Battery state-of-health as a functional safety variable: an ISO 26262-aligned AI framework for electric vehicle ADAS power integrity

3. Battery state-of-health as a functional safety variable: an ISO 26262-aligned AI framework for electric vehicle ADAS power integrity

基本信息

• 标题：Battery state-of-health as a functional safety variable: an ISO 26262-aligned AI framework for electric vehicle ADAS power integrity
• DOI/URL：https://doi.org/10.1038/s41598-026-65007-4
• 期刊/会议/预印本平台：Scientific Reports
• 发表日期：2026-08-03
• 作者和机构：Nick Barua, Md Tanjil Sarker, Marran Al Qwaid, Md. Shabiul Islam, Shah Mohazzem Hossain, Kazy Noor-e-Alam Siddiquee；机构包括 Shiga University of Medical Science、Multimedia University、Shaqra University、Military Institute of Science and Technology 等
• 通讯作者：Md. Shabiul Islam
• 脚本评分：57
• 期刊指标核验：未核验；脚本期刊分层为 broad open-access journal / Q1

纳入理由和命中证据

• Nature 页面摘要明确写到：将电池 State-of-Health (SoH) 从被动维护指标提升为 “live, mode-governing safety variable”。
• 框架集成 SoH estimation、power-margin monitoring、functional-safety decision logic、actuation、lifecycle management。
• 但该文不是典型 EOL/RUL 预测模型论文，而是面向 EV ADAS 功率完整性的理论安全框架。

创新点

• 将 SOH 纳入 ISO 26262 功能安全决策链，讨论 BMS–ADAS 功率接口风险。
• 引入五层 theoretical co-design framework，并结合 FTA/HARA 做代表性 hazard 分析。

主要内容

• 以 851 W transient load 为例分析 DC/DC converter margin。
• 区分 regulated operation 与 5.15 A hard-input-current-limit 边界条件。
• 结论指出在给定场景中 comfort load shedding failure 是功率裕度压缩的主因；SOH 单独贡献在 regulated operation 为 0 W，在 adverse hard-limit 下约 40 W。
• LiDAR 子系统分配模型给出额外停车距离估计约 0.84–1.40 m，另一定义的 100 ms recovery-delay 场景为 1.67 m。

模型方法 / 模型架构/方法流程

• 五层框架：SoH estimation、power-margin monitoring、functional-safety decision logic、actuation、lifecycle management。
• 使用 qualitative Fault Tree Analysis 和 preliminary Hazard Analysis and Risk Assessment。
• 使用 bounded DC/DC converter model 与说明性 LiDAR subsystem-allocation model。

输入特征与输出目标

• 输入特征：SoH、安全/功率接口变量、DC/DC converter 边界条件；具体 AI SOH estimator 的训练输入未展开。
• 输出目标：安全决策、功率裕度、停车距离风险估计；不是 RUL/EOL 数值预测。

数据集/电池体系 / 数据来源/数据结构/电池类型/循环协议

• 电池体系：页面缩写中提到 NMC lithium-ion cell chemistry，但本报告未能确认实际实验电池数据。
• 数据来源：理论/分析场景；作者明确称估计为 analytical scenario results rather than device-validated predictions。
• 循环协议：不适用/未说明。

结果指标

• 功率裕度与停车距离估计；未报告 SOH/RUL 预测误差。

Baseline/对比方法

• 未能确认有 ML baseline 或预测模型对比。

泄漏风险/局限性/复现性

• 泄漏风险：不适用于传统训练/测试泄漏判断。
• 局限性：作者明确指出需要平台特定 converter、power-allocation、sensor、timing 和 hardware-in-the-loop validation；当前不是设备验证预测。
• 复现性：理论模型可读性较好，但缺少设备数据与完整 HIL 实验，预测复现性低。

是否值得跟进 / 对哥哥研究/落地的启发和后续动作

• 结论：观望/低优先级跟进。
• 启发：如果哥哥后续做 BMS 在线 SOH/RUL，可以把预测输出转化为安全/功率裕度决策变量，而不只报告误差。
• 后续动作：不进入模型复现主线；可摘录为“SOH 预测如何进入车规安全闭环”的应用背景。

---