Exploiting Capacity Regeneration Based on a Hybrid Model to Accurately Predict the Remaining Useful Life of Lithium-Ion Batteries
Qiangxiang Zhai、Hongmin Jiang、Yao Lu、Qiaoling Kang、Nengbing Long、Tingli Ma、Mingjiong Zhou、Lijing Yan
1. Exploiting Capacity Regeneration Based on a Hybrid Model to Accurately Predict the Remaining Useful Life of Lithium-Ion Batteries
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/IOP 文章页；PDF 入口（进入访问限制/登录页，未取得可读全文） |
| 发现来源 | source_history: OpenAlex；OpenAlex 题录；payload 来源 URL 为 DOI |
| 期刊/会议/平台 | Engineering Research Express；IOP accepted manuscript online 页面 |
| 发表日期 | 2026-08-27；OpenAlex 与 IOP 页面均显示 accepted manuscript online 27 August 2026；IOP 另列 26 August accepted |
| 作者/机构 | OpenAlex 结构化作者为 Qiangxiang Zhai、Hongmin Jiang、Yao Lu、Qiaoling Kang、Nengbing Long、Tingli Ma、Mingjiong Zhou、Lijing Yan；已确认机构包括 China Jiliang University、Ningbo University，IOP 页面还出现 Tianneng Battery Group 机构块。IOP 页面另可见 Da Chen、Wenlong Song、Chunju Lv 相关作者块，与 payload 作者表不完全一致，最终作者表需人工核对。 |
| 通讯作者 | 通讯作者：Lijing Yan（IOP 页面列出 yanlijing@cjlu.edu.cn；页面证据） |
| 脚本评分/证据等级 | 70；命中 battery、RUL、degradation、LSTM/neural/hybrid、Engineering Research Express、open access；摘要级（出版社页可读摘要，PDF 正文未开放） |
| 核验路径 | pdf_url：payload 未提供 → IOP PDF 入口：web_extract 取得页面但受访问限制 → DOI/IOP 文章页：web_extract 成功，取得题录、作者块、日期和摘要 |
纳入理由与原文证据
- 主题/边界： 标题直接以锂离子电池 RUL 为目标，摘要进一步把 capacity regeneration 作为退化轨迹中的非单调现象处理，属于核心寿命预测任务，不是单纯材料循环稳定性研究。
- 证据： IOP 摘要指出容量再生会造成 “non-monotonic fluctuations in degradation trajectories”；并明确描述 CEEMDAN 分解、GCN-LSTM 捕捉再生特征、DNN 学习长期退化趋势并融合预测 RUL。IOP 摘要页
数据集/电池体系
- 体系/数据： 题名确认 lithium-ion batteries；摘要只称在 data-limited conditions 下具有稳健性，未说明公开数据集名称、电芯数量、化学体系细分、循环协议或容量序列采样方式。
- 工况/跨域： 未能从可访问摘要确认温度、倍率、SOC 窗口、休息段、充放电协议以及按电芯或工况的覆盖；“数据受限”不等于已经完成跨域验证。
EOL/RUL/SOH 定义
- 目标/定义： 输出为 RUL；摘要没有给出 EOL 阈值、RUL 单位、标签生成方式或是否采用固定容量保持率阈值，不能自行套用 80% SOH。
- 未来信息风险： 容量再生模型可能依赖完整或较长的容量轨迹；需核对训练窗口是否只使用预测时点以前的数据，以及 CEEMDAN 分解、归一化和趋势重建是否在训练/测试边界内独立执行。
模型方法
- 流程： 容量序列 → CEEMDAN 分解高/低频成分 → GCN-LSTM 分支建模动态容量再生、DNN 分支学习长期退化 → 融合重构退化路径并输出 RUL。摘要称其与多个 state-of-the-art baseline 比较，但 baseline 名称和消融细节未说明。
- 部署： 未能确认传感器输入、在线更新频率、推理延迟、算力需求或是否支持不完整放电；当前只能确认研究方法层面的混合网络流程。
验证设计
- 划分/泛化： 摘要声称在 data-limited conditions 下稳健，并报告优于若干 baseline；随机窗口、按电芯留出、时间外推、跨化学体系测试和独立外部数据均未能确认。
- 可信度： 中（信息不足）。问题定义和方法链条清晰，且出版社摘要可核验；关键验证设计和数据规模缺失，低于 0.15% 的结果暂不能独立判断。
指标与结果
- 摘要报告 mean absolute percentage error（MAPE）低于 0.15%，但未标明测试集、预测步长、重复次数或置信区间。
- 摘要另称优于多个 state-of-the-art baselines，并在 data-limited conditions 下保持稳健；没有可访问的逐数据集误差、点预测与不确定性分解数字。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；需核查容量再生分解是否看到测试段、是否按电芯隔离，以及趋势重构和归一化是否使用了全寿命信息。
- 复现性： 信息不足；OpenAlex 标记开放获取，但本次 PDF 入口仍受访问限制；可访问页面未确认代码、数据、超参、随机种子或完整实验表。
- 局限性： ①数据集、循环工况和电芯规模未说明；②再生现象的物理来源与模型泛化边界未说明；③作者/机构信息在结构化题录与 IOP 页面间存在不一致，需核对正式版本。
是否值得跟进
- 结论： 强烈跟进。
- 理由与下一步： 容量再生是容易被单调平滑假设掩盖、但会影响 RUL 的关键问题，且本文方法与现有序列模型可直接比较。下一步先取得可读 accepted manuscript，按电芯划分在公开容量再生数据上复算，再做去除 CEEMDAN、GCN-LSTM 和 DNN 的消融，重点审计 MAPE <0.15% 的测试边界。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
on a Hybrid Model to Accurately Predict the Remaining Useful Life of Lithium-Ion Batteries - LSTM · 摘要包含「lstm」
lutional Network-Long Short-Term Memory (GCN-LSTM) branch captures dynamic regeneration features, while a Deep Neural Network (DN - CNN · 摘要包含「convolutional」
o high-and low-frequency components. A Graph Convolutional Network-Long Short-Term Memory (GCN-LSTM) branch captures dynamic regeneration - Generic neural network / deep learning · 摘要包含「neural network」
dynamic regeneration features, while a Deep Neural Network (DNN) branch learns long-term degradation trends. These are fused to reconstruc - Hybrid model · 标题包含「hybrid」
Exploiting Capacity Regeneration Based on a Hybrid Model to Accurately Predict the Remaining Useful Life of Lithium-Ion Batteries - Empirical degradation model · 摘要包含「empirical」
behaviors. The method uses Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) to decompose capacity sequence - Li-ion / LIB · 标题包含「lithium-ion」
urately Predict the Remaining Useful Life of Lithium-Ion Batteries