FrancescoRSS
论文库 / 未确认证据

PAAD-Net: A physics-aware asymmetric decoupling network for remaining useful life prediction of lithium-ion batteries

Measurement Science and Technology首次分析 2026.08.05发表日期 2026-08-03未确认级证据

Hanlin Cheng、Lifeng Zhang、Bin Wang

论文原文 ↗来源页面 ↗

论文卡片 3：PAAD-Net: A physics-aware asymmetric decoupling network for remaining useful life prediction of lithium-ion batteries

基本信息

  • 标题：PAAD-Net: A physics-aware asymmetric decoupling network for remaining useful life prediction of lithium-ion batteries
  • DOI/URL：https://doi.org/10.1088/1361-6501/ae93f0
  • 期刊/会议/预印本平台：Measurement Science and Technology，IOPscience，Accepted Manuscript
  • 发表日期：Accepted Manuscript online 2026-08-03；Received 2026-05-11，Revised 2026-07-05，Accepted 2026-08-03
  • 作者和机构：Hanlin Cheng（North China Electric Power University - Baoding Campus）；Lifeng Zhang（North China Electric Power University - Baoding Campus）；Bin Wang（North China Electric Power University - Baoding Campus）
  • 通讯作者：Lifeng Zhang（页面列出 EMAIL：lifeng.zhang@ncepu.edu.cn）
  • 脚本评分：59
  • 期刊指标核验：未核验。
  • 访问核验：成功打开 IOP DOI/Accepted Manuscript 页面；PDF 链接显示机构订阅受限，但页面含完整摘要、作者机构、通讯邮箱、日期。可信度为“摘要/页面级，正文未开放或未成功获取”。

纳入理由和命中证据

  • 标题直接命中 lithium-ion batteries 的 remaining useful life prediction。
  • 摘要明确说 EOL 非线性 capacity plunge 会导致传统数据驱动模型误差，并提出 PAAD-Net 做 full lifecycle 高精度预测。
  • 与一般测量/诊断论文不同：输出目标明确是 RUL/容量预测，且报告 CALCE/Oxford 上的 MAE。

创新点

  • 物理感知 asymmetric decoupling：将 thermodynamic 和 kinetic features 解耦，而不是直接混合。
  • 使用 causal convolutions 与 asymmetric cross-attention。
  • 设计 adaptive physical PDE constraint，通过 gating signal 动态调节 physical loss 权重。
  • specialized capacity decoder 旨在提高 EOL nonlinear plunge 阶段预测鲁棒性，并避免纯非线性架构过参数化。

主要内容

  • 针对 EOL 附近容量快速下跌导致的 RUL 误差问题，构造 PAAD-Net。
  • 摘要称在 CALCE 和 Oxford 数据集做 extensive comparative experiments，并有 comparative 与 ablation experiments。

模型架构/方法流程

  1. 输入退化相关序列/特征。
  2. causal convolutions 提取时序局部特征。
  3. asymmetric cross-attention 解耦 thermodynamic 与 kinetic features。
  4. capacity decoder 输出容量轨迹/寿命相关预测。
  5. gating signal 动态调节 PDE physical loss，实现 adaptive physical constraint。

输入特征与输出目标

  • 输入特征：摘要只说明 thermodynamic and kinetic features，具体电压/电流/温度/容量增量曲线未能确认。
  • 输出目标：RUL prediction / capacity prediction，重点覆盖 full lifecycle 和 EOL capacity plunge。

数据来源/数据结构/电池类型/循环协议

  • 数据集：CALCE and Oxford datasets。
  • 电池类型：lithium-ion batteries。
  • 循环协议/数量：未能从可访问页面确认。
  • 跨数据集验证：摘要显示至少在 CALCE 与 Oxford 两个公开数据集上测试；具体 train/test split 未能确认。

结果指标

  • CALCE：MAE = 0.0070 Ah。
  • Oxford：MAE = 0.0011 Ah。
  • 摘要还称 comparative 和 ablation experiments 验证 accuracy 和 generalization；其他 RMSE/MAPE/RUL cycle error 未能确认。

Baseline/对比方法

  • 摘要称有 extensive comparative experiments，但 baseline 名称未能从可访问页面确认。

泄漏风险/局限性/复现性

  • 泄漏风险：中等/信息不足。公开电池寿命数据常见风险包括随机循环切分、完整寿命归一化、用后验容量特征；需全文核查 split 是否按 cell 和时间外推进行。
  • 局限性：目前只确认 CALCE/Oxford；若没有真实 BMS 数据，现场泛化仍需验证。
  • 复现性：信息不足。页面未显示代码或超参；PDF/正文受限。

对哥哥研究/落地的启发和后续动作

  • 可重点借鉴“物理损失权重随 gating signal 自适应变化”的想法，避免固定 physics loss 在不同寿命阶段过强/过弱。
  • 后续动作：获取 PDF；补充具体 PDE constraint、thermodynamic/kinetic feature 定义、ablation 结果和 baseline。
查看关键词分类依据
  • RUL prediction · 标题包含「remaining useful life」
    sics-aware asymmetric decoupling network for remaining useful life prediction of lithium-ion batteries
  • EOL / cycle life prediction · 摘要包含「eol」
    n-linear capacity plunge at the end-of-life (EOL). To address this critical bottleneck, this paper proposes a physics-aware asym
  • Transformer / attention · 摘要包含「attention」
    zes causal convolutions and asymmetric cross-attention to decouple thermodynamic and kinetic features, which are then processed by a s
  • Generic neural network / deep learning · 摘要包含「data-driven」
    agement systems (BMS). However, conventional data-driven models often blindly mix thermodynamic and kinetic features, leading to predict
  • CALCE · 摘要包含「calce」
    l loss. Extensive comparative experiments on CALCE and Oxford datasets demonstrate that PA AD-Net achieves low mean absolute error
  • Oxford · 摘要包含「oxford」
    tensive comparative experiments on CALCE and Oxford datasets demonstrate that PA AD-Net achieves low mean absolute error (MAE) of 0
  • Self-built / experimental dataset · 摘要包含「experimental」
    AE) of 0.0070 Ah and 0.0011Ah, respectively. Experimental results verify that PAAD-Net achieves high-precision prediction throughout the
  • Li-ion / LIB · 标题包含「lithium-ion」
    work for remaining useful life prediction of lithium-ion batteries