An AI-Enabled IoT Framework for Real-Time Battery Health Monitoring and Remaining Useful Life Prediction of Lithium-Ion Batteries in Electric Vehicles: A Comprehensive Review
S. B. Warkad、Dhanashri Pohokar、Sanika Takale、Surabhi Bhudukale、Anushka PaturkarPaturkar、Adhirath Taware、Radhika Katole、Vedant Khorgade
3. An AI-Enabled IoT Framework for Real-Time Battery Health Monitoring and Remaining Useful Life Prediction of Lithium-Ion Batteries in Electric Vehicles: A Comprehensive Review
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI；期刊页面；PDF 未能确认 |
| 发现来源 | OpenAlex；DOI 页面可访问并显示题录、摘要、日期 |
| 期刊/会议/平台 | International Journal For Multidisciplinary Research，Vol. 8 Issue 5 |
| 发表日期 | 期刊页面与 OpenAlex 均为 2026-09-30 |
| 作者/机构 | S. B. Warkad、Dhanashri Pohokar、Sanika Takale、Surabhi Bhudukale、Anushka PaturkarPaturkar、Adhirath Taware、Radhika Katole、Vedant Khorgade；页面确认作者来自 India，逐位机构未能确认 |
| 通讯作者 | 通讯作者：未能确认 |
| 脚本评分/证据等级 | 66；命中 RUL/SOH、EV、AI、IoT、physics-informed；摘要级 |
| 核验路径 | pdf_url 为空；DOI/期刊页面成功，页面提供作者、摘要、关键词、出版日期和 DOI；未获取独立 PDF |
纳入理由与原文证据
- 主题/边界： 综述直接覆盖 EV 电池 SOH 评估、退化预测和 RUL 预测，属于主题内的研究导航项；但它不是新的预测模型实验。
- 证据： 页面称框架把安全关键决策留在车端，同时在云端进行 fleet-wide training 与长期 RUL forecasting；并强调物理一致性、校准不确定性和跨化学体系稳健性。期刊页面
数据集/电池体系
- 体系/数据： 综述对象为 EV 锂离子电池，讨论公开电池数据集、BMS/IoT 传感与数字孪生；没有新的原始电池数据或样本规模。
- 工况/跨域： 文章提出关注温度、化学体系和使用域变化，但具体文献筛选范围、工况覆盖和跨域实验未能确认。
EOL/RUL/SOH 定义
- 目标/定义： 概念上覆盖 SOH、退化 forecasting 和 RUL；未给出统一 SOH 公式、EOL 阈值、RUL 标签或寿命单位。
- 未来信息风险： 作为综述不直接训练模型；其结论依赖所纳入文献的验证协议，原文未能确认系统综述检索式和排除标准。
模型方法
- 流程： 车端 sensing/health indicators → 边缘侧安全决策与低延迟监测；云端模型训练、长期 RUL、生命周期分析，并结合机器学习、深度学习、physics-informed learning、transfer learning 与 digital twin。
- 部署： 明确讨论 edge-cloud、安全、网络连接和 cybersecurity；实际算力、延迟、在线更新策略未说明。
验证设计
- 划分/泛化： 没有新的独立测试集或模型对比实验；提出跨温度、跨化学体系与跨使用域的泛化要求。
- 可信度： 信息不足；作为架构综述可作路线图，不应与有独立电芯测试的实证论文等量齐观。
指标与结果
- 未报告本研究原创的 RMSE、MAE、MAPE、R² 或区间覆盖数字；“低预测误差、物理一致性、校准不确定性、计算效率”等是综述提出的部署要求，不是本文实验结果。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；需核对综述检索、文献筛选与引用归纳是否可审计，而非电池时序数据泄漏。
- 复现性： 低至信息不足；页面未确认检索式、数据库、编码表、补充材料或代码。
- 局限性： 期刊范围宽；无原创实验；作者机构和通讯作者信息未能补齐。
是否值得跟进
- 结论： 观望。
- 理由与下一步： 可用于补充 EV 边缘—云部署和不确定性评价的关键词，不作为模型 benchmark。若获取 PDF，优先核验参考文献覆盖、综述方法和其列出的公开数据集清单。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
for Real-Time Battery Health Monitoring and Remaining Useful Life Prediction of Lithium-Ion Batteries in Electric Vehicles: A Comprehensive Revie - SOH estimation · 摘要包含「soh」
instead focus on continuous state-of-health (SOH) assessment, degradation forecasting, and prediction of remaining useful life ( - PINN / physics-informed · 摘要包含「physics-informed」
processing, machine learning, deep learning, physics-informed learning, transfer learning, uncertainty-aware prognosis, Internet of Things (I - Transfer learning / domain adaptation · 摘要包含「transfer learning」
g, deep learning, physics-informed learning, transfer learning, uncertainty-aware prognosis, Internet of Things (IoT) connectivity, edge-cloud - Generic neural network / deep learning · 摘要包含「deep learning」
ators, data preprocessing, machine learning, deep learning, physics-informed learning, transfer learning, uncertainty-aware prognosis, Int - Generic machine learning · 摘要包含「machine learning」
sing, health indicators, data preprocessing, machine learning, deep learning, physics-informed learning, transfer learning, uncertainty-aware - Bayesian · 摘要包含「uncertainty」
hysics-informed learning, transfer learning, uncertainty-aware prognosis, Internet of Things (IoT) connectivity, edge-cloud computing, a - ECM / electrochemical model · 摘要包含「electrochemical」
-ion batteries is caused by a combination of electrochemical, thermal, mechanical, and operational processes, which makes it hard to accurat - Li-ion / LIB · 标题包含「lithium-ion」
ring and Remaining Useful Life Prediction of Lithium-Ion Batteries in Electric Vehicles: A Comprehensive Review