Predicting the future of battery lifetime and knee point ultra-early at the formation stage
Yican Wang、Can Wang (王灿)、Renjie Wang、Quanqing Yu、Jiehao Li、Jiahuan Lu (卢家欢)
1. Predicting the future of battery lifetime and knee point ultra-early at the formation stage
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/出版社入口；未取得 PDF 链接，出版社正文未能获取 |
| 发现来源 | source_history=OpenAlex；payload source URL |
| 期刊/会议/平台 | Cell Reports Physical Science，文章号 103552；开放获取状态由 payload 标注，出版社正文未核验 |
| 发表日期 | OpenAlex 为 2026-09-17；Crossref 的 published/issue 记录为 2026-10，在线发表日未能在出版社页独立确认 |
| 作者/机构 | Yican Wang、Can Wang（王灿）、Renjie Wang、Quanqing Yu、Jiehao Li、Jiahuan Lu（卢家欢）；Harbin Institute of Technology、Qingdao Academy of Agricultural Sciences、State Key Laboratory of Robotics and Systems、Hong Kong Polytechnic University、South China Agricultural University |
| 通讯作者 | 通讯作者：payload 结构化字段列为 Quanqing Yu、Jiehao Li、Jiahuan Lu（卢家欢）；出版社页未成功获取，未能独立确认 |
| 脚本评分/证据等级 | 83；命中电池、EOL/lifetime prediction/prognostics、attention/physics-informed/neural、Q1 期刊和开放获取；摘要级 |
| 核验路径 | payload pdf_url 为空 → URL/DOI 的 web_extract 失败 → Crossref 元数据 API 成功；OpenAlex 摘要可用，但未取得正文 |
纳入理由与原文证据
- 主题/边界： 直接从 formation-stage 数据预测电池 EOL 和容量衰减 knee point，属于超早期寿命预测主任务。
- 证据： 摘要称框架“jointly predicts battery end of life and the cycle to the knee point directly from formation-stage data”，并报告 EOL 与 knee-point 的 MAE/MAPE（DOI）。
数据集/电池体系
- 体系/数据： 锂离子电池 formation-stage 数据；具体化学体系、电芯数量、formation 协议、输入曲线和公开数据集名称未说明。
- 工况/跨域： 目标是制造阶段早期信息；温度、倍率、SOC 窗口、按电芯或批次的划分未能确认。
EOL/RUL/SOH 定义
- 目标/定义： 输出 EOL 循环数和 knee point 循环数；EOL 阈值、RUL 单位、knee point 标注规则未能从可访问摘要确认，不能套用常见 80% 阈值。
- 未来信息风险： formation-stage 约束本身有助于限制未来信息，但必须核查特征是否混入 formation 后数据、标签生成是否使用完整寿命曲线，以及同一批次是否同时出现在训练和测试中。
模型方法
- 流程： formation 特征 → 物理启发语义编码与多尺度 CNN → temporal attention → EOL/knee-point 预测；MC Dropout 用于不确定性量化。baseline、消融和在线计算成本未说明。
- 部署： 论文强调制造端质量控制和减少额外循环测试；车规 BMS、推理延迟和实际筛选流程未能确认。
验证设计
- 划分/泛化： MAE/MAPE 已在摘要中给出，但训练/验证/测试切分、外部电芯验证和跨化学体系泛化未说明。
- 可信度： 中；题目、摘要和 DOI 元数据一致，任务高度相关，但缺少全文协议，不能确认结果是否来自严格电芯级隔离。
指标与结果
- EOL 预测 MAE 46.57 cycles、MAPE 6.39%。
- knee-point 预测 MAE 60.80 cycles、MAPE 8.57%。
- 不确定性输出由 MC Dropout 提供，但校准指标、区间覆盖率和测试集结果未能确认；上述数字来自摘要，不是脚本评分。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；重点检查 formation 特征的时间边界、完整寿命标签参与调参、同批次/同化学体系分组和 MC Dropout 推理次数。
- 复现性： 信息不足；摘要未给数据下载、代码、超参、随机种子或电芯清单。
- 局限性： 可访问证据不足；制造阶段预测对数据质量和工艺一致性敏感；跨厂商、跨化学体系和现场循环验证未说明。
是否值得跟进
- 结论： 强烈跟进。
- 理由与下一步： 这是本轮最直接连接制造端早期筛选和电池寿命预测的工作。下一步优先取得全文/补充数据，重建按电芯和批次隔离的 benchmark，并检查 knee point 与 EOL 的标签定义、不确定性覆盖率和跨工艺表现。
查看关键词分类依据
- EOL / cycle life prediction · 摘要包含「end of life」
ware framework that jointly predicts battery end of life and the cycle to the knee point directly from formation-stage data. The framewo - PINN / physics-informed · 摘要包含「physics-informed」
formation-stage data. The framework combines physics-informed semantic encoding, a multi-scale convolutional neural network, and temporal att - Transformer / attention · 摘要包含「attention」
e convolutional neural network, and temporal attention to extract electrochemically meaningful features, while Monte Carlo Dropout qua - CNN · 摘要包含「convolutional」
cs-informed semantic encoding, a multi-scale convolutional neural network, and temporal attention to extract electrochemically meaningful - Generic neural network / deep learning · 摘要包含「neural network」
mantic encoding, a multi-scale convolutional neural network, and temporal attention to extract electrochemically meaningful features, while - Bayesian · 摘要包含「uncertainty」
anufacturing scalability. Here, we report an uncertainty-aware framework that jointly predicts battery end of life and the cycle to the - ECM / electrochemical model · 摘要包含「electrochemical」
l network, and temporal attention to extract electrochemically meaningful features, while Monte Carlo Dropout quantifies predictive uncertai - Li-ion / LIB · 摘要包含「lithium-ion」
Early lifetime prediction can accelerate lithium-ion battery development, support factory-side quality control, and reduce testing-r