safety context 扣分；全文级 |
| 核验路径 | payload pdf_url 为空 → DOI 初始页面仅返回稀疏元数据 → DOI 重定向至文章 42588 → PDF 成功由 web_extract 读取，核验了方法、数据集、定义、结果和数据可用性 |
纳入理由与原文证据
- 主题/边界： 直接提出 EV 锂离子电池 RUL 预测框架，并明确给出生命周期与 RUL 定义，是本轮可复现实验入口最完整的主任务论文。
- 证据： PDF 将方法定义为“temporal deep representation learning based remaining useful Lifecyle prediction (TRDL-RULP)”，并说明使用 Kaggle lithium-ion battery degradation dataset；正文同时写明电池容量降到初始值 80% 时视为达到生命周期（PDF）。
数据集/电池体系
- 体系/数据： Kaggle 的 lithium-ion battery degradation dataset，正文称其仿照 NASA Ames Prognostics Center of Excellence 锂电退化数据库。表格涉及 BCt、SOH、RUL、充放电电流/电压/温度、cycle 和 battery_id，共 11 个属性并选取 10 个属性分析。
- 工况/跨域： 数据包含充放电与随循环的老化过程；具体电芯数量、化学体系、温度/倍率/SOC 窗口和跨电芯覆盖未说明。PDF 声明数据可从 Kaggle 获取，文章为 CC BY-SA。
EOL/RUL/SOH 定义
- 目标/定义： 正文明确把容量降至初始值 80% 作为达到生命周期，RUL 是从当前状态到达到该生命周期的预计运行时长；RUL 以循环相关数据表达。数据表也含 SOH 与 RUL 字段，但标签生成流程和 SOH 计算细节未充分说明。
- 未来信息风险： 输入表同时出现 SOH、RUL、cycle、battery_id，必须确认 RUL 是否只作标签、SOH 是否在预测时刻可取得，以及归一化、特征选择和滑窗是否只在训练集拟合。若随机切分相邻循环或同一 battery_id，可能把同一寿命轨迹泄漏到测试集。
模型方法
- 流程： 原始退化数据 → Z-score 归一化 → Snake Optimization 特征选择 → LSTM autoencoder 学习非线性时序潜表示 → Tuna Swarm Optimization 调参 → 连续 RUL 回归。正文列出的比较对象包括 NN、SVR、LSTM-DSSN、SVM、DCNN-TL、FCNN 和 LSTM。
- 部署： 论文将连续 RUL 估计定位于 BMS、维护和充放电管理；实际车载处理器、推理延迟、内存、在线更新和功耗未能确认。
验证设计
- 划分/泛化： 报告训练集和测试集，并给出不同 epoch 的预测曲线及多模型比较；没有说明按 battery_id、时间或工况划分，也没有独立电芯/外部数据集测试。作者称训练和测试曲线相近，但不能替代严格的时间外推验证。
- 可信度： 中；PDF、数据链接、指标表和模型流程可核验，但实验切分不透明，且结果表中训练 MAPE 7.3191、测试 MAPE 1.8496 与其他呈现方式需要逐项复算。
指标与结果
- 测试集：MSE 0.0257、RMSE 0.1603、MAE 0.1363、MAPE 1.8496、R² 0.6503。
- 训练集：MSE 0.0242、RMSE 0.1557、MAE 0.1319、MAPE 7.3191、R² 0.6562；比较表另将 TRDL-RULP 汇总为 MSE 0.024、RMSE 0.156、MAE 0.132、R² 0.656。
- 论文没有给出置信区间或不确定性评估；指标是作者在该数据切分上的结果，不等同于跨电芯泛化性能。
泄漏风险、复现性与局限性
- 泄漏风险： 高度需要审计；输入属性含 SOH、RUL 和 battery_id，正文未给按电芯/时间的切分，随机窗口可能造成同轨迹相邻样本泄漏；还需核对 Z-score、特征选择和 TSO 调参是否使用了测试信息。
- 复现性： 中；Kaggle 数据、特征字段、模型模块、对比算法和主要指标已公开，代码、完整超参、随机种子和精确切分脚本未提供。
- 局限性： 单一 Kaggle/NASA 风格数据源；没有真实 EV 车队或跨化学体系外部验证；模型由多个群智能优化组件构成，计算成本和稳定性未报告；部分指标和 R² 呈现方式需要复算。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： 这是本轮唯一成功取得全文且给出明确 80% 生命周期定义和公开数据链接的 RUL 论文，适合做审计型 baseline，但不能直接接受其泛化结论。下一步下载 Kaggle 数据，重建按电芯留出和时间外推的切分，排除 RUL/SOH 标签泄漏，复算 MAE/RMSE/MAPE/R²，并与简单 LSTM/GRU 基线比较。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
Temporal deep representation learning based remaining useful lifecyle prediction of electric vehicle lithium-ion batteries - Transformer / attention · 摘要包含「attention」
-ion battery duration are involved extensive attention. Numerous researchers are employing deep learning (DL) approaches to make sever - LSTM · 摘要包含「long short-term memory」
egradation indicators. For RUL prediction, a long short-term memory autoencoder has been exploited to capture nonlinear temporal dependencies and e - CNN · 摘要包含「cnn」
work (RNN) and convolutional neural network (CNN). This paper introduces a temporal deep representation learning based remaining - Autoencoder · 摘要包含「autoencoder」
For RUL prediction, a long short-term memory autoencoder has been exploited to capture nonlinear temporal dependencies and extract robus - Generic neural network / deep learning · 摘要包含「neural network」
hniques for predicting RUL, namely recurrent neural network (RNN) and convolutional neural network (CNN). This paper introduces a temporal - Generic machine learning · 摘要包含「machine learning」
lifetime. Recently, the quick advancement of machine learning (ML) and artificial intelligence (AI) knowledge, data-driven approaches for for - Li-ion / LIB · 标题包含「lithium-ion」
eful lifecyle prediction of electric vehicle lithium-ion batteries