FrancescoRSS
论文库 / 摘要证据

Battery Management System in Electric Vehicles Using Deep Learning: A Hybrid LSTM-CNN Framework for Enhanced State Estimation and Predictive Maintenance

Iconic Research and Engineering Journals首次分析 2026.06.14发表日期 2026-06-12摘要级证据

Khushbu、Dr. Vipin

论文原文 ↗来源页面 ↗原始 PDF ↗

论文卡片 1

基本信息

  • **标题：**Battery Management System in Electric Vehicles Using Deep Learning: A Hybrid LSTM-CNN Framework for Enhanced State Estimation and Predictive Maintenance
  • **作者：**Khushbu；Dr. Vipin
  • **期刊/来源：**Iconic Research and Engineering Journals
  • **日期：**2026-06-12
  • **DOI：**https://doi.org/10.64388/irev9i12-1718891
  • **URL：**https://doi.org/10.64388/irev9i12-1718891
  • **PDF：**https://www.irejournals.com/formatedpaper/1718891.pdf
  • **开放状态：**open access=true；PDF 成功抓取
  • **评分：**76
  • **评分理由：**battery/lithium-ion 命中；RUL/SOH/degradation 命中；attention/LSTM/CNN/deep learning 命中；NASA/CALCE 数据集命中；开放获取。
  • **期刊 tier/ISSN：**ISSN 2456-8880；脚本未给出高 tier；期刊指标未核验。

纳入理由和命中证据

该文明确属于电池寿命/健康预测：题名与摘要均包含 BMS、SoH、RUL、predictive maintenance、battery aging trajectories。PDF 抓取内容显示其将 CNN 用于电压-电流-温度矩阵特征学习，将 LSTM/attention 用于长期退化依赖建模，并以多任务学习同时预测 SoC、SoH、RUL。

创新点

  • CNN 提取 V-I-T 矩阵空间/局部特征。
  • BiLSTM/attention 捕捉长期老化轨迹。
  • 多任务学习同时输出 SoC、SoH、RUL。
  • 声称面向边缘部署：TensorRT/ONNX、INT8 量化、剪枝。

主要内容

研究目标是构建 EV 场景的深度学习 BMS，在动态工况与老化条件下替代或增强 ECM/EKF/启发式传统算法。可访问内容强调传统方法在温度依赖、历史依赖与非线性退化下容易漂移。

模型架构/方法流程

可访问内容显示：输入 V-I-T 多维矩阵 → CNN/可能含 squeeze-and-excitation 提取空间特征 → BiLSTM + attention 建模时序退化 → 多任务输出头预测 SoC、SoH、RUL → TensorRT/ONNX/INT8/pruning 做边缘优化。

输入特征与输出目标

  • **输入特征：**电压、电流、温度矩阵；UDDS、US06 驾驶循环下的时序数据。
  • **输出目标：**SoC、SoH、RUL。

数据来源/数据结构/电池类型/循环协议

  • **电池类型：**锂离子电池/EV 电池。
  • **数据来源：**NASA Ames Prognostics Center、CALCE benchmark；摘要声称 1,150+ cycles。
  • **循环协议/工况：**UDDS、US06；具体电池数量、倍率、温度分层、train/test split 未能从抓取内容完整确认。

结果指标

  • SoC 估计 RMSE/MAE 相比传统方法降低约 71%（可访问摘录）。
  • SoH RMSE < 1.15%。
  • RUL 预测误差约 ±18.7 cycles。
  • 边缘部署：38 ms latency，0.9 mJ energy consumption。

Baseline/对比方法

可访问内容提到 ECM、EKF、heuristic algorithms、传统 LSTM/可能的单任务 ML 作为对照背景；具体 baseline 表格与统计显著性未能完整确认。

泄漏风险、局限性、复现性

  • **泄漏风险：中-高。**NASA/CALCE 小数据集常见风险包括按循环片段随机切分、同一电池进入 train/test、全局归一化泄漏；可访问内容未确认按电池外推划分。
  • **局限性：**期刊可信度一般；方法指标很高但需核验实验划分；EV 工况与公开实验室数据之间有 domain gap。
  • **复现性：低-中。**PDF 可访问，但未从抓取内容确认开源代码、完整超参、随机种子。

对哥哥研究/落地的启发和后续动作

  • 可借鉴多任务 SoC/SoH/RUL 共享表征，但需要强制按电池/按工况外推验证。
  • 后续动作：下载 PDF 全文，核验数据划分；若无代码，仅提取架构作为 baseline，不直接采信 ±18.7 cycles 指标。

数据集/电池体系

见上：锂离子 EV 电池；NASA/CALCE；UDDS/US06；更多细节需全文核验。

EOL/RUL/SOH 定义

  • RUL 单位以 cycles 报告。
  • SOH 似乎为容量/健康状态估计；EOL 阈值未能从抓取内容确认。

模型方法

CNN + LSTM/attention + multi-task learning + edge optimization。

验证设计

声称在 NASA/CALCE benchmark 与驾驶循环下验证；具体 split、外部验证、消融设计未能从可访问内容确认。

指标

RMSE、MAE、RUL cycle error、latency、energy consumption。

泄漏风险

中-高；重点核查同一电池是否跨训练/测试。

复现性

低-中；PDF 可访问但未确认代码开放。

局限性

期刊质量、数据划分、实际 BMS 泛化需审慎。

是否值得跟进

**跟进。**主题高度相关，但作为工程启发/低优先级 benchmark 参考，不作为强证据论文。

查看关键词分类依据
  • RUL prediction · 摘要包含「remaining useful life」
    of Charge (SoC), State of Health (SoH), and Remaining Useful Life (RUL). Edge optimized deployment of TensorRT/ONNX supports real-time inference
  • SOH estimation · 摘要包含「state of health」
    ethod to predict both State of Charge (SoC), State of Health (SoH), and Remaining Useful Life (RUL). Edge optimized deployment of TensorRT/O
  • Transformer / attention · 摘要包含「attention」
    d Long Short-Term Memory (LSTM) network with attention mechanism for capturing long-range temporal dependency of battery aging traject
  • LSTM · 标题包含「lstm」
    ctric Vehicles Using Deep Learning: A Hybrid LSTM-CNN Framework for Enhanced State Estimation and Predictive Maintenance
  • CNN · 标题包含「cnn」
    Vehicles Using Deep Learning: A Hybrid LSTM-CNN Framework for Enhanced State Estimation and Predictive Maintenance
  • Generic neural network / deep learning · 标题包含「deep learning」
    Management System in Electric Vehicles Using Deep Learning: A Hybrid LSTM-CNN Framework for Enhanced State Estimation and Predictive Maint
  • Kalman / particle filter · 摘要包含「kalman」
    s such as equivalent-circuit model, extended Kalman filter (EKF), and heuristic algorithms are not effective in tracking the temper
  • Hybrid model · 标题包含「hybrid」
    in Electric Vehicles Using Deep Learning: A Hybrid LSTM-CNN Framework for Enhanced State Estimation and Predictive Maintenance
  • NASA · 摘要包含「nasa」
    ria when estimating state of charge (SoC) on NASA Ames Prognostics Center and CALCE benchmark datasets, and by maintaining an RMS
  • CALCE · 摘要包含「calce」
    ge (SoC) on NASA Ames Prognostics Center and CALCE benchmark datasets, and by maintaining an RMSE below 1.15% for SoH prediction a
  • Li-ion / LIB · 摘要包含「lithium-ion」
    ghly nonlinear degradation process of modern Lithium-ion batteries in real driving conditions. This paper introduces a novel hybrid deep