Particle Swarm Optimization-Based Feature Weighting and Early-Cycle Remaining Useful Life Prediction of Lithium-Ion Batteries

5. Particle Swarm Optimization-Based Feature Weighting and Early-Cycle Remaining Useful Life Prediction of Lithium-Ion Batteries

论文基本信息

字段	内容
DOI/URL/PDF	DOI；MDPI全文HTML
发现来源	OpenAlex（旧积压，first seen 2026-08-23）；来源历史：OpenAlex
期刊	Vehicles 8(8), 184
发表日期	2026-08-10，MDPI页面
作者/机构	Matee Ur Rasool、Abdul Salam、Muhammad I. Masud、Muhammad Inam Ul Haq、Zeeshan Ahmad Arfeen、Mohammed M. Aman、Farrukh Hafeez、Touqeer Ahmed Jumani；Islamia University of Bahawalpur、University of Business and Technology、Jubail Industrial College、A'Sharqiyah University
通讯作者	未能从本轮打开的出版页正文确认；MDPI称数据可向通讯作者申请，不据二手标注推定姓名
脚本评分/证据等级	62；全文级；命中：early-cycle RUL、PSO、Machine Learning、开放获取
核验路径	DOI → MDPI出版方全文HTML成功；核对摘要、NASA数据、嵌套切分、LOBO结果和数据可用性

纳入理由与原文证据

• 主题/边界： 直接预测Li-ion剩余寿命，研究早期周期信息不足时的RUL估计，符合寿命预测。
• 证据： MDPI全文说明PSO联合优化RF特征权重和超参；NASA PCoE电芯B5/B6/B7上仅用首30%循环评估早期预测，并报告嵌套验证结果。MDPI全文

数据集/电池体系

• 体系/数据： NASA PCoE三只锂离子电芯B5、B6、B7；特征含循环序号、电流、电压、温度、容量趋势和SOH。数据在控制实验室采集，论文称可向通讯作者索取。
• 工况/跨域： 仅单一NASA数据源；没有跨化学体系、商业电池或实际BMS工况验证。

EOL/RUL/SOH 定义

• 目标/定义： 输出RUL；论文使用NASA数据中的RUL标签，但本轮核验片段未确认本文采用的具体EOL容量阈值，故不套用常见80%阈值。
• 未来信息风险： 提前30%循环预测后续RUL；需留意从整条电芯轨迹导出的SOH/容量特征是否可能携带未来信息。

模型方法

• 流程： 循环测量与特征工程→Min-Max归一化→PSO在单一粒子中同时搜索RF超参和特征权重→回归RUL。PSO特征权重可解释相对重要性；嵌入式硬件部署未验证。
• 部署： 作者只讨论潜在低计算成本，没有硬件在环、内存或延迟实测。

验证设计

• 划分/泛化： 外层80/20留出；PSO仅在训练集内做5折交叉验证，重复5个随机种子；另做LOBO，2只训练、1只测试。三电芯规模很小。
• 可信度： 中；调参与外层测试分离，另有按电芯留一验证；仍需确认主结果80/20是否按电芯分组。

指标与结果

• 早期30%循环：R²=0.354±0.157、RMSE=19.13±1.39；全周期：R²=0.922±0.014、RMSE=18.10±1.11。LOBO平均R²=0.859，低于同分布结果，提示跨电芯泛化下降。

泄漏风险、复现性与局限性

• 泄漏风险： 中；PSO调参嵌套于训练集是优点，但主80/20是否按电芯分组需确认，样本仅三只电芯。
• 复现性： 中；全文给出流程、随机种子和部分配置；原始数据需向作者申请，代码未确认公开。
• 局限性： 数据源和电芯数有限；早期R²偏低且跨种子波动大；不是实车/嵌入式验证。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 嵌套调参和LOBO使其适合作为早期预测基准。复现时采用严格按电芯切分，并核对EOL标签、单位和首30%数据的生成方式。