Resource-Constrained Embedded Neural Network SOC/SOH Estimation for Real-Time On-Device Battery Management

2. Resource-Constrained Embedded Neural Network SOC/SOH Estimation for Real-Time On-Device Battery Management

论文基本信息

字段	内容
DOI/URL/PDF	DOI；PDF 全文
发现来源	source_history: OpenAlex；OpenAlex 题录；payload 来源 URL 为 DOI
期刊/会议/平台	American Journal of Management and IOT Medical Computing；期刊 PDF，Vol.5 No.3 (2026)
发表日期	2026-08-26；PDF 首页列出 Received 10-07-2026、Accepted 20-08-2026、Published 26-08-2026
作者/机构	Massoud Mohammed Abdussalam Alamien、Mohamed Abusalah Mohamed Alssalim、Zayd Abdulsalam Zaed Zaed、Abdusalam Moustafa Haiyed Kanu、Abosalah Solaman Ali Khezoo；PDF 列出 Higher Institute of Science and Technology/Wadi Al-Ajal、SEBHA University、College of Engineering Technology/algrifa、Higher Institute of Sciences and Technology Wadi Etba（机构对应关系按原文表述）
通讯作者	通讯作者：Massoud Mohammed Abdussalam Alamien；PDF 明确标注 Correspondence 及邮箱 1983ASD1982@GMAIL.COM
脚本评分/证据等级	57；命中 battery、SOH、deep learning/neural、dataset、open access；全文级；未命中 authority first/corresponding author
核验路径	pdf_url：web_extract 成功提取完整 PDF → 未需回退 URL/DOI

纳入理由与原文证据

• 主题/边界： 论文直接估计 SOH，属于电池健康预测监测范围，但没有 EOL、RUL 或 cycle-life 目标，因此更接近寿命预测的相邻 BMS 任务。
• 证据： 全文称模型用于 “simultaneous SOC–SOH estimation”，并提出 structured pruning、knowledge distillation 和 INT8 quantization。PDF 全文

数据集/电池体系

• 体系/数据： Kaggle EV Battery Charging & Thermal Runaway Dataset；原文称含 500 条、间隔 1 分钟的时序观测，输入为电压、电流、温度、内阻、充电功率，目标为 SOC/SOH，体系为锂离子 EV 电池。电芯数量和 SOH 标注来源未说明。
• 工况/跨域： 数据来自充电观测；温度、倍率、SOC 窗口、跨电芯/跨化学体系覆盖和真实 BMS 独立测试未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 目标是连续 SOC 与 SOH 回归；SOH 的物理定义、容量阈值、EOL 标签和 RUL 单位均未说明，不能将 SOH 误写成已完成寿命预测。
• 未来信息风险： 文中称保持时间依赖的 train/validation/test 划分，但比例、边界、滑窗是否跨集合、Min-Max 参数和 Pearson 选择是否仅由训练集拟合未说明，存在时序泄漏检查点。

模型方法

• 流程： 电压/电流/温度/内阻/功率滑动窗口 → Min-Max 与特征选择 → 轻量 temporal/dilated convolution、residual blocks 和双头 SOC/SOH → 多任务 MSE；再做结构化剪枝、知识蒸馏和 INT8 量化。
• 部署： 论文声称面向微控制器/边缘设备，使用 Python/PyTorch；未说明具体硬件、功耗、编译后运行时或实际板端测量方法。

验证设计

• 划分/泛化： 仅确认同一 Kaggle 数据集按时间依赖划分 train/validation/test，并与 LSTM、GRU、TCN 比较；未确认按电芯 LOCO、外部数据或跨工况测试。
• 可信度： 低至中（信息不足）。全文和表格可读，但 500 条观测、未命名硬件、摘要含 [X%] 占位符，且结果段写有待填入实际结果的措辞，需谨慎采信。

指标与结果

• 表 2 报告 SOC：MAE 0.92%、RMSE 1.14%、MAPE 1.28%、R² 0.984；SOH：MAE 0.70%、RMSE 0.84%、MAPE 0.76%、R² 0.978。
• 表 3 报告 INT8 版本 96.5K 参数、0.10 MB 模型、0.58 MB RAM、2.60 ms 推理；但表 4 的 SOC MAE/RMSE 为 0.90%/1.10%，与表 2 不一致，且未给出硬件平台与重复测量细节。

泄漏风险、复现性与局限性

• 泄漏风险： 中高；需审计滑动窗口边界、全数据归一化/特征选择、同一电芯相邻观测跨 split，以及 SOC/SOH 目标字段是否间接进入输入。
• 复现性： 低至信息不足；数据集名称和 Python/PyTorch 可确认，但代码、固定窗口长度、超参、随机种子、硬件、功耗和量化校准流程未提供。
• 局限性： ①没有 EOL/RUL 与完整寿命曲线；②样本/电芯规模和标签质量不清楚；③期刊与文章内部结果表需进一步核验，暂不足以支持通用 TinyML 部署结论。

是否值得跟进

• 结论： 观望。
• 理由与下一步： 轻量联合 SOC/SOH 结构可作为部署基线，但目前更像小样本概念验证。下一步核对期刊页面和 DOI 状态，下载 Kaggle 原始数据，确认 500 条观测的电芯身份与 SOH 生成方式，并按电芯留出重跑；只有补齐真实硬件、功耗和泄漏审计后才提升优先级。