RUL-QMoE: Multiple Non-crossing Quantile Mixture-of-Experts for Probabilistic Remaining Useful Life Predictions of Varying Battery Materials

1. RUL-QMoE: Multiple Non-crossing Quantile Mixture-of-Experts for Probabilistic Remaining Useful Life Predictions of Varying Battery Materials

基本信息

• 标题：RUL-QMoE: Multiple Non-crossing Quantile Mixture-of-Experts for Probabilistic Remaining Useful Life Predictions of Varying Battery Materials
• DOI/URL：https://doi.org/10.48550/arXiv.2512.23725；https://arxiv.org/html/2512.23725v1
• 期刊/会议/预印本平台：arXiv:2512.23725v1，eess.SP；论文注明为第 38 届 Innovative Applications of Artificial Intelligence（IAAI-26）会议论文的扩展版。
• 发表日期：2025-12-19（arXiv v1）。
• 作者和机构：Sel Ly、Rufan Yang、Ninad Dixit、Hung Dinh Nguyen；Nanyang Technological University, Singapore 639798。
• 通讯作者：未能确认。PDF 首页列出 Sel Ly 与 Hung Dinh Nguyen 的 NTU 邮箱，但未明确标注 corresponding author，故不据此猜测。
• 脚本评分：54（通过 arXiv DOI/OpenAlex 丰富元数据后）；直接 Manual URL 解析为 45，低于自动通知阈值 55。本次由哥哥指定并经全文复核，人工提升为正式报告。
• 期刊指标核验：arXiv 预印本不适用 JCR/JIF/JCI/CiteScore/SJR；IAAI-26 会议状态依据论文自述，未独立核验正式 proceedings 条目。
• 资助/产业合作：A*STAR Singapore 项目 M23M6c0114；Toyota Motor Engineering & Manufacturing North America, Inc.。作者称模型已进入 Battery Foundation Model / Battery AI 平台第一阶段。
• 可信度：全文级；HTML 与 PDF 均可访问。

纳入理由和命中证据

• 研究目标直接是锂离子电池 Remaining Useful Life 概率预测，不属于普通材料合成、热管理或储能调度论文。
• 题名、摘要和正文均明确提出 RUL-QMoE，输出 RUL 多分位数、预测区间和生存概率。
• 工作覆盖 LFP、NCA、NMC、LCO、NMC-LCO 五类正极体系，并将材料差异纳入专家分工和 gating，直接回应跨化学体系泛化问题。
• 论文包含七个真实数据源、早期循环输入、传统 ML/DL 基线比较和部署讨论，研究完整度高于仅在单一 NASA/CALCE 数据集验证的常规 RUL 论文。

创新点

1. 材料专属专家网络：五个 expert 分别针对 LFP、NCA、NMC、LCO、NMC-LCO，gating 网络根据输入动态分配权重，而不是让一个单体模型强行拟合全部化学体系。
2. 非交叉分位数输出：用 Softplus 生成严格正的 quantile gaps，再累加构造有序分位数，从结构上保证 Q(τ1) < Q(τ2) < ... < Q(τK)，避免独立分位数回归常见的 quantile crossing。
3. 概率型 RUL 而非单点估计：从 11 个分位数构造条件 PDF/CDF/生存函数，可给出预测区间和任意寿命阈值的生存概率。
4. 跨数据集/跨化学体系统一特征管线：将七个公开数据源标准化为材料、额定容量、电压范围、倍率和早期放电 V-Q 曲线等统一输入。
5. 两阶段训练：先训练材料专家，再 warm-start 联合训练 gating 并微调 experts，在专业化与全局泛化之间折中。

