AttMoE: Attention with Mixture of Experts for remaining useful life prediction of lithium-ion batteries

4. AttMoE: Attention with Mixture of Experts for remaining useful life prediction of lithium-ion batteries

论文基本信息

字段	内容
DOI/URL/PDF	DOI/出版社页面；作者公开全文 PDF
发现来源	source_history: Crossref/Venue；以出版社记录、Crossref 和作者公开 PDF 核对
期刊	Journal of Energy Storage 84 (2024), 110780
发表日期	作者 PDF 标注 Available online 2024-02-07；期刊卷期为 2024
作者/机构	Daoquan Chen、Xiuze Zhou；PDF列出浙江机电职业技术学院智能交通学院及杭州 Shuye Tech.
通讯作者	Xiuze Zhou；PDF以星号及通讯邮箱标识
脚本评分/证据等级	85；全文级（作者公开论文 PDF，题名/DOI 与出版社核对）
核验路径	未取得 PDF 链接；ScienceDirect 抽取失败；检索到作者站 PDF 并成功读取全文，Crossref 核对 DOI、作者和卷期

纳入理由与原文证据

• 主题/边界： 以容量序列预测锂离子电池 RUL，论文定义 RUL 为到达预设失效阈值前的剩余循环数；不是普通健康监测。
• 证据： 全文报告 NASA 与 CALCE 两个公开数据集的留一电池评估；AttMoE 在 NASA/CALCE 的 RUL 相对误差分别为 0.2000/0.0761。作者全文 PDF

数据集/电池体系

• 体系/数据： NASA 数据含四个锂离子电池记录，流程包括充电、放电和阻抗测量；另使用 University of Maryland 的 CALCE 数据。全文未说明 CALCE 完整电芯数。
• 工况/跨域： NASA 与 CALCE 分别独立评估，未报告跨数据集迁移；作者指出 CALCE 容量序列噪声高于 NASA。温度与电流的跨工况泛化未做系统覆盖。

EOL/RUL/SOH 定义

• 目标/定义： RUL 按 EOL cycle number 减当前等效循环数计算；文中概述容量降至初始容量 70% 或 80% 时可视为 EOL，但没有在摘要表格里明确每个数据集具体采用哪个阈值。
• 未来信息风险： 输入由容量滑动窗口构造，实验以电池为单位留出，有助于隔离同电池序列；仍应核验窗口、归一化和 EOL 标注是否只用训练电池统计量。

模型方法

• 流程： 容量序列归一化并经 dropout mask 去噪 → 多头注意力提取长程依赖 → noisy Top-K 门控 MoE 专家融合 → 输出容量/RUL。对照包括 MLP、LSTM、GRU、Dual-LSTM；另做无 MoE、无 dropout 消融。
• 部署： 作者比较训练耗时并称注意力模型比循环网络训练更快；未给出边缘设备延迟或在线资源测量。

验证设计

• 划分/泛化： leave-one-out：每轮留一电池测试，其余用于训练，论文称共五轮并取平均；不是随机窗口混分。只在 NASA、CALCE 两组公开数据上验证。
• 可信度： 中；按电池留出是优点，但数据规模有限，且阈值和 CALCE 具体划分仍需进一步核对。

指标与结果

• 指标： NASA RE=0.2000、MAE=0.0760、RMSE=0.0872；CALCE RE=0.0761、MAE=0.0577、RMSE=0.0794。单位与归一化尺度应按原表解释，不能与另一数据集的 cycles RMSE 直接比较。

泄漏风险、复现性与局限性

• 泄漏风险： 中低；全文明确按电池留出，但五轮评估的样本数较少，需确认所有预处理/超参选择均在训练折内。
• 复现性： 中高；作者公开 GitHub 项目，PDF给出主要超参范围、Adam 与训练硬件（RTX 3090、128GB RAM）；数据来自公开库。具体随机种子未确认。
• 局限性： 仅两套公开数据、对真实在线工况覆盖不足；NASA/CALCE 结果尺度不同；EOL 阈值对结果影响需要统一复核。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 论文有完整方法和留一电池结果，适合作为 attention/MoE 基线。先核对阈值及归一化，再用统一电芯级划分与近期模型比较。