Joint Remaining Useful Life Prediction and Capacity Estimation of Lithium-Ion Batteries Using Partial-Charging Data

5. Joint Remaining Useful Life Prediction and Capacity Estimation of Lithium-Ion Batteries Using Partial-Charging Data

论文基本信息

字段	内容
DOI/URL/PDF	arXiv 摘要页；PDF 全文；未提供 DOI
发现来源	arXiv；source URL；完整 PDF 成功获取
期刊/会议/平台	arXiv，cs.LG 预印本
发表日期	payload：2026-09-18；PDF v3 页眉标注 2026-09-22；版本日期存在差异，以 v3 正文为当前核验版本
作者/机构	Khoa Tran（Ton Duc Thang University）、Ho-Si-Hung Nguyen（The University of Danang–University of Science and Technology）、Phone Wai Yan Moe（AIWARE Limited Company）、Hung-Cuong Trinh（Ton Duc Thang University）、Thi-Hoang-Giang Tran（The University of Danang–University of Science and Technology）
通讯作者	Ho-Si-Hung Nguyen；PDF 首页明确标注 Corresponding author 并给出邮箱
脚本评分/证据等级	62；全文级。主要命中 RUL、capacity prediction、partial charging、公开数据集和锂离子电池
核验路径	pdf_url 成功获取并提取完整正文；因此未继续使用 URL/DOI fallback

纳入理由与原文证据

• 主题/边界： 论文同时预测 cycle-based RUL 和 capacity，输入是部分充电观测，直接命中寿命预测与健康估计。
• 证据： 正文定义 RULc = cEOL − c，并明确两个专家都不需要历史完整循环容量作为输入；PDF 全文

数据集/电池体系

• 体系/数据： Dataset I 为 124 个商用 A123 APR18650M1A LFP/graphite 电芯，1.1 Ah、30°C、不同快充协议、约 150–2300 cycles；Dataset II 为 77 个商用 LFP/graphite 电芯，30°C、77 种多级放电协议、超过 140,000 cycles、约 1100–2700 cycles。输入包含部分充电的电流、电压、温度和时间/累计电荷特征。
• 工况/跨域： Dataset II 的充电为 5C 至 80% SOC、再 1C 至 3.6 V 和恒压；两数据集均以额定容量 80% 作为 EOL。未做零样本跨化学体系验证。

EOL/RUL/SOH 定义

• 目标/定义： RUL 是达到 EOL 前的剩余 cycle 数，capacity 是当前容量估计；两数据集的 EOL criterion 明确为额定容量 80%。RUL Expert 使用 30-cycle 历史中每隔 3 个周期取 10 分钟片段，Capacity Expert 使用最近 10 个连续周期的 40 分钟片段。
• 未来信息风险： 论文称 rolling windows 只含预测时刻可用测量，归一化参数只在训练集拟合；仍应复核窗口生成、早期样本过滤和五模型 ensemble 是否严格遵守时间边界。

模型方法

• 流程： 长期支路用 GRU-autoencoder 预训练，再由 2D-CNN+temporal GRU 编码；短期支路对 Q/V/T/time 计算均值、标准差、最小/最大、median、variance、skewness，经 2D-CNN+Transformer 编码；FiLM 用短期表示调制长期表示，联合输出 RUL 与 capacity。训练分为预训练、专家独立预训练和融合训练三阶段。
• 部署： 只需部分充电观测，避免历史完整容量输入；正文报告单模型 29.54 ms/batch、1.103M 参数和 1300.9 MB 内存，但五模型预测集成需要五次模型评估。

验证设计

• 划分/泛化： 按电芯身份划分。Dataset I 为 41/43/40 个电芯训练/验证/测试，测试电芯来自较晚批次；Dataset II 为 55 个 development、22 个独立测试电芯，development 再按约 90:10 划分训练/验证。预处理参数只用训练集拟合，测试集只在最终评估使用。
• 可信度： 高。全文给出电芯级划分、数据协议、输入构造、baseline、消融和实现版本；限制是两个数据集均为受控 LFP/graphite 条件。

指标与结果

• Dataset I：联合模型 RUL RMSE 143.69 cycles、R² 0.74、MAPE 10.91%；capacity RMSE 12.36 mAh、R² 0.90、MAPE 0.99%。Dataset II：RUL RMSE 161.10 cycles、R² 0.88、MAPE 7.15%；capacity RMSE 7.28 mAh、R² 0.99、MAPE 0.50%。
• Dataset I 中将 capacity loss 权重降至 0.5 时 RUL RMSE 为 141.64 cycles，但 capacity RMSE 升至 15.50 mAh，说明联合任务存在明确权衡；论文未给出预测区间校准结果。

泄漏风险、复现性与局限性

• 泄漏风险： 低到中。按电芯隔离、训练集归一化和可用时间窗口均有明确说明；仍需复核所有 baseline 是否共享同等信息边界，以及历史窗口是否含隐含未来容量。
• 复现性： 中等偏高。论文给出架构、超参数搜索范围、PyTorch/NumPy 等版本、硬件和数据来源；代码只写明可向 AIWARE Limited Company 咨询，未确认公开仓库。
• 局限性： ① 仅 LFP/graphite、受控 30°C 条件；② 40 分钟部分充电片段未必适用于中断充电；③ 未完成跨化学体系、现场噪声和不确定性校准验证。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 这是本批证据最完整、最容易复核的部分充电 RUL benchmark，电芯级划分也适合检验泄漏。下一步下载数据并复现 Dataset I/II，核对五模型 ensemble、代码可得性、早期预测曲线及跨工况迁移。