主要内容

• 论文将 RUL 定义为电池容量下降至寿命阈值前剩余可运行循环数，文中以 80% nominal capacity 作为示例阈值。
• 输入包含正极材料 one-hot、额定容量、最小/最大电压、充放电倍率，以及 cycle 10–100 的放电电压-容量曲线。
• 每条放电曲线插值到 1000 个固定容量点；论文称最终输入向量维度为 1010。
• 五个 expert 使用带归一化、可选 dropout、ReLU FFNN 和 skip connection 的网络；初始分位数分支给出基准，quantile-gap 分支经 Softplus 产生正间隔。
• gating 由四层线性层及 LeakyReLU 构成，最后以 softmax 输出五个 expert 权重；各 expert 的分位数按权重求和。
• 训练损失为多分位数 pinball loss 的平均值。作者以 11 个分位数 {0.05, 0.1, 0.2, …, 0.9, 0.95} 为例。
• 模型可通过核平滑从离散分位数估计条件 PDF/CDF，进而计算生存函数、预测区间和风险阈值。

模型架构/方法流程

1. 从七个电池数据源读取完整循环数据并经 BatteryML 标准化管线预处理。
2. 提取材料、容量、电压范围、充放电倍率和 cycle 10–100 放电 V-Q 曲线。
3. 将放电曲线插值至固定容量网格，形成 1010 维输入。
4. Stage 1：按五类正极材料分别训练五个 non-crossing quantile expert。
5. Stage 2：以预训练 experts 为 warm start，联合训练 gating 并微调 experts。
6. 输出多个 RUL 分位数；以中位数 Q(0.5) 作为单点 RUL 估计。
7. 从多分位数输出构建预测区间、生存概率及条件分布，用于风险感知维护。

EOL/RUL/SOH 定义

• EOL 阈值：正文以容量低于 nominal capacity 的 80% 为示例；各源数据实际停止条件并不完全一致，UL-PUR 等数据存在 10%–20% capacity fade 条件。
• RUL 单位：循环数 cycles。
• 预测起点：主要以 cycle 100 的早期循环数据进行 benchmark；输入序列覆盖 cycle 10–100。
• SOH/SOC：本论文核心输出是 RUL，SOH/SOC 被列为后续 Stage 2 扩展方向。
• 标签生成：来自各数据集完整寿命记录。是否对不同数据源统一重算 EOL 标签、如何处理数据源原始终止阈值差异，正文说明不够充分。

模型方法

• 方法类别：数据驱动深度学习、Mixture-of-Experts、概率预测、quantile regression。
• 输入特征：正极材料 one-hot、额定容量、Vmin/Vmax、充放电 C-rate、cycle 10–100 放电 V-Q 曲线。
• 输出目标：RUL 多分位数、条件分布、90% prediction interval、生存概率；Q(0.5) 用于 MAE/MAPE/RMSE/R² 评估。
• 新意：将材料专属 MoE 与结构化非交叉分位数输出结合，在多化学体系数据上同时追求泛化与概率一致性。

输入特征与输出目标

• 输入维度：论文报告 1010。
• 曲线预处理：每条放电曲线插值到 1000 个固定容量点。
• 时间范围：cycle 10–100 的早期放电曲线序列。
• 输出：11 个有序 RUL quantiles；由此派生 median RUL、prediction interval、PDF/CDF 和 survival function。
• 部署含义：相比只给一个 RUL 点估计，维护策略可直接使用较保守的下分位数或生存概率阈值。

数据集/电池体系

• 电池体系：锂离子电池，覆盖 LFP、NCA、NMC、LCO 与混合 NMC-LCO 正极体系。
• 数据来源：CALCE、MATR、HUST、HNEI、RWTH、SNL、UL-PUR 七个真实公开数据源，以及由其构成的 CRUH、CRUSH、MIX 聚合集。
• 数据规模：共 403 cells；各数据集的容量、电压窗口、温度、倍率、DoD 与寿命分布存在明显异质性。
• 泛化范围：论文展示已知五类化学体系混合训练/测试表现，但未提供 leave-one-chemistry-out 证据，因此不能等同于对全新化学体系的零样本泛化。

