Lithium-ion battery remaining useful life prediction based on interpretable deep learning and network parameter optimization

5. Lithium-ion battery remaining useful life prediction based on interpretable deep learning and network parameter optimization

论文基本信息

字段	内容
DOI/URL/PDF	DOI/ScienceDirect 文章预览；SSRN 作者稿 PDF
发现来源	source_history: Crossref/Venue；出版社文章预览、Crossref 元数据与 RePEc 题录交叉核验
期刊	Applied Energy 379, article 124713
发表日期	ScienceDirect 显示 2025-02-01；Crossref 为 2025-02 月精度
作者/机构	Bo Zhao、Weige Zhang、Yanru Zhang、Caiping Zhang、Chi Zhang、Junwei Zhang；Crossref 未列作者机构
通讯作者	未能确认
脚本评分/证据等级	84；元数据级/出版社文章预览（完整摘要及实验设置未取到）
核验路径	payload PDF 为空；ScienceDirect 文章页请求失败，但检索预览返回出版社段落；SSRN PDF 提取失败；以 Crossref DOI、RePEc 和出版社预览核对题名、期刊、作者与方法线索

纳入理由与原文证据

• 主题/边界： 标题直接指向锂电 RUL 预测，方法包括可解释特征贡献分析和网络剪枝；属于寿命预测而非单纯分类健康监测。
• 证据： 出版社预览称先量化输入各部分贡献并移除无用数据，再以结构化剪枝压缩网络；预览报告移除无用数据后准确率提高 0.27%，组级剪枝后预测速度平均提升 23.17%。ScienceDirect 预览

数据集/电池体系

• 体系/数据： 题名确认锂离子电池；可访问出版社预览及 Crossref 题录未说明使用的数据集、电芯规模、化学体系或采样信号，不能按领域常见做法推断为 NASA/CALCE。
• 工况/跨域： 未能确认温度、充电策略、训练测试批次或不同电芯/工况覆盖；这些信息需从全文补齐。

EOL/RUL/SOH 定义

• 目标/定义： 预测 remaining useful life；阈值、单位、标签构造和预测起始窗口未在可访问片段中给出。
• 未来信息风险： 解释算法筛选重要输入时需核查特征排名是否用全数据拟合；若按时间段或片段随机划分，同一电池相邻周期可能造成泄漏，目前无法判断。

模型方法

• 流程： 融合深度学习模型 → 解释每个特征/输入部分对预测的贡献 → 删除无用数据片段 → 结构化/组级剪枝冗余网络参数。具体骨干结构、解释器、稀疏阈值和基线在预览中不完整。
• 部署： 研究关注预测速度和参数精简，但未能确认模型规模、设备、延迟基准或在线 BMS 运行测试。

验证设计

• 划分/泛化： 出版社预览说明在选定数据集上分别预测电池寿命，并报告 MAE、RMSE、MAPE；数据集、按电芯划分及是否独立测试尚未确认。
• 可信度： 信息不足；方法线索来自出版社预览，但缺少验证方案和实验表，不能据此判断泛化优劣。

指标与结果

• 指标： 预览给出特征删减后准确率提高 0.27%、组级剪枝后预测速度平均提高 23.17%；未确认准确率定义、样本划分及具体 MAE/RMSE/MAPE 数字，不能把这些摘要片段当作可比误差。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点检查特征重要度筛选和剪枝是否仅在训练折执行，以及时间窗口/电芯划分是否隔离。
• 复现性： 低/信息不足；SSRN PDF 下载提取失败，尚未核实代码、数据和超参。
• 局限性： 公开预览不足以还原方法细节；数据集与电芯划分未知；速度/准确率提升缺少完整基线定义。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 可解释输入选择与结构压缩值得关注，但需先取得全文和数据划分信息；确认后再判断 23.17% 加速是否以精度、设备或批量推理为同口径比较。