A Lithium-Ion Battery Remaining Useful Life Prediction Framework Based on Mode Decomposition and CNN-TimeXer

4. A Lithium-Ion Battery Remaining Useful Life Prediction Framework Based on Mode Decomposition and CNN-TimeXer

论文基本信息

• 标题： A Lithium-Ion Battery Remaining Useful Life Prediction Framework Based on Mode Decomposition and CNN-TimeXer
• DOI/URL： 10.3390/electronics15163687；MDPI 页面
• 期刊/会议/预印本平台： Electronics，2026，15(16)，3687
• 发表日期： 2026-08-18（OpenAlex/MDPI 检索摘要）
• 作者和机构： Jiayun Xu、Hairong Li；OpenAlex 机构元数据列为 Lanzhou University of Technology、Lanzhou University；MDPI 搜索摘要显示 School of Microelectronics Science and Engineering, Lanzhou University, Lanzhou 730100, China。作者与机构逐人对应关系未能从正文确认。
• 通讯作者： 未能确认（MDPI 搜索摘要可见“Author to whom correspondence should be addressed”，但抓取失败导致无法可靠映射到 Xu 或 Li，故不猜测）
• 脚本评分： 62。命中 Li-ion、RUL/life prediction/degradation、CNN、CALCE，且标记为开放获取；脚本未命中权威作者加分。
• 期刊指标核验： 未核验数值。
• 核验结果与可信度： 已尝试 DOI 和 MDPI 页面/PDF；web_extract 与 curl 均遇到 MDPI 403。可访问的 MDPI/Scilit 搜索摘要确认方法、CALCE 四电芯、5:5/6:4 split 和部分指标。故本卡为摘要/检索结果级，正文未成功获取。

纳入理由

• 题名直接命中 Li-ion RUL prediction；摘要明确用容量轨迹预测和重构支撑 threshold-based EOL inference。
• 这是直接的寿命/退化轨迹预测论文，不是普通电池材料或储能调度论文。

创新点

• 用 Dream Optimization Algorithm（DOA）自适应优化 VMD 参数，把容量序列分解为更清晰的多尺度模态。
• 每个模态使用 CNN-enhanced TimeXer：CNN 捕捉局部波动，TimeXer 处理长程依赖，最后重构容量轨迹并推断 EOL/RUL。
• 搜索摘要还显示，在 5:5 与 6:4 设置下对比 PatchTST 等模型，DOA-VMD-CNN-TimeXer 在四个测试电芯上保持优势；相对手工 VMD+CNN+TimeXer，DOA 进一步降低平均 RMSE（具体实验表需全文复核）。

主要内容

容量序列 → DOA 优化 VMD → 多模态分解 → 每个分量分别经 CNN-TimeXer 预测 → 重构未来容量轨迹 → 与 EOL 阈值比较得到 RUL-oriented prognosis。摘要报告在四个 CALCE 电芯上的结果，但没有说明是否使用实时电压/电流/温度作为辅助输入。

数据集/电池体系

• 电池体系： Li-ion；化学体系、额定容量和电芯老化协议未能从可访问摘要确认。
• 数据来源： CALCE 公共电池数据；4 个电芯，搜索摘要标识为 CS35–CS38。
• 数据结构/循环协议： 以 cycle-wise capacity trajectory 为主；采用 5:5 和 6:4 train–test split。精确 split 时间点、采样协议、温度/倍率和是否有多通道输入未确认。
• 跨域验证： 未见跨数据集/跨化学体系证据；当前只确认四个 CALCE 电芯。

EOL/RUL/SOH 定义

• 目标： 预测容量退化轨迹，并通过 threshold-based end-of-life inference 得到 RUL-oriented 结果。
• EOL 阈值： 摘要没有说明具体容量保持率或其他阈值，不能默认是 80%。
• RUL 单位： 预计为剩余循环数，但正文未成功获取；应以全文标签定义为准。
• SOH： 主要通过容量轨迹间接体现，是否显式输出 SOH 未能确认。

