State of Health and Remaining Useful Life Prediction for Lithium-Ion and Sodium-Ion Batteries Based on Segmental Incremental Capacity Features
Hong Qian、Zhong Tang、Yuhao Liu、Xiangyang Liu、Haoyang Cui
论文卡片 1
基本信息
- 标题：State of Health and Remaining Useful Life Prediction for Lithium-Ion and Sodium-Ion Batteries Based on Segmental Incremental Capacity Features
- DOI/URL：https://doi.org/10.1021/acsaem.6c01374
- 期刊/会议/预印本平台：ACS Applied Energy Materials
- 发表日期：2026-06-30
- 作者和机构：Hong Qian、Zhong Tang、Yuhao Liu、Xiangyang Liu、Haoyang Cui；机构未能从可访问内容确认
- 通讯作者：未能确认
- 脚本评分：77
- 期刊指标核验：未核验；脚本标注为 energy materials journal / Q1，但本报告未独立查询 JCR/JIF/CiteScore/SJR。
纳入理由和命中证据
题名与摘要均直接命中 SOH 与 RUL prediction；摘要写明针对 partial data conditions，利用 partial charging data 中的 incremental capacity（dQ/dV）特征，同时估计 SOH 与 RUL。主题明确属于电池寿命预测，不是普通材料合成或储能调度。
创新点
- 将 segment-based / voltage-binned dQ/dV 特征与统计描述符结合，处理不完整充电数据。
- 多输出 XGBoost 同时预测 SOH 与 RUL。
- 覆盖锂离子与钠离子电池，强调跨化学体系泛化。
- 使用 SHAP 解释特征贡献，摘要指出 voltage kurtosis 与 mid-range dQ/dV 特征重要。
主要内容
文章提出面向 BMS 的局部充电段退化信息提取框架，解决完整充电循环不可得时的健康估计问题。摘要声称模型在多个锂离子和钠离子数据集上验证，并具备实时推理潜力。
模型架构/方法流程
可访问内容确认的方法流程为：partial charging data → dQ/dV 曲线/电压分箱特征与统计 descriptors → 数据过滤、voltage binning、超参数优化 → XGBoost multi-output regression → SOH/RUL 输出 → SHAP 解释。更具体的特征维度、分箱宽度、训练划分未能确认。
输入特征与输出目标
- 输入特征：局部充电数据提取的 dQ/dV features、voltage-binned dQ/dV、统计描述符；摘要特别提到 voltage kurtosis。
- 输出目标：SOH 与 RUL。
数据来源/数据结构/电池类型/循环协议
- 电池类型：Lithium-ion 与 Sodium-ion batteries。
- 数据来源：多个数据集，但名称、样本数、循环协议、温度/倍率未能从可访问页面确认。
- 跨域验证：摘要称 generalization capability across different battery chemistries。
结果指标
摘要报告：SOH MAE 0.219%、R² 0.985；RUL RMSE as low as 0.888 cycles；平均推理时间 6 ms。
Baseline/对比方法
摘要只提到 ablation studies；具体 baseline 名称未能从可访问内容确认。
泄漏风险/局限性/复现性
- 泄漏风险：信息不足。若多个数据集/同一电芯的循环片段随机切分，需要检查是否按电芯/批次划分。
- 局限性：全文未开放/抓取失败，无法核验数据划分、外部验证细节和完整 baseline。
- 复现性：信息不足；未能确认代码和数据链接。
对哥哥研究/落地的启发和后续动作
- 值得跟进 partial-charge ICA 特征，尤其适合现实 BMS 无完整循环场景。
- 后续动作：尝试通过 ACS 页面/机构访问下载全文；重点核验数据集名称、跨 Li/Na 泛化设置和是否存在同电芯泄漏。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
State of Health and Remaining Useful Life Prediction for Lithium-Ion and Sodium-Ion Batteries Based on Segmental Incremen - SOH estimation · 标题包含「state of health」
State of Health and Remaining Useful Life Prediction for Lithium-Ion and Sodium-Ion Batteries B - Generic machine learning · 摘要包含「shap」
ng, and hyperparameter optimization, whereas SHapley Additive exPlanations (SHAP) analysis reveals that voltage kurtosis and mid- - XGBoost / boosting · 摘要包含「xgboost」
te measurements and integrating them into an XGBoost-based multi-output regression model for simultaneous SOH and RUL estimation. Th - Kalman / particle filter · 摘要包含「filtering」
ies further verify the contributions of data filtering, voltage binning, and hyperparameter optimization, whereas SHapley Additive exP - Hybrid model · 摘要包含「prediction framework」
n, this study proposes a segment-based joint prediction framework that utilizes incremental capacity (d Q /d V ) features extracted from partial - Self-built / experimental dataset · 摘要包含「experimental」
bility across different battery chemistries. Experimental results show that the model achieves a mean absolute error of 0.219% and an R 2 - Li-ion / LIB · 标题包含「lithium-ion」
lth and Remaining Useful Life Prediction for Lithium-Ion and Sodium-Ion Batteries Based on Segmental Incremental Capacity Features - Na-ion · 标题包含「sodium-ion」
g Useful Life Prediction for Lithium-Ion and Sodium-Ion Batteries Based on Segmental Incremental Capacity Features