Degradation-informed closed-loop feature optimization and SHAP-enhanced machine learning for lithium-ion battery SOH estimation

论文卡片 1：Degradation-informed closed-loop feature optimization and SHAP-enhanced machine learning for lithium-ion battery SOH estimation

基本信息

• 标题：Degradation-informed closed-loop feature optimization and SHAP-enhanced machine learning for lithium-ion battery SOH estimation
• 作者：Meng Wei; Yuehua Chen; Yongliang Bi; Lin Qiao; Baozhou Xia; Jiale Zhang; Chuanwei Zhang; Min Ye
• 期刊/来源：Journal of Power Sources
• 日期：监测记录为 2026-06-24；Crossref 元数据给出 print issue 为 2026-10，Volume 689，Article/Page 240784
• DOI/URL：https://doi.org/10.1016/j.jpowsour.2026.240784
• 脚本评分：70
• 期刊指标核验：未核验 JIF/JCI/CiteScore/SJR；仅核验为 Journal of Power Sources 元数据。
• 可访问性：DOI 页面抓取失败；Crossref API 可核验题名、期刊、卷期、DOI。可信度为摘要/元数据级，全文未开放或未成功获取。

纳入理由和命中证据

• 题名直接包含 lithium-ion battery SOH estimation、degradation-informed、SHAP-enhanced machine learning。
• 任务明确属于电池健康状态估计，不是单纯材料制备、热管理或储能调度。
• Journal of Power Sources 与电池寿命/SOH 方法论文主题高度匹配。

创新点

• 从题名可确认的创新方向：把退化信息引入闭环特征优化，并用 SHAP 增强机器学习的可解释性。
• 具体闭环如何定义、SHAP 是用于特征选择、解释模型还是迭代优化，当前无法从可访问内容确认。

主要内容

• 可确认：锂离子电池 SOH 估计研究。
• 未说明/未能确认：实验数据规模、电芯型号、循环协议、模型族、验证划分、指标数值。

模型架构/方法流程

• 方法类别：机器学习 + SHAP 可解释性 + 退化信息特征优化。
• 输入特征：未能从可访问内容确认；可能来自电池循环/充放电数据，但不能臆测。
• 输出目标：SOH。
• Baseline/对比方法：未能确认。

数据来源/数据结构/电池类型/循环协议

• 电池类型：题名确认 lithium-ion battery。
• 数据来源、样本数量、循环协议、温度/倍率、是否跨工况验证：未能从可访问内容确认。

结果指标

• 未能从可访问内容确认 MAE/RMSE/MAPE/R² 等具体指标。

泄漏风险/局限性/复现性

• 泄漏风险：信息不足。后续需检查是否按电池划分训练/测试，是否存在同一电芯循环片段随机切分，是否全数据归一化/特征选择。
• 局限性：当前最大限制是全文/摘要未抓取成功，无法判断验证强度。
• 复现性：信息不足；未确认是否开源代码或公开数据。

对哥哥研究/落地的启发和后续动作

• 若全文可获取，优先查看“closed-loop feature optimization”是否能移植到哥哥的 SOH/RUL 特征工程流水线。
• 后续动作：通过机构/ScienceDirect 获取全文；补充数据集、指标、baseline、泄漏风险；若验证扎实，可加入 SOH 特征选择/解释性方法清单。