Lithium-ion battery RUL prediction based on sequence decomposition and the PatchTST-MKAN model
Junbang Ma、Jun Zhou、Xing Wu、Tao Liu
4. Lithium-ion battery RUL prediction based on sequence decomposition and the PatchTST-MKAN model
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | IOP出版社论文页；PDF地址返回出版社页面而非可读全文 |
| 发现来源 | Crossref；来源URL为DOI及IOP PDF地址 |
| 期刊/会议/平台 | Engineering Research Express, 8(1), 015312 |
| 发表日期 | 2026-01-09；IOP页面确认Published日期 |
| 作者/机构 | Junbang Ma、Jun Zhou、Xing Wu、Tao Liu；出版社页列昆明理工大学机电工程学院，另列滇西应用技术大学 |
| 通讯作者 | Jun Zhou；IOP作者页以星号标注其为通讯作者 |
| 脚本评分/证据等级 | 75；摘要级。评分理由含RUL、Transformer、NASA/CALCE及开放获取标记；指标未由脚本评分推断 |
| 核验路径 | payload PDF URL请求 → 返回IOP文章元数据/摘要页面（全文需订阅）→ IOP DOI文章页成功核对作者、日期、摘要与数据声明 |
纳入理由与原文证据
- 主题/边界： 直接预测锂离子电池RUL，使用容量退化趋势作为健康度量；不是仅做异常监测。
- 证据： 出版社摘要称对容量序列分解后用PatchTST-MKAN估计RUL，并在NASA、CALCE及自有数据上验证；IOP出版社页。
数据集/电池体系
- 体系/数据： 摘要列NASA、CALCE公开数据和作者自有数据，研究对象为锂离子电池；电芯型号、样本量及各数据子集规模未能确认。
- 工况/跨域： 摘要称有比较实验，但未给出温度、倍率、SOC窗口或跨数据集训练/测试安排。
EOL/RUL/SOH 定义
- 目标/定义： 预测RUL，采用容量退化趋势；RUL单位、EOL容量阈值和标签构造方式未在可访问摘要中说明。
- 未来信息风险： ICEEMDAN若在整段序列上拟合，可能将预测时点后的信息带入分解结果；需检查滚动预测是否仅使用历史前缀。
模型方法
- 流程： 容量序列经改进完全集成经验模态分解自适应噪声法（ICEEMDAN）拆分趋势/分量与残差，再输入PatchTST并接入多阶Kolmogorov-Arnold网络模块（MKAN）；论文称与多种基线比较。
- 部署： 摘要声称预测时间较短，但未报告运行平台、推理延迟、算力或在线更新细节。
验证设计
- 划分/泛化： NASA、CALCE及自有数据上做比较；公开摘要未说明独立电芯划分、外部测试或跨数据集训练策略。
- 可信度： 信息不足。主题、方法和来源得到出版社确认，但核心协议需全文核查。
指标与结果
- 可访问摘要没有给出RMSE、MAE、MAPE或具体测试电芯数；仅定性称性能优于多种对照并节省预测时间，不把该定性表述当作量化证据。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足偏高，关键点是序列分解边界、预测起点及调参是否接触测试后段。
- 复现性： 信息不足。IOP声明支持发现的数据包含在文章/补充材料中，但本轮未确认代码、超参、随机种子及可读全文。
- 局限性： 数据规模与体系未知；没有摘要级数字比较；部署速度优势缺少硬件和测试设置。
是否值得跟进
- 结论： 观望。
- 理由与下一步： 架构组合新颖但分解型预测尤其需要做因果性审查。取得全文后，核验按电芯划分、ICEEMDAN在线可用性和各数据集逐项误差，再决定复现优先级。
查看关键词分类依据
- RUL prediction · 标题包含「rul」
Lithium-ion battery RUL prediction based on sequence decomposition and the PatchTST-MKAN model - Transformer / attention · 摘要包含「transformer」
ence decomposition and the patch time series transformer (PatchTST) model optimized with the multi-order Kolmogorov-Arnold network (MKAN - Generic neural network / deep learning · 摘要包含「deep learning」
, the PatchTST-MKAN integrated model employs deep learning on the decomposed elements and residuals to develop a prediction framework that - Hybrid model · 摘要包含「ensemble」
he health metric, with the improved complete ensemble empirical mode decomposition with adaptive noise (ICEEMDAN) applied to break do - Empirical degradation model · 摘要包含「empirical」
metric, with the improved complete ensemble empirical mode decomposition with adaptive noise (ICEEMDAN) applied to break down capacit - NASA · 摘要包含「nasa」
xperiments conducted on public datasets from NASA and CALCE, alongside our own dataset. Comparative evaluations against various m - CALCE · 摘要包含「calce」
s conducted on public datasets from NASA and CALCE, alongside our own dataset. Comparative evaluations against various models high - Li-ion / LIB · 标题包含「lithium-ion」
Lithium-ion battery RUL prediction based on sequence decomposition and the PatchTST-MKAN mo