Remaining Useful Battery Life Prediction for UAVs based on Machine Learning

10. Remaining Useful Battery Life Prediction for UAVs based on Machine Learning

论文基本信息

字段	内容
DOI/URL/PDF	机构库全文 PDF；出版社题录；DOI
发现来源	Crossref；source_history=Crossref；review candidate score 54
期刊/会议/平台	IFAC-PapersOnLine 50(1), 4727–4732
发表日期	出版社/DOI 页标注 2017-07-01；期刊卷期为 2017 年 7 月
作者/机构	Sina Sharif Mansouri、Petros Karvelis、George Georgoulas、George Nikolakopoulos；Luleå University of Technology 与 Technological Educational Institute of Epirus（机构库全文标注）
通讯作者	会议论文页面未说明，未能确认
脚本评分/证据等级	54；battery life、RUL、machine learning；全文级
核验路径	ScienceDirect 题录/PDF 下载端点未能读出 → DiVA 机构库 FULLTEXT01 全文成功，核对方法、数据、LOO 划分及结果

纳入理由与原文证据

• 主题/边界： 属于电池 RUL，但目标细化为一次飞行放电过程的剩余时间至 EOD，不是电芯可用的剩余充放电循环寿命；可作为应用型相邻 RUL 基线。
• 证据： 全文明确使用仅电压信号的两分钟滑动窗估计当前剩余飞行时间，并在六组电池记录上做留一电池测试。机构库全文

数据集/电池体系

• 体系/数据： 文中为 Li-ion 电池，六组记录来自六颗不同电池，输入为端电压随时间序列；电芯具体化学配方、容量及可下载数据集未能确认。
• 工况/跨域： 多个 UAV 飞行条件下采集；每次预测使用两分钟电压窗口，先对非重叠 3 秒片段取均值，再过 10 阶低通 FIR。跨不同 UAV/负载/天气的外部验证未说明。

EOL/RUL/SOH 定义

• 目标/定义： 预测一次放电的剩余时间至 EOD。电压范围为 14–16.8 V；在电压到达最低值加全量程 50% 时触发预测，以最低值加全量程 15% 作为安全终止阈值；并非循环寿命 EOL 标签。
• 未来信息风险： 五组记录调参与训练、留一组测试，作者称调参仅用训练记录；但只有六颗电池，不能证明跨设备部署泛化。

模型方法

• 流程： 输入 40 维滤波电压窗 → LASSO、LS-SVR、MLP 或 Gradient Boosted Trees 直接回归当前 RUL；均用五组数据训练/调参，留一组评估。GBT 整体最好，LASSO 常高估 RUL；模型推理时间/机载算力未报告。

验证设计

• 划分/泛化： 六组不同电池记录做 leave-one-out；每轮五组训练/调参、一组留出。外部任务、另一种电池化学体系和真机机队验证未报告。
• 可信度： 中低；留一电池比随机窗口拆分更可靠，但 n=6 且来源覆盖有限。

指标与结果

• 六组平均“Precision”（原文指标名）GBT 0.85、LS-SVR 1.76、MLP 1.11、LASSO 3.45；平均 MAPER 分别 96.57%、120.81%、104.95%、297.43%。作者称 GBT 最佳；样本规模小，不能外推为行业性能。

泄漏风险、复现性与局限性

• 泄漏风险： 低至中；LOO 与训练内调参降低泄漏风险，但仅六条电池记录，需检查记录内时间窗相关性及采样独立性。
• 复现性： 中低；方法、预处理和评价表见全文，但未确认代码或原始电压数据公开，硬件运行成本未评估。
• 局限性： 仅使用电压；预测的是单次放电至 EOD 的时间；作者称仍需更多实验数据、多参数输入及机载计算评估。

是否值得跟进

• 结论： 跟进/基线。
• 理由与下一步： 可作为“电压-only、当前放电时间 RUL”的经典 UAV 对照；复现时需区分 EOD 任务预测与循环寿命预测，并补做独立飞行任务/电池验证。