Remaining useful life prediction of lithium-ion batteries based on data denoising and improved transformer
Kaile Zhou、Zhiyue Zhang
1. Remaining useful life prediction of lithium-ion batteries based on data denoising and improved transformer
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI;本轮 未取得 PDF 链接 链接 |
| 发现来源 | Crossref/Venue;来源历史仅 Crossref/Venue |
| 期刊/会议/平台 | Journal of Energy Storage, vol. 100, article 113749 |
| 发表日期 | Crossref published-print / issued 为 2024-10(月份精度);created=2024-09-15 是 DOI 记录创建时间,不据此当作在线发表日;在线发表日未能确认 |
| 作者/机构 | Kaile Zhou、Zhiyue Zhang(Crossref);机构字段未记录,不能据标题补全 |
| 通讯作者 | 未能确认 |
| 脚本评分/证据等级 | 82;题名命中电池 RUL、去噪与 Transformer;元数据级 |
| 核验路径 | payload 无 pdf_url;DOI → ScienceDirect 预览页及 Crossref 记录。出版社页面可见题名、栏目/章节目录,未返回摘要正文或全文;Crossref 核对 DOI、作者与期刊月份。 |
纳入理由与原文证据
- 主题/边界: 题名直接针对锂离子电池剩余寿命预测,符合 RUL 监测范围。出版社预览目录列出 CEEMDAN 与 RUL prediction 方法章节,但现有页面不足以核实算法实现细节。
- 证据: Crossref 确认期刊论文题录与卷号;出版社预览确认论文主题和章节结构:ScienceDirect 预览。
数据集/电池体系
- 体系/数据: 锂离子电池;摘要、数据集和样本规模未能确认。不能依据参考文献推定使用 NASA 或其他公开集。
- 工况/跨域: 温度、充放电协议、倍率、SOC 覆盖及跨电芯/跨化学体系验证均未说明。
EOL/RUL/SOH 定义
- 目标/定义: 题名确认 RUL 预测;EOL 容量阈值、剩余周期标签生成与预测起点未能确认。
- 未来信息风险: 未获得实验章节,无法判断分解/去噪是否使用全寿命曲线、是否按电芯隔离或是否有测试集调参。
模型方法
- 流程: 题名描述数据去噪与改进 Transformer;出版社目录出现 CEEMDAN 章节,具体噪声处理流程、Transformer 变体和 baseline 未能确认。
- 部署: 传感器输入、推理延迟、在线更新和算力未说明。
验证设计
- 划分/泛化: 数据集、训练/验证/测试划分、独立电芯测试均未能确认。
- 可信度: 信息不足;当前证据只足以确认论文身份与 RUL 主题。
- 额外检查: 预览目录虽有 Datasets/Conclusion 章节,无法核对实际数据集、训练测试分布、消融是否同一切分或超参选择是否触及测试集。
指标与结果
- 摘要与实验数字未能取得;不报告脚本评分为实验性能,也不推测误差指标。
泄漏风险、复现性与局限性
- 泄漏风险: 信息不足;重点待查分解是否在划分前拟合、测试电芯是否参与归一化或模型选择。
- 复现性: 低;数据、代码、超参、随机种子均未能确认。
- 局限性: 目前无法审核样本代表性、指标基线和不确定性;出版社预览不等于全文证据;在线发表日期未确认。
是否值得跟进
- 结论: 观望。
- 理由与下一步: 题目相关且期刊匹配,但当前缺少摘要和实验细节。下一步取得出版社全文或作者稿,核实数据集、阈值、划分及与简单基线的比较后再评估。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
Remaining useful life prediction of lithium-ion batteries based on data denoising and improved transf - Transformer / attention · 标题包含「transformer」
tteries based on data denoising and improved transformer - Li-ion / LIB · 标题包含「lithium-ion」
Remaining useful life prediction of lithium-ion batteries based on data denoising and improved transformer