数据来源/数据结构/电池类型/循环协议

数据集	化学体系	额定容量	电压范围	RUL 分布（cycles）	Cells
CALCE	LCO/graphite	1.1 Ah	2.7–4.2 V	566 ± 106	13
MATR	LFP/graphite	1.1 Ah	2.0–3.6 V	823 ± 368	180
HUST	LFP/graphite	1.1 Ah	2.0–3.6 V	1899 ± 389	77
HNEI	NMC-LCO/graphite	2.8 Ah	3.0–4.3 V	248 ± 15	14
RWTH	NMC/carbon	1.11 Ah	3.5–3.9 V	658 ± 64	48
SNL	NCA/NMC/LFP-graphite	1.1 Ah	2.0–3.6 V	1256 ± 1321	61
UL-PUR	NCA/graphite	3.4 Ah	2.7–4.2 V	209 ± 50	10

• 合计 403 cells。
• MATR：180 个商业 18650 LFP cells，30°C；统一放电、不同快充策略，至 80% 初始容量。
• HUST：77 个 LFP cells，30°C，多阶段放电策略。
• HNEI：NMC-LCO/graphite 18650，1.5C、100% DoD、环境温度，超过 1000 cycles。
• RWTH：48 个 Sanyo/Panasonic UR18650E，包含 BOL 与周期性 RPT。
• SNL：NCA/NMC/LFP，研究温度、DoD 和放电电流影响。
• UL-PUR：NCA pouch cells，1C、2.7–4.2 V、室温，容量衰减 10%–20%；另有 module 测试。
• 聚合数据：CRUH、CRUSH、MIX；论文指出 Battery Archive 中 SNL、UL-PUR、HNEI 已不能直接下载，需要提交访问请求。

结果指标

按电池体系：

Battery type	MAE	MAPE	RMSE	R²
LFP	62	7.01%	116	97.85%
NCA	36	13.80%	57	92.26%
NMC	47	8.83%	61	83.83%
LCO	51	8.96%	82	33.22%
NMC-LCO	10	5.20%	12	83.43%
ALL	55	7.82%	98	98.34%

按聚合/子数据集：

Battery data	MAE	MAPE	RMSE	R²
MATR1	53	8.05%	87	94.93%
MATR2	98	10.19%	136	80.13%
HUST	47	2.56%	60	97.93%
SNL	67	9.94%	93	99.44%
CLO	65	8.92%	93	92.12%
CRUH	53	12.64%	70	84.55%
CRUSH	49	10.61%	68	99.55%
MIX	65	9.59%	100	96.84%

• 概率案例：真实 RUL 1599 cycles，预测中位数 1632 cycles，90% PI 为 [1565, 1681]，覆盖真值。
• 论文还给出示意：若 P(RUL > 1600)=0.8，表示在 cycle 100 后至少再运行 1600 cycles 的概率为 80%。
• 重要不足：未见系统报告 prediction interval coverage probability、平均区间宽度、CRPS、NLL、quantile calibration error 或各分位数 pinball loss，因此“概率预测更优”的证据没有单点精度比较那么完整。

Baseline/对比方法

• 比较对象来自 BatteryML 基准，包括 XGBoost、Random Forest、CNN、LSTM、PCR、PLSR、Discharge model、Full model 等。
• 论文称 HUST 上 RUL-QMoE RMSE 60 cycles，而最佳对照 Discharge model 为 322 cycles。
• MIX 上 RUL-QMoE RMSE 100 cycles，而 Random Forest 为 197 cycles。
• SNL 上 RUL-QMoE RMSE 93 cycles，而 PCR 为 200 cycles。
• MATR1/MATR2 的改善较小，分别降低 3/15 cycles。
• CRUH 是例外：PLSR 的 RMSE 60 cycles，优于 RUL-QMoE 的 70 cycles。
• 需复核公平性：论文写明使用 cycle 100 data 进行比较，但是否完全复用了相同 split、预处理、调参预算与随机种子，正文没有提供足够细节。

