Unified Explicit–Implicit Degradation Dynamics with Physics-Informed Kolmogorov–Arnold Networks for Lithium-Ion Battery SOH Estimation and RUL Prediction Under Different Charging Protocols
Yu Liao、Jie Deng、Yuhang Hu
2. Unified Explicit–Implicit Degradation Dynamics with Physics-Informed Kolmogorov–Arnold Networks for Lithium-Ion Battery SOH Estimation and RUL Prediction Under Different Charging Protocols
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | MDPI 全文 / DOI；PDF |
| 发现来源 | OpenAlex；source_history=OpenAlex；query 为 battery SOH estimation remaining useful life |
| 期刊/会议/平台 | Energies 19(16), 3742 |
| 发表日期 | MDPI 页面：2026-08-09 |
| 作者/机构 | Yu Liao（Hubei Minzu University、Sichuan University）、Jie Deng、Yuhang Hu（Hubei Minzu University） |
| 通讯作者 | Yu Liao（MDPI 标注） |
| 脚本评分/证据等级 | 83；命中 RUL/SOH、physics-informed、公开数据；全文级 |
| 核验路径 | PDF 抽取失败 → MDPI 出版社 HTML 全文成功，核对方法、表格、划分、作者与数据说明 |
纳入理由与原文证据
- 主题/边界： 同时定义 SOH 估计与 RUL 预测，直接符合监测主题；将预测放在快充协议变化下评估。
- 证据： MIT–Stanford–Toyota 公开数据含 124 个 A123 LFP/graphite 电芯；Case 2 电芯 #101 上，PIKAN-D 的 RUL RMSE/MAE 为 33.14/25.83 cycles。出版社全文
数据集/电池体系
- 体系/数据： 124 个商业 LFP/graphite 电芯，A123 Systems，1.1 Ah、3.3 V；公开 MIT–Stanford–Toyota 快充老化数据。
- 工况/跨域： 两种快充协议（4.36C/80% SOC–4.36C 与 5.3C/54% SOC–4C）；每种协议内按电芯训练/测试，并跨协议比较。并非跨化学体系或真实道路运行。
EOL/RUL/SOH 定义
- 目标/定义： 论文将 EOL 设为实测 SOH 首次达到 80% 的循环；RUL 以总寿命循环数减当前循环表示。标签依赖完整寿命记录，且阈值具有约定性。
- 未来信息风险： 80% 标签本身需事后完整曲线确定；实际在线预测时仅可输入截断前缀，需确认训练与测试窗口没有把 EOL 后信息送入特征或归一化。
模型方法
- 流程： IC 曲线统计量六项 + DC 趋势两项 → KAN 非线性表示 → 自动微分物理残差；SOH 任务用 Verhulst 显式约束或 DeepHPM 隐式动力学，RUL 采用 DeepHPM。对照 1DCNN、GRU、TCN、CNN-MLP、KAN、PINN 等；未报告标准化在线延迟/内存。
验证设计
- 划分/泛化： 按电芯留出，在两种协议的 Case 1/2 上测试；非随机窗口混分。论文说明每个设置只运行一次，#124 的结构消融属探索性，非独立 nested validation。
- 可信度： 中。明确跨电芯/跨协议比较，但单次运行、有限测试电芯和结构选择可能乐观。
指标与结果
- Case 2 #101：PIKAN-D RUL RMSE/MAE=33.14/25.83 cycles，PINN-D=52.12/40.70；SOH Case 1 #124 RMSPE/MAE=0.240/0.161。论文还指出不确定性量化不足。
泄漏风险、复现性与局限性
- 泄漏风险： 中；按电芯划分降低窗口泄漏，但报告未说明多随机种子，且超参/网格敏感性只在 #124 上检查，需核实其与最终测试的隔离。
- 复现性： 中；公共数据、PyTorch/CUDA、优化器与训练轮数等有报告，代码链接未在文章页确认。
- 局限性： 仅一类 LFP/graphite 与两类快充；无不确定性评估；推理成本和实车/部分充电部署尚未量化。
是否值得跟进
- 结论： 强烈跟进。
- 理由与下一步： 这是本批中验证设计与研究目标匹配度较高的 RUL/SOH 研究。复现时先复核 case 设计、RUL 标签构造、单次运行造成的方差及 #124 调参是否污染测试。
- 补充核验点： 跨协议证据仍限于同一公开快充数据集；后续应在独立电池批次和目标 BMS 采样频率上确认输入可得性，并报告多随机种子的误差区间。
- 应用提示： 该基准基于完整离线循环记录抽取 IC/DC 特征；部分充电数据、车辆噪声与设备上的推理资源需求尚需另行验证。
查看关键词分类依据
- RUL prediction · 标题包含「rul」
s for Lithium-Ion Battery SOH Estimation and RUL Prediction Under Different Charging Protocols - SOH estimation · 标题包含「soh」
orov–Arnold Networks for Lithium-Ion Battery SOH Estimation and RUL Prediction Under Different Charging Protocols - PINN / physics-informed · 标题包含「physics-informed」
Explicit–Implicit Degradation Dynamics with Physics-Informed Kolmogorov–Arnold Networks for Lithium-Ion Battery SOH Estimation and RUL Predi - Generic machine learning · 摘要包含「machine learning」
d KAN) framework. Under the physics-informed machine learning (PIML) paradigm, PIKAN uses Kolmogorov–Arnold networks (KAN) to learn complex n - Bayesian · 摘要包含「uncertainty」
tent modeling across tasks. Additionally, an uncertainty-based adaptive multi-task weighting strategy dynamically balances data loss, dy - MIT / Severson · 摘要包含「mit」
licability. Cross-protocol validation on the MIT–Stanford–Toyota fast-charging dataset (124 cells) shows: in the SOH task, PIKAN - Li-ion / LIB · 标题包含「lithium-ion」
sics-Informed Kolmogorov–Arnold Networks for Lithium-Ion Battery SOH Estimation and RUL Prediction Under Different Charging Protocols