Remaining Useful Life (RUL) Analysis of Deep Learning Approaches for Lithium-ion Battery

4. Remaining Useful Life (RUL) Analysis of Deep Learning Approaches for Lithium-ion Battery

论文基本信息

字段	内容
DOI/URL/PDF	Zenodo version DOI；Zenodo concept DOI；IJERT 全文/HTML；IJERT PDF
发现来源	两条 OpenAlex 记录（source_history=OpenAlex）合并；Zenodo 22684301 API 显示 conceptrecid=22684300、version DOI 为 22684301，并关联 IJERT 文章
期刊/会议/平台	International Journal of Engineering Research & Technology，Volume 15, Issue 08（August 2026）；Zenodo 为开放版本存档平台
发表日期	2026-09-09；OpenAlex 与 Zenodo 元数据均给出该日，IJERT 页面标为 Volume 15 Issue 08 August 2026
作者/机构	Manav Sapovadiya；Department of Computer Science and Engineering, Institute of Technology, Nirma University, Ahmedabad, India
通讯作者	未能确认；IJERT/Zenodo 页面没有明确通讯作者标注
脚本评分/证据等级	67；命中锂离子电池、RUL、CNN/RNN/FNN、open access 和深度学习；未命中权威作者加分；全文级（IJERT HTML/PDF 内容可提取）
核验路径	payload pdf_url 为空 → Zenodo DOI/记录页 web_extract 成功但 PDF 直链访问失败 → IJERT文章页与IJERT PDF web_extract 成功，取得正文、表格和数据可用性声明；两条Zenodo记录合并

纳入理由与原文证据

• 主题/边界： 文章直接预测锂离子电池 RUL，并比较 CNN、RNN/LSTM 与 FNN，属于电池寿命预测。其方法和结果可以作为低门槛基线，但论文质量与数据口径需要单独审计。
• 证据： ① 正文写明研究对象为 “14 NMC-LCO 18650 batteries, cycled 1000 times at 25°C”：IJERT 全文。② 正文表 2 报告 FNN 训练/测试 R²=99.95%/99.55%：IJERT PDF/HTML。

数据集/电池体系

• 体系/数据： 正文结果段落称数据来自 14 个 NMC-LCO 18650 电池，25°C、1000 次循环；方法段落使用 Battery-RUL.csv，输入包括 discharge time、4.15V 停留时间、恒流时间、电压区间时间、最大/最小电压和 charging time 等特征。数据可用性声明另给出 Google Drive 链接。
• 工况/跨域： 主要实验工况可确认 25°C，但不同倍率、SOC/DoD、充电协议和按电池切分未说明。文章后面的 Table 10/11 又声称 NASA、CALCE 结果和互测，且出现 “National Aeronautics and Space Administration (CALCE)” 的混合标签，数据来源边界不清。

EOL/RUL/SOH 定义

• 目标/定义： 文章把目标变量称为 Remaining Useful Cycle/RUL，并在引言中将初始容量 80%称为 EOL，同时又出现容量下降 20–30%即失效的表述；这是作者自身口径不一致，不能当作已确认的统一标签定义。还包含以 RUL 阈值做 Health/Near Failure 分类。
• 未来信息风险： 电压/时间特征是否从预测时点可得、RUL 标签是否使用完整未来寿命、随机 80/20 切分是否让同一电池的相邻循环跨集合，正文均未充分说明。特征重要性也可能使用了全数据统计。

模型方法

• 流程： Battery-RUL.csv → 二值编码/Min–Max 缩放 → CNN、RNN/LSTM、FNN；CNN 正文写有 128/64/32 ReLU 隐藏层、batch size 32、100 epochs，RNN 使用 LSTM，FNN 为全连接回归。另用 RUL 阈值做二分类并报告 accuracy/F1/recall/precision。
• 部署： 文章声称可与 BMS 结合，但未给出传感器约束、推理延迟、硬件、在线更新或功耗；代码、固定环境和随机种子未确认。

验证设计

• 划分/泛化： 正文明确写 80% training / 20% testing，训练阶段另提 validation split 0.2；没有明确按电池留出或时间外推。NASA/CALCE 的跨数据集表格与 14 节 NMC-LCO 主实验之间缺乏可核对的数据说明。
• 可信度： 低。全文和表格可访问，但 split、标签、数据集命名和指标百分比/小数口径存在明显疑点；不能把极高 R² 当作可靠泛化证据。

指标与结果

• 分类方面，FNN accuracy 99.50%、F1 99.49%、recall 99.46%、precision 99.53%；CNN accuracy 98.29%，RNN 98.31%。
• RUL 回归表中 FNN 训练/测试 R² 为 99.95%/99.55%，CNN 为 96.26%/96.28%，RNN 为 87.60%/87.71%。另一张跨数据集表给出 NASA→CALCE 的 RUL R²=0.9825、CALCE→NASA=0.9919，但其数据来源和计算流程未能独立确认。

泄漏风险、复现性与局限性

• 泄漏风险： 高；随机样本切分可能把同一电池相邻循环放入训练和测试，且周期/时间特征与 RUL 强相关。需检查缩放、特征重要性和分类阈值是否使用测试集信息。
• 复现性： 低。虽然给出数据链接、部分层数和训练参数，但没有代码、完整 CSV 版本、固定 split、随机种子、MAE/MSE 全表或可核对的 NASA/CALCE 数据清单。
• 局限性： ① 14 节 NMC-LCO 主实验与 NASA/CALCE 表格关系不清；② EOL/RUL 标签口径不一致；③ 只有实验室/单温度信息，不能据此推断真实工况 BMS 泛化。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 文章可作为“随机切分会得到多高分”的反例和低门槛基线，但不适合直接用于方法排名。下一步只核对原始 Battery-RUL.csv、电池级 split、EOL 标签和 NASA/CALCE 表格来源；若无法复现，则保留审计记录，不纳入核心 benchmark。