模型方法

• 方法类别： mode decomposition + CNN + Transformer/TimeXer + optimization。
• 模型架构/方法流程： capacity sequence → DOA 搜索 VMD 参数 → VMD 模态分解 → CNN 提取局部模式 + TimeXer 建模长程依赖 → 各模态预测 → trajectory reconstruction → threshold-based EOL/RUL。
• 输入特征与输出目标： 输入至少包含历史容量序列/循环索引；输出为未来容量轨迹及由阈值推导的 RUL。窗口长度、是否使用电压/电流/温度、DOA 搜索空间和超参未说明。
• Baseline/对比方法： 搜索摘要明确提到 PatchTST、VMD+CNN+TimeXer 和 LSTM-type competitor；完整 baseline 清单和参数公平性需全文确认。

验证设计

• 数据划分方式： 5:5 与 6:4 train–test split；由于正文不可访问，暂不能确认是否严格时间外推，还是在单电芯轨迹上按比例切片。
• 独立测试/外部验证： 4 个 CALCE 电芯构成有限的按电芯比较；未确认跨数据集外部测试。
• 消融/鲁棒性： DOA 优化与手工 VMD 的比较、不同 split 和 PatchTST 对比是已确认线索；去 CNN、去 TimeXer、不同噪声和不同 EOL 阈值的实验未确认。

指标

• 摘要报告 RMSE 0.010316–0.014528，所有对应 R² >0.994。
• 搜索摘要进一步给出 6:4 split 下 CS35–CS38 的 RMSE 为 0.014528、0.010887、0.012506、0.011394；这些数字应在 PDF 表格中复核。
• 搜索摘要称相对最强 baseline PatchTST 的 RMSE 下降幅度为 44.8%、49.1%、24.2%、46.8%；平均 MAPE/DOA 增益的完整定义尚未从正文确认。

泄漏风险

• 风险判断：中到高（信息不足，必须全文审计）。 只有 4 个 CALCE 电芯，且 5:5/6:4 可能是在每条容量轨迹上做时间切分；若 VMD、归一化或 DOA 调参使用了完整轨迹，未来信息会进入训练。
• 需要确认：预测时点是否只使用历史容量；VMD 参数是否在训练段内优化；测试段是否参与 scaler、窗口构造、模型选择；是否存在同一电芯的重叠窗口。

复现性

• 判断：信息不足。 论文标记 OA，但本次无法获取正文/PDF；CALCE 数据公开，代码仓库、DOA 搜索超参、TimeXer 版本、随机种子和硬件未确认。
• 仅凭很高的 R² 不足以判断可复现性，尤其需要保留原始容量尺度和阈值定义。

局限性

• 样本只有 4 个电芯，跨电芯、跨批次、跨工况泛化证据有限。
• 分解优化、CNN 和 TimeXer 叠加后模型复杂度较高，在线 BMS 的延迟和维护成本未能确认。
• R² >0.994 可能主要反映容量轨迹平滑性；需要同时看 RUL cycle error、提前预测窗口和按电芯误差，而不是只看轨迹拟合。

是否值得跟进

• 结论：跟进（工程 benchmark，优先级低于 BatteryKG/EIS）。 方法链条完整、指标亮眼，适合做容量轨迹预测基线，但目前验证集太小且正文不可得。
• 对哥哥研究/落地的启发： 可把 VMD/TimeXer 作为容量序列预测的候选 baseline，并用严格 rolling-origin、按电芯留出和真实 EOL 阈值校验其高 R² 是否转化为可用 RUL。
• 后续动作： 获取 PDF；核对 CS35–CS38 的真实协议、EOL 阈值、split 和所有 baseline；在同一数据上与简单 persistence、线性退化、LSTM/Transformer 及 physics-informed 模型进行统一比较。

---