CNN framework enhanced with attention weighed and optimized features for state-of-health estimation of lithium-ion batteries

1. CNN framework enhanced with attention weighed and optimized features for state-of-health estimation of lithium-ion batteries

论文基本信息

字段	内容
DOI/URL/PDF	DOI；Scientific Reports 页面；Nature PDF（提取失败）；OpenAlex 记录的 参考 PDF
发现来源	source_history=OpenAlex；OpenAlex 题录/摘要；Crossref 与 Crossmark 作题录、日期和作者交叉核验
期刊/会议/平台	Scientific Reports，Springer Nature / Nature Portfolio；ISSN 2045-2322
发表日期	2026-09-06；OpenAlex publication_date、Crossref published-online/published 和 Crossmark First Online 一致
作者/机构	S. Arulmozhi；Ruban Nersisson。OpenAlex 机构为 Vellore Institute of Technology University；作者单位细化为 School of Electrical Engineering, Vellore Institute of Technology, Vellore, Tamil Nadu, India
通讯作者	Ruban Nersisson；OpenAlex 标记 is_corresponding=true，并记录 Vellore Institute of Technology University
脚本评分/证据等级	87；命中电池/锂离子、退化/SOH、CNN/注意力/深度学习、数据集、Scientific Reports 期刊层级和开放获取；未命中权威作者加分；摘要级
核验路径	payload pdf_url 为空；Nature 页面 → web_extract 失败；Nature PDF、参考 PDF、OpenAlex 内容 PDF/GROBID → 提取失败；DOI → 页面提取失败；OpenAlex API → 成功取得摘要/结构化作者、机构、OA 与对应作者；Crossref API、Crossmark → 成功取得题录/日期/作者/许可；Nature 搜索结果 → 成功看到摘要片段和发表日期

纳入理由与原文证据

• 主题/边界： 文章直接研究 lithium-ion battery 的 State of Health（SOH）估计，并将目标连接到安全、可靠性和剩余服务寿命，属于健康状态/退化轨迹监测主任务；目前没有证据表明它直接输出 RUL 或 EOL。
• 证据： ① 摘要称提出 “a hybrid framework ... based on CNN-AM-APO”，用 1D-CNN 提取放电信号层级退化特征，并用通道注意力筛选退化敏感信息：OpenAlex 摘要。② 摘要报告在公开锂离子电池退化数据集上，相比 CNN、CNN-LSTM、CNN-AM 和 CNN-LSTM-APO 获得 MSE 0.000426、RMSE 0.020639、MAE 0.017381、MAPE 0.023530、R² 95.60%：Nature 搜索结果。

数据集/电池体系

• 体系/数据： 可确认是锂离子电池和一个公开的电池退化数据集，输入与放电信号有关；数据集名称、电芯化学体系、样本量、循环数、采样频率、是否按电芯组织均未说明/未能从可访问内容确认。
• 工况/跨域： 摘要只说在相似的预处理、训练和测试条件下进行比较；温度、倍率、SOC/DoD 窗口、老化路径、跨电芯/跨批次/跨工况覆盖未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 论文目标是 SOH 估计。SOH 的容量或功率定义、参考初始状态、EOL 阈值、RUL 单位和标签生成方式未说明，不能把摘要中的“remaining service life”表述当作已验证的 RUL 输出。
• 未来信息风险： 需检查每个输入窗口是否需要完整放电曲线、SOH 标签是否由未来容量或完整寿命轨迹计算，以及相似预处理是否在训练/测试之间共享了归一化统计量。摘要未给出这些边界，当前风险等级为信息不足。

模型方法

• 流程： 放电信号 → 1D-CNN 提取层级退化特征 → 自适应通道注意力突出退化敏感通道 → Artificial Protozoa Optimization（APO）优化网络参数 → SOH；基线包括 CNN、CNN-LSTM、CNN-AM 和 CNN-LSTM-APO。摘要未说明网络层数、窗口长度、损失函数和完整消融。
• 部署： 文章将应用场景定位为智能 BMS 和实时锂离子电池健康监测，但传感器要求、参数量、推理延迟、内存、功耗、在线更新和嵌入式实现均未能确认。

验证设计

• 划分/泛化： 摘要确认使用公开退化数据集并在相似预处理、训练和测试条件下与多个基线比较；随机窗口、按电芯留出、LOCO、时间外推、外部数据和独立测试集均未说明。
• 可信度： 信息不足（摘要级）。模型链路和数值指标可核对，但没有样本规模、切分协议、重复实验或置信区间，暂不能确认跨电芯泛化。

指标与结果

• 摘要报告 MSE=0.000426、RMSE=0.020639、MAE=0.017381、MAPE=0.023530，但未说明单位、测试集范围和这些数值是否为均值、最佳值或单次结果。
• 摘要另报告 R²=95.60%，并称 CNN-AM-APO 优于 CNN、CNN-LSTM、CNN-AM、CNN-LSTM-APO；未能确认每个基线的对应数值、统计显著性和误差分布。
• 未能确认 RUL/EOL 误差、预警提前量、不确定性覆盖率或寿命终点识别表现；脚本评分 87 不是实验指标。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点检查同一电芯的相邻放电窗口是否跨训练/测试、SOH 标签是否使用未来完整轨迹、归一化/特征选择是否先看测试集，以及 APO 是否以测试结果调参。
• 复现性： 信息不足。文章被 OpenAlex/Crossref 标为开放获取并给出摘要级方法和结果，但数据集名称、代码、超参数、随机种子、完整预处理和模型权重均未能确认。
• 局限性： ① 只有摘要/元数据可访问，不能核对实验表格；② 数据集与电芯/工况覆盖未知；③ 未确认 EOL/RUL 定义和独立跨电芯验证，实时 BMS 表述仍是应用主张而非已核验部署结果。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 文章直接命中 SOH，且给出注意力、优化器和多基线组合，适合纳入深度学习 SOH benchmark。下一步获取全文和数据集来源，复核电芯级切分、SOH 标定、APO 搜索边界、四个基线的公平性及端到端推理成本，再在哥哥现有数据上做无泄漏复现。