验证设计

• 数据划分：70% training / 30% testing，random seed 42。
• 优化：Adam，learning rate 0.001，batch size 256，hidden units 256。
• Early stopping：patience 20。
• 硬件：Google Colab 免费 T4 GPU。
• 两阶段训练：先独立训练 experts，再联合训练 gating 并 fine-tune experts。
• 优点：覆盖多化学体系与多公开数据集，且给出按 chemistry 与 dataset 的分层结果。
• 缺口：未明确 train/test 是按 cell、数据集还是样本行随机划分；未见 leave-one-dataset-out、leave-one-chemistry-out 或真正未见化学体系外推；未见多随机种子均值/方差、显著性检验、校准曲线和概率评分。

泄漏风险/局限性/复现性

• 泄漏风险：中高，需优先复核。 如果 70/30 是在由同一 cell 产生的循环/曲线样本层面随机切分，同一电池可能同时进入训练与测试，结果会显著乐观。论文没有明确写出 cell-level split。
• 未来信息风险：中。 输入限定 cycle 10–100，理论上适合 early prediction；但应检查标准化、插值、特征选择和标签构建是否只使用训练集与预测时可用信息。
• 跨化学体系泛化证据：中。 训练和测试都来自已知五类化学体系时，MoE 证明的是异构混合数据拟合能力，不等同于对新化学体系 zero-shot 泛化。
• 数据不均衡：明显。 LCO/NMC-LCO/NCA 部分数据集 cells 很少；LCO 的 R² 仅 33.22%，作者也将其归因于小样本和特征代表性不足。
• EOL 定义异质性：需复核。 不同公开集的停止条件/容量衰减阈值可能不同，若未统一重标，会将数据源差异混入 RUL 分布。
• 概率校准不足：明显。 仅展示单个 prediction interval 案例，尚不足以证明区间在全测试集上可靠校准。
• 复现性：中低。 架构、公式、训练超参、seed 和硬件较完整，数据源可识别；但代码仓库未在可访问论文页面中确认，部分数据目前需要申请访问，关键 split 规则与完整调参细节不足。
• 部署证据：中。 Toyota 合作和 Battery AI 平台集成提升了产业相关性，但正文提供的是部署路径和项目阶段描述，不是公开的车队前瞻性验证结果。

对哥哥研究/落地的启发和后续动作

1. 将化学体系视为 domain/expert 路由变量，而不是仅作为普通 one-hot 特征；可进一步扩展到厂商、型号、工况、温度、应用场景等层级专家。
2. RUL 监测报告应优先记录预测区间下界、coverage、区间宽度和 survival probability，避免只看 MAE/RMSE。
3. benchmark 设计应加入：cell-level split、batch-level split、leave-one-dataset-out、leave-one-chemistry-out、跨温度/倍率外推，明确区分 interpolation 与真正 generalization。
4. 可复现实验时，先做三个最关键消融：单体 quantile network vs MoE；普通独立分位数 vs non-crossing constraint；已知材料标签 gating vs 完全由曲线自路由。
5. 对部署策略，建议采用保守触发：以较低分位数或 P(RUL > threshold) 控制更换/维护，而不是以 median RUL 单点触发。
6. 追踪代码与 IAAI-26 正式 proceedings；若代码开放，优先复现 MIX、CRUH 和 LCO 三组，因为它们分别代表总体性能、对照模型胜出和小样本失效边界。

是否值得跟进

• 结论：强烈跟进。
• 理由：问题定义重要，MoE 与非交叉分位数结合具有明确方法新意，数据覆盖比常见单数据集论文更广，并与 Toyota Battery AI 项目关联；其价值不仅在平均误差，更在于把 RUL 转化为可用于风险决策的分布和生存概率。
• 条件：在纳入核心 benchmark 或用于工程决策前，必须确认 cell-level split、EOL 标签一致性、概率校准指标和代码可复现性。