Dual-Branch Bidirectional Long Short-Term Memory Network for Battery State of Health Estimation Under Incomplete Data
Le Ke、Xi Zhang、Lujuan Dang
论文卡片 4
基本信息
- 标题：Dual-Branch Bidirectional Long Short-Term Memory Network for Battery State of Health Estimation Under Incomplete Data
- DOI/URL：https://doi.org/10.3390/en19143417
- 期刊/会议/预印本平台：Energies
- 发表日期：2026-07-20
- 作者和机构：Le Ke、Xiangbo Zhang、Lujuan Dang；State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University, Xi’an, China
- 通讯作者：Lujuan Dang（OpenAlex 元数据标记 is_corresponding=true；MDPI 页面/PDF 未成功打开复核）
- 脚本评分：67
纳入理由和命中证据
- 纳入理由：论文直接做 lithium-ion battery SOH estimation under incomplete data，并在摘要中说明 SOH 影响 RUL prediction。
- 命中证据：Crossref 摘要写明“voltage-charge increment curve-based dual-branch bidirectional long short-term memory network (VCIC-DB-BiLSTM) for battery SOH estimation under incomplete data”。
创新点
- 将非均匀采样的 current-voltage 数据通过 ampere-hour integration 与 cubic spline interpolation 转为等电压间隔的 voltage-charge increment curves。
- 使用滑动窗口提取固定长度曲线片段，面向不完整放电数据。
- 设计 dual-branch BiLSTM，将 patch-processed data 与 raw data 的特征融合。
主要内容
- 模型架构/方法流程：非均匀采样数据标准化 → VCIC 曲线构造 → sliding window segmentation → 双分支 BiLSTM 顺序建模 → SOH 估计。
- 输入特征与输出目标：输入为 battery current-voltage data / voltage-charge increment curve segments；输出为 SOH。
- 数据来源/数据结构/电池类型/循环协议：CALCE、Oxford、XJTU、TJU 四个 benchmark datasets；具体电池型号、温度/倍率、训练测试划分需全文确认。
- 结果指标：摘要只称 achieves competitive performance，未给具体数值。
- Baseline/对比方法：Crossref 参考文献显示与 SOH/RUL、partial charging、RNN variants 等相关工作比较的可能性，但具体 baseline 未从可访问摘要确认。
泄漏风险/局限性/复现性
- 泄漏风险：中等/信息不足。不完整曲线滑窗任务特别需要确认同一 cell 的窗口是否同时出现在 train/test，否则 SOH 估计可能过乐观。
- 局限性：MDPI 页面/PDF 本轮抓取失败，暂无法核验表格指标和方法细节；只达到 DOI/Crossref/OpenAlex 摘要元数据级。
- 复现性：信息不足。未确认代码和完整训练细节。
对哥哥研究/落地的启发和后续动作
- 启发：VCIC + 滑窗片段适合处理真实 BMS 不完整放电/充电区间；可作为哥哥当前数据预处理模块的候选健康特征。
- 后续动作：手动下载 MDPI PDF，优先检查窗口划分、SOH label 定义、跨数据集测试结果；如果有代码则加入 benchmark。
- 跟进结论：跟进。
查看关键词分类依据
- RUL prediction · 摘要包含「remaining useful life」
system safety, operational reliability, and remaining useful life prediction. Traditional SOH estimation methods generally rely on complete charg - SOH estimation · 标题包含「state of health」
l Long Short-Term Memory Network for Battery State of Health Estimation Under Incomplete Data - LSTM · 标题包含「long short-term memory」
Dual-Branch Bidirectional Long Short-Term Memory Network for Battery State of Health Estimation Under Incomplete Data - CALCE · 摘要包含「calce」
ental validation on four benchmark datasets, CALCE, Oxford, XJTU, and TJU, demonstrates that the proposed method achieves competit - Oxford · 摘要包含「oxford」
alidation on four benchmark datasets, CALCE, Oxford, XJTU, and TJU, demonstrates that the proposed method achieves competitive perf - XJTU · 摘要包含「xjtu」
n on four benchmark datasets, CALCE, Oxford, XJTU, and TJU, demonstrates that the proposed method achieves competitive performanc - Self-built / experimental dataset · 摘要包含「experimental」
ined with bidirectional sequential modeling. Experimental validation on four benchmark datasets, CALCE, Oxford, XJTU, and TJU, demonstrat - Li-ion / LIB · 摘要包含「lithium-ion」
e estimation of the state of health (SOH) of lithium-ion batteries is crucial for battery management systems (BMS), as it directly affec