Joint estimation of lithium battery health status and remaining useful life based on convolutional neural networks-long short-term memory networks-locally weighted scatterplot smoothing

4. Joint estimation of lithium battery health status and remaining useful life based on convolutional neural networks-long short-term memory networks-locally weighted scatterplot smoothing

论文基本信息

字段	内容
DOI/URL/PDF	ScienceDirect出版社摘要页；全文PDF需机构访问/购买，摘要和Highlights可读。
发现来源	Crossref/Venue；source_history=Crossref/Venue；query=battery remaining useful life SOH EOL cycle life prediction。
期刊/会议/平台	Journal of Power Sources，666卷，文章号239073。
发表日期	2026-02-28；ScienceDirect页面显示该日；payload/Crossref归一为2026-02-01。
作者/机构	Wenxie Bu、Han Liang、Wang Gu、Minggang Zheng；摘要页面未列机构详情。
通讯作者	未能从当前可读出版社摘要确认。
脚本评分/证据等级	79；题名直指RUL/SOH、期刊及神经网络为评分项；摘要级。
核验路径	payload无PDF；访问DOI未能提取正文，随后读取ScienceDirect出版社摘要、Highlights、日期和作者列表。

纳入理由与原文证据

• 主题/边界： 直接联合估计锂电池SOH和RUL，且以部分电压段为输入，属于健康和寿命预测。
• 证据： 摘要描述SOH模型使用三项局部电压特征、RUL模型使用循环数与LOWESS平滑SOH；ScienceDirect摘要。

数据集/电池体系

• 体系/数据： CALCE与北京理工大学电池老化数据集；摘要未列电芯数量、化学体系、数据版本与各集合样本构成。
• 工况/跨域： 两个数据来源用于实验；温度、倍率、充电协议、按数据集训练测试的方向及跨域迁移方式均未在摘要说明。

EOL/RUL/SOH 定义

• 目标/定义： “3输入、1输出”模型估计SOH，“2输入、1输出”模型预测RUL；摘要未说明SOH标签公式、EOL阈值、RUL单位及RUL标签构造方式。
• 未来信息风险： LOWESS平滑是否使用双侧邻域、完整寿命曲线或仅历史值，可能影响在线可用性；需全文确认。测试数据是否在平滑/特征标准化前独立留出也未知。

模型方法

• 流程： 从部分电压区间提取三项健康特征 → CNN-LSTM估计SOH → LOWESS减弱容量回弹影响 → 将循环数及平滑SOH输入RUL模型。摘要未列具体基线和消融配置。
• 部署： 使用局部电压段旨在减少完整充放电数据依赖；未见设备端推理耗时或实际在线BMS测试。

验证设计

• 划分/泛化： 使用CALCE与北京理工数据集；摘要未说明按电芯/时间切分、留出电芯数、预测起点、重复试验或独立外部验证。
• 可信度： 信息不足；双数据源和联合任务有参考性，但评测协议及目标定义未披露，数值暂不宜横向比较。

指标与结果

• 摘要报告SOH平均RMSE为0.4284%、0.2755%、0.4378%，平均MAE为0.3107%、0.2040%、0.3812%；RUL平均RMSE为14.6131和4.2837，MAE为11.6160和3.8296。摘要未明确每组数值对应的数据集/单位，须以全文核实。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；应核对LOWESS是否因果、特征处理是否在分割后拟合，以及训练与测试是否按电芯隔离；同一电芯跨窗可能高估泛化。
• 复现性： 中低；摘要给出输入输出结构、数据集名称和多项指标，代码、超参数、随机种子与完整协议未确认。
• 局限性： ①指标与数据集映射不清；②RUL阈值/单位与通讯作者未确认；③无可核验部署时延和外部实车结果。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 部分电压段输入有潜在部署价值，且联合SOH/RUL能支持连续健康管理。取得全文后优先核对每组指标对应的数据、LOWESS的因果性、EOL规则和按电芯切分。