Physics-informed deep learning models for real-time state of health estimation of lithium-ion batteries
Gökhan Manav、Muhammed Mutlu Yapıcı、Ali Saygın
2. Physics-informed deep learning models for real-time state of health estimation of lithium-ion batteries
论文基本信息
- 标题： Physics-informed deep learning models for real-time state of health estimation of lithium-ion batteries
- DOI/URL： 10.1016/j.jpowsour.2026.241122；ScienceDirect 检索到的落地页为 abstract page
- 期刊/会议/预印本平台： Journal of Power Sources
- 发表日期： 2026-08-21（OpenAlex/Crossref 元数据）
- 作者和机构： Gökhan Manav、Muhammed Mutlu Yapıcı（Ankara University）；Ali Saygın（Gazi University）。机构来自 OpenAlex authorship 元数据。
- 通讯作者： 未能确认（Crossref 没有通讯作者字段；出版社页面未成功获取）
- 脚本评分： 75。命中 Li-ion、SOH、physics-informed/deep learning，且属于 Journal of Power Sources；脚本未命中权威作者加分。
- 期刊指标核验： 未核验。脚本 tier 不是 JCR 数值证据。
- 核验结果与可信度： 已尝试 DOI、ScienceDirect landing/abstract 页面；
web_extract失败。Crossref 确认书目信息；出版社搜索摘要仅暴露“physics-informed loss constraints enhance generalizability and stability”及“5 min operational V/I/T datasets are sufficient for estimation”等要点。故本卡为元数据/出版社搜索摘要级，全文未成功获取。
纳入理由
- 题名直接命中实时 SOH estimation，摘要检索片段明确使用 physics-informed loss constraints 来提升泛化和稳定性。
- 它属于健康状态估计而非普通 BMS 控制/热管理；但没有证据表明直接预测 EOL 或 RUL，因此在报告中定位为 SOH 方法候选。
创新点
- 将电池物理一致性约束放进深度学习训练损失，而不是只在输出后做规则修正。
- 出版社搜索摘要提出只需约 5 min operational V/I/T 数据即可估计 SOH；若全文确认，可能对短窗口在线诊断和边缘部署有意义。
主要内容
从运行中的电压、电流、温度时序提取短时间窗口，使用带物理约束的深度学习模型估计 SOH，重点分析约束对泛化与稳定性的影响。具体网络结构、物理方程、训练目标各项权重和测试协议在当前可访问内容中未说明。
数据集/电池体系
- 电池体系： Li-ion。
- 数据来源： 运行态 V/I/T 数据；出版社搜索摘要只确认“5 min of operational V, I, and T datasets are sufficient”，未确认公开数据集名称或实车/BMS来源。
- 数据结构/循环协议： 多变量时间序列窗口；电芯数量、采样频率、温度范围、充放电协议、SOH 标注方式和化学体系未能确认。
- 跨域验证： 未能确认是否跨电芯、跨工况或跨数据集验证。
EOL/RUL/SOH 定义
- 目标： 实时 SOH 估计。
- EOL/RUL： 未说明；没有可访问证据支持其直接输出 EOL 或剩余循环数。
- SOH 定义： 未能确认是额定容量、初始容量、内阻、功率还是复合 SOH。
- 标签与未来信息： 未说明；需全文核对 SOH 标签是否由完整寿命数据离线生成，以及预测窗口与标签之间是否有未来信息。
模型方法
- 方法类别： physics-informed deep learning。
- 模型架构/方法流程： 运行态 V/I/T 窗口 → 深度学习模型 → physics-informed loss constraints → SOH 输出；“models”是复数，但具体 CNN/LSTM/Transformer/MLP 等架构未能从可访问内容确认。
- 输入特征与输出目标： 输入为电压、电流、温度短时序；输出为实时 SOH。窗口长度、是否使用导数/统计特征和物理状态变量均未说明。
- Baseline/对比方法： 未能确认。摘要只强调 physics-informed loss 对泛化和稳定性的影响，未获得基线表。
验证设计
- 数据划分方式： 未知；随机窗口切分可能把同一电芯相邻片段同时放入训练/测试，是必须排查的风险。
- 独立测试/外部验证： 未能确认。
- 鲁棒性/消融： 物理约束的泛化和稳定性分析是明确线索，但噪声、跨温度、跨工况和去约束消融细节未能确认。
指标
- 当前可访问内容未给出 MAE、RMSE、MAPE、R² 或逐电芯误差。
- “5 min 数据足够”是出版社搜索摘要中的方法宣传性结论，尚不能替代按电芯/工况分层的测试结果。
泄漏风险
- 风险判断：信息不足（偏中风险，待全文审计）。 短窗口 SOH 任务很容易因随机切分重用同一电芯的相邻片段而产生乐观结果。
- 重点检查：容量标签是否依赖未来完整循环；窗口归一化是否使用测试集统计量；物理约束参数是否在全部电芯上调参；是否真正按电芯留出。
复现性
- 判断：信息不足。 OA 标记存在，但出版社正文/PDF未成功获取；代码、数据集、网络结构、损失权重、训练轮数和随机种子均未确认。
- 若“5 min”结论依赖特定采样率或特殊预处理，落地到哥哥的数据流前需要重新测量。
局限性
- 当前缺少全文和实验表格，无法判断 physics-informed 约束带来的实际增益。
- SOH 估计与 RUL/EOL 预测仍是不同任务；是否能稳定外推寿命不能由题名推断。
- 在线部署还需要延迟、算力、传感器噪声和跨车辆泛化证据。
是否值得跟进
- 结论：跟进（全文到手后再定复现优先级）。 实时 SOH + 物理约束与哥哥的在线健康估计方向契合，但当前证据不足以排在 EIS/BatteryKG 之前。
- 对哥哥研究/落地的启发： 可将 physics-informed loss 作为 SOH 分支的约束候选，并把 5 min、10 min、早期充电片段做统一窗口预算比较；验证必须采用按电芯/按工况留出。
- 后续动作： 从 ScienceDirect/机构订阅获取全文；记录精确网络结构、物理方程、损失权重、数据集和分割；复现实验时加入随机窗口切分与按电芯切分的对照。
查看关键词分类依据
- SOH estimation · 标题包含「state of health」
-informed deep learning models for real-time state of health estimation of lithium-ion batteries - PINN / physics-informed · 标题包含「physics-informed」
Physics-informed deep learning models for real-time state of health estimation of lithium-ion ba - Generic neural network / deep learning · 标题包含「deep learning」
Physics-informed deep learning models for real-time state of health estimation of lithium-ion batteries - Li-ion / LIB · 标题包含「lithium-ion」
for real-time state of health estimation of lithium-ion batteries