Comprehensive Investigation of Lithium Ion Battery Life under Abuse Testing Across Various Form Factors Using Machine Learning Approach

2. Comprehensive Investigation of Lithium Ion Battery Life under Abuse Testing Across Various Form Factors Using Machine Learning Approach

论文基本信息

字段	内容
DOI/URL/PDF	DOI；文章 PDF（成功获取）
发现来源	source_history=OpenAlex；OpenAlex 记录；DOI/出版社 PDF
期刊/会议/平台	SSRG International Journal of Mechanical Engineering，Volume 13 Issue 8，pp. 74–92；Seventh Sense Research Group；ISSN 2348-8360
发表日期	OpenAlex publication_date=2026-09-08；PDF 首页写 Published: 27 August 2026，卷期页眉写 August 2026；日期存在冲突，以 PDF 文章内部日期和 OpenAlex 记录分别保留
作者/机构	Asma Parkar（Marathwada Mitra Mandal’s College of Engineering, SPPU, Pune）；Parshuram Sonawane、Arun Bhosale（NBN Sinhgad Technical Institutes Campus, SPPU, Pune）；Shriramshastri Chavali（D Y Patil University, Ambi, Pune）；Pravin Nitnaware（D. Y. Patil College of Engineering, Akurdi, SPPU, Pune）；Vivek Ghulaxe（Publix Super Markets, Lakeland, Florida）
通讯作者	Asma Parkar；PDF 首页标注 Corresponding Author，并给出 asmaparkar320@gmail.com
脚本评分/证据等级	58；命中锂离子电池、battery life/RUL/degradation、机器学习/深度学习、开放获取；未命中权威作者加分；全文级
核验路径	payload pdf_url → web_extract 成功提取 PDF 首页、摘要及正文片段；同一 PDF 直链下载成功，19 页文本成功抽取；未需回退 URL/DOI

纳入理由与原文证据

• 主题/边界： 文章直接研究机械、热和电滥用条件下的锂离子电池寿命、退化和失效预测，明确使用 RUL/battery life 表述，属于主题范围；同时包含滥用安全与失效分类，因此应将 RUL 回归和故障分类分开看待。
• 证据： ① 摘要称利用电压、温度、内阻和机械形变等应力变化建立预测模型，用于 “estimating the remaining useful life of batteries”：PDF。② 结论声称 RF/XGBoost 对圆柱、方形、软包的失效预测准确率分别约为 90–95%、85–90%、80–85%，并把内阻和温升速率列为主要特征；这些是论文报告值，仍需原始数据复核：PDF。

数据集/电池体系

• 体系/数据： 全文描述三类锂离子电池形态：圆柱（列出 18650/21700/26650）、方形（示例 148×91×26 mm）和软包（custom sizes）。选择标准写到容量 2000–5000 mAh、标称电压 3.6–3.7 V；但实际每类电芯数量、化学体系（如 NMC/LFP/LCO 的实际分配）、批次、循环总数和原始文件未说明。数据似为实验/传感器数据，不是已确认的公开 benchmark。
• 工况/跨域： 机械滥用包含 crush、penetration、vibration、impact；热滥用包含 overheating/thermal runaway；电滥用包含 overcharge、deep discharge、short circuit。采集电压、电流、温度、内阻、机械形变；环境温度文本抽取为“20 50C”，含排版歧义，不能确认具体范围。没有按电芯、批次或化学体系的跨域留出。

EOL/RUL/SOH 定义

• 目标/定义： 论文同时使用 battery life、RUL/RBL 和 abuse-induced failure classification。没有明确 SOH 公式、容量基准、EOL 阈值、RUL 单位、寿命标签生成方法或“失效”判定标签；表格中的 capacity retention 和 failure time 不能直接等同于 RUL。
• 未来信息风险： 文中称使用 70%/15%/15% train-validation-test 和五折分层交叉验证，但未给出以电芯或时间为单位的隔离规则。需要检查同一电芯的相邻窗口、滥用试验后验特征、PCA/归一化统计量和完整寿命信息是否进入训练或调参。

模型方法

• 流程： 传感器原始信号 → IQR 异常值剔除、少于 5% 缺失值线性插补、Min-Max 归一化 → 从 28 个特征以 PCA 保留 95% 方差得到 12 个主成分 → RF、SVM、XGBoost、ANN、LSTM、KNN 等模型预测寿命/失效。文中还报告网格搜索、随机搜索和 Optuna/贝叶斯优化，以及对 RF 的 SHAP/内置特征重要性分析；baseline 不是统一的同目标 RUL benchmark。
• 部署： 论文给出 scikit-learn 1.2.0、XGBoost 1.7.3、TensorFlow 2.12.0/Keras，实验工作站为 Ubuntu 22.04、Xeon E-2288G、64 GB 内存和 RTX 4000 8 GB GPU。文中提出 BMS/实时监测应用，但没有已核验的嵌入式延迟、内存、功耗或在线更新结果。

验证设计

• 划分/泛化： 明确写出 70% 训练、15% 验证、15% 测试和五折分层交叉验证；同时使用“stratified random sampling”，但没有说明分层单位、同一电芯窗口是否绑定、测试是否按时间晚于训练，也没有外部数据或 LOCO/按电芯验证。
• 可信度： 信息不足偏低（全文级）。PDF 可读且给出软件、硬件、特征及若干表格，但样本量、原始数据、随机种子和电芯级切分缺失，且结果表以区间为主，不能据此确认跨电芯泛化。

指标与结果

• 论文 Table 7 报告：圆柱准确率 90–95%、RMSE 5–10%、MAE 3–6%；方形准确率 85–90%、RMSE 8–12%；软包准确率 80–85%、RMSE 10–15%。这些区间没有对应样本数和逐模型明细，且混合了分类与回归语境。
• 失效分类 Table 9 报告真阳性率：圆柱 92%、方形 87%、软包 82%；假阳性率分别为 6% / 10% / 14%。另有段落给出圆柱 RF accuracy 93%、precision 91%、recall 90%、F1 89%，但表格和文字之间的目标边界仍需核对。
• 特征重要性中内阻为 0.24、温升速率为 0.19；这属于特征分析结果，不是 RUL 误差。未报告清晰的 RUL MAE/RMSE、EOL 提前量或不确定性覆盖率。

泄漏风险、复现性与局限性

• 泄漏风险： 高/信息不足；重点检查随机窗口是否把同一电芯拆到不同集合、Min-Max/PCA 是否先于切分拟合、Optuna/网格搜索是否触碰测试集、滥用后的内阻/温度峰值是否包含未来失效信息，以及五折交叉验证是否按样本而非按电芯进行。
• 复现性： 信息不足偏低。PDF 给出软件版本、硬件和部分搜索空间，但没有公开数据链接、样本量、逐电芯清单、代码、随机种子、完整滥用协议或模型权重；开放获取不等于可复现。
• 局限性： ① 数据来源和样本规模不清晰，无法评估统计功效；② 没有外部、跨电芯、跨工况或跨化学体系验证；③ RUL、寿命回归和失效分类的标签/指标混用，且部分结果以范围或概括性结论报告。

是否值得跟进

• 结论： 跟进（谨慎）。
• 理由与下一步： 文章与滥用工况下的寿命/失效监测直接相关，且全文给出了可用于复现的传感器、特征和软件线索；但当前证据不足以把其准确率视为可靠 RUL 结果。下一步要求逐表核对样本量和标签，优先重做按电芯/按时间的无泄漏切分，分别报告 RUL 回归与失效分类指标，并与 NASA、Severson/MIT 或哥哥现有数据做统一 benchmark。