FrancescoRSS
论文库 / 摘要证据

A hybrid multi-head attention and Harris Hawks optimized Long Short-Term Memory model for high-precision lithium-ion battery remaining useful life prediction

Applications in Energy and Combustion Science首次分析 2026.06.17发表日期 2026-06-12摘要级证据

V. Ashok Gajapathi Raju、Janmenjoy Nayak、Pandit Byomakesha Dash、Manohar Mishra

论文原文 ↗来源页面 ↗

论文卡片 2

基本信息

  • **标题：**A hybrid multi-head attention and Harris Hawks optimized Long Short-Term Memory model for high-precision lithium-ion battery remaining useful life prediction
  • **作者：**V. Ashok Gajapathi Raju；Janmenjoy Nayak；Pandit Byomakesha Dash；Manohar Mishra
  • **期刊：**Applications in Energy and Combustion Science
  • **日期：**2026-06-12
  • **DOI：**https://doi.org/10.1016/j.jaecs.2026.100527
  • **URL：**https://doi.org/10.1016/j.jaecs.2026.100527
  • **PDF：**未发现可访问 PDF
  • **开放状态：**open access=true（OpenAlex）；但本次 DOI/ScienceDirect 抓取失败
  • **评分：**73
  • **评分理由：**lithium-ion/RUL/degradation/multi-head attention/LSTM/HHO/dataset/open access 命中。
  • **期刊 tier/ISSN：**ISSN 2666-352X；期刊指标未核验。

纳入理由和命中证据

题名明确为锂离子电池 RUL 预测；摘要元数据说明该方法针对 LIB 退化非线性与时间依赖，提出 MHA_LSTM_HHO 预测 RUL。搜索结果确认 ScienceDirect 页面存在（PII S2666352X26000725），但页面抓取失败。

创新点

  • Multi-head self-attention 与 LSTM 结合。
  • Harris Hawks Optimization 自动优化关键超参。
  • 面向高精度 RUL 预测而非单纯状态估计。

主要内容

该文关注 LIB degradation 的非线性和时序依赖，试图通过 attention 捕捉长期依赖，通过 HHO 提升收敛稳定性与鲁棒性。

模型架构/方法流程

可访问摘要级信息：充放电退化模式/健康特征 → multi-head self-attention 特征学习 → LSTM 时序建模 → HHO 超参搜索 → RUL 输出。

输入特征与输出目标

  • **输入特征：**充放电模式中的退化敏感特征；具体特征列表未能确认。
  • **输出目标：**RUL（cycle 数或等价剩余寿命；单位未能确认）。

数据来源/数据结构/电池类型/循环协议

  • **数据集：**HNEI NMC-LCO 18650 lithium-ion battery degradation dataset。
  • **电池体系：**NMC-LCO 18650 Li-ion。
  • **循环协议/样本数：**未能从可访问内容确认。

结果指标

摘要元数据给出：MAE 0.8265、RMSE 1.3924、R² 0.9997；传统 LSTM MAE 1.4621、RMSE 4.1854；声称 RMSE 降低 62.1%。

Baseline/对比方法

传统 LSTM、attention-based LSTM、其他优化辅助模型、SHA_LSTM_HHO。具体 baseline 配置未能确认。

泄漏风险、局限性、复现性

  • **泄漏风险：中。**单一 HNEI 数据集且 R² 0.9997 偏高，需要核查是否按电池划分、是否使用未来窗口/全局归一化。
  • **局限性：**未获取全文，无法确认外部验证与消融完整性。
  • **复现性：信息不足。**未确认代码/超参范围/随机种子。

对哥哥研究/落地的启发和后续动作

  • 可以把 HHO 优化 LSTM/attention 作为 baseline 或超参搜索对比。
  • 后续动作：获取 ScienceDirect 正文，重点查 split、HNEI 电池数量、窗口构造和是否跨工况验证。

数据集/电池体系

HNEI NMC-LCO 18650 Li-ion degradation dataset。

EOL/RUL/SOH 定义

RUL 预测；EOL 阈值和标签生成方式未能确认。

模型方法

MHA + LSTM + HHO。

验证设计

摘要称在 HNEI 数据和多种 aging conditions 下测试；具体划分未知。

指标

MAE、RMSE、R²。

泄漏风险

中；高 R² 需要严查数据泄漏。

复现性

信息不足。

局限性

单数据集、可访问性不足、外部泛化未知。

是否值得跟进

**跟进。**与 RUL 直接相关，指标完整，但需全文核验。

查看关键词分类依据
  • RUL prediction · 标题包含「remaining useful life」
    model for high-precision lithium-ion battery remaining useful life prediction
  • Transformer / attention · 标题包含「attention」
    A hybrid multi-head attention and Harris Hawks optimized Long Short-Term Memory model for high-precision lith
  • LSTM · 标题包含「long short-term memory」
    ti-head attention and Harris Hawks optimized Long Short-Term Memory model for high-precision lithium-ion battery remaining useful life prediction
  • Generic neural network / deep learning · 摘要包含「deep learning」
    entional Machine Learning and single-feature Deep Learning (DL) approaches. To meet this challenge, the present study introduces a novel h
  • Generic machine learning · 摘要包含「machine learning」
    iven prediction models, such as conventional Machine Learning and single-feature Deep Learning (DL) approaches. To meet this challenge, the p
  • Hybrid model · 标题包含「hybrid」
    A hybrid multi-head attention and Harris Hawks optimized Long Short-Term Memory model fo
  • Self-built / experimental dataset · 摘要包含「experimental」
    d with various battery aging conditions. The experimental results show that the proposed MHA_LSTM_HHO model achieves considerable perform
  • Li-ion / LIB · 标题包含「lithium-ion」
    g Short-Term Memory model for high-precision lithium-ion battery remaining useful life prediction
  • NMC · 摘要包含「nmc」
    posed model is tested for the benchmark HNEI NMC-LCO 18650 lithium-ion battery degradation dataset, and tested with various batt