Multivariate feature-disentangled graph-enforced domain adaptation with multi-objective deep learning for remaining useful life prediction of lithium-ion batteries

1. Multivariate feature-disentangled graph-enforced domain adaptation with multi-objective deep learning for remaining useful life prediction of lithium-ion batteries

基本信息

• 标题：Multivariate feature-disentangled graph-enforced domain adaptation with multi-objective deep learning for remaining useful life prediction of lithium-ion batteries
• DOI/URL：https://doi.org/10.1016/j.est.2026.122771；Crossref：https://api.crossref.org/works/10.1016/j.est.2026.122771；OpenAlex：https://api.openalex.org/works/https://doi.org/10.1016/j.est.2026.122771
• 期刊/会议/预印本平台：Journal of Energy Storage，Elsevier，Volume 176，Article 122771
• 发表日期：OpenAlex 记录为 2026-07-03；Crossref 创建/入库为 2026-07-03，published-print 为 2026-10
• 作者和机构：Md Shoaib Akhter Rafi；Md. Kamrul Hasan。Crossref/OpenAlex 均未给出机构字段。
• 通讯作者：未能确认。OpenAlex corresponding_author_ids 为空，Crossref 作者元数据未标注通讯作者；ScienceDirect/全文页面未能成功抓取。
• 脚本评分：68
• 期刊指标核验：未核验；本次只依据本地期刊分层文件将 Journal of Energy Storage 识别为 core storage journal / Q1，不臆测 JIF、JCI、CiteScore 或 SJR 数值。
• 可信度：摘要/元数据级。已尝试 DOI / ScienceDirect / ResearchGate 线索，其中 doi.org、ScienceDirect 和 ResearchGate 页面抓取失败；Crossref 与 OpenAlex API 成功，确认 DOI、题名、期刊、作者、卷号、文章号、非开放获取状态、参考文献和关键词。

纳入理由和命中证据

• 题名直接包含“remaining useful life prediction of lithium-ion batteries”，属于电池寿命预测/RUL 主任务，不是普通材料合成、热管理或储能调度论文。
• Crossref 元数据确认标题、期刊与 DOI；OpenAlex 主题为 “Advanced Battery Technologies Research”，关键词包含 Deep learning、Domain adaptation、Multivariate statistics。
• 论文参考文献中大量出现 SOH/RUL、degradation modelling、battery life uncertainty、PINN co-estimation 等电池健康预测相关论文，进一步支持其主题归属。但参考文献只能用于主题辅助判断，不能替代全文证据。

创新点

• 从题名看，可能把多变量特征解耦、图约束域适应、多目标深度学习结合，用于跨域/跨电池场景下的 RUL 预测。
• “domain adaptation” 对哥哥方向有价值：如果文章确实解决跨工况、跨电池或跨数据集分布偏移，值得重点看它的数据划分和迁移设置。
• 具体创新细节、损失函数、图构建方式和多目标定义未能从可访问内容确认，待全文补核。

主要内容

• 可确认内容：论文是 Journal of Energy Storage 发表的锂离子电池 RUL prediction 文章，方法标签为深度学习/域适应方向。
• 未能确认内容：摘要、实验流程、模型模块、数据集、电池型号、循环协议、指标和结论均未能从可访问页面获取。

模型架构/方法流程

• 方法类别：深度学习；题名显示包含 domain adaptation、feature disentanglement、graph-enforced 约束、多目标学习。
• 模型架构：未能从可访问内容确认。不要据题名编造 GNN、DANN、MMD、adversarial loss、contrastive loss 等具体模块，需等全文核验。
• 方法流程：未能从可访问内容确认。

输入特征与输出目标

• 输入特征：未能从可访问内容确认。题名中的 “multivariate feature” 暗示使用多变量健康/循环特征，但具体是电压、电流、温度、容量、ICA/DVA、EIS 或统计特征均未知。
• 输出目标：可确认是 lithium-ion battery remaining useful life / RUL prediction。
• SOH/EOL 定义：未能从可访问内容确认。

数据来源/数据结构/电池类型/循环协议

• 电池体系：锂离子电池（由题名确认）。
• 数据来源：未能从可访问内容确认。
• 电池数量、循环数量、工况、温度、倍率、老化协议：未能从可访问内容确认。
• 是否跨电池、跨工况、跨化学体系或跨设备验证：未能从可访问内容确认；由于题名强调 domain adaptation，后续应重点检查是否为严格 source/target split，而非随机循环切分。

结果指标

• MAE、RMSE、MAPE、R2、cycle error、capacity error 等具体指标：未能从可访问内容确认。
• 是否报告不确定性、置信区间或校准指标：未能从可访问内容确认。

Baseline/对比方法

• 未能从可访问内容确认。后续全文核验时需检查是否比较 LSTM/GRU/CNN-LSTM/Transformer/GPR/XGBoost/传统迁移学习等强基线。

泄漏风险/局限性/复现性

• 泄漏风险：信息不足。RUL 论文常见风险包括同一电池循环片段随机切分、目标域少量标签泄漏、使用完整退化曲线构造特征、在全数据上归一化或特征选择。本文因强调 domain adaptation，尤其要复核 target domain 是否完全隔离。
• 局限性：全文不可访问导致无法判断数据规模、跨域设置、外部验证和实际 BMS 可部署性。
• 复现性：低/信息不足。OpenAlex 显示非 OA，未发现 PDF；Crossref 给出 Elsevier TDM 链接但抓取失败；未确认代码或数据链接。

对哥哥研究/落地的启发和后续动作

• 如果全文确认其图约束域适应有效，可用于哥哥的“跨电池/跨工况寿命预测”文献组，重点关注它如何定义源域、目标域、域不变特征和电池间关系图。
• 后续动作 1：用机构网络或 ScienceDirect 页面补抓摘要/全文，优先提取数据集、split 策略、指标表、baseline 和代码/数据可用性。
• 后续动作 2：复核是否存在 domain adaptation 常见泄漏；特别是目标域标签是否参与训练、归一化是否跨域、同一电池是否跨 train/test。
• 后续动作 3：若方法严谨，可和近期 PINN、Transformer、GPR conformal interval、incremental capacity feature 论文一起作为跨域 RUL benchmark 候选。