Degradation-Aligned Self-Supervised Learning for State of Health Estimation of Lithium-Ion Batteries under Label Sparsity
Jiaqi Yao、Julia Kowal
1. Degradation-aligned self-supervised learning for state of health estimation of lithium-ion batteries under label sparsity
论文基本信息
| 字段 | 内容 |
|---|---|
| 标题： | Degradation-aligned self-supervised learning for state of health estimation of lithium-ion batteries under label sparsity |
| DOI/URL/PDF | DOI 10.1016/j.egyai.2026.100884；ScienceDirect 页面；PDF 未能获取 |
| 发现来源 | payload source_history=RSS/Web；Energy and AI RSS；Crossref DOI 元数据为补充核验 |
| 期刊/会议/平台 | Energy and AI，ScienceDirect；Crossref 标记为 journal-article |
| 发表日期 | 2026-09-03；RSS 写明 “Available online 3 September 2026”，Crossref created 也为 2026-09-03，print 卷期为 2026-12 |
| 作者/机构 | Jiaqi Yao；Julia Kowal。机构：未能从 payload 或可访问元数据确认 |
| 通讯作者： | 未能确认 |
| 脚本评分/证据等级 | 62；命中锂离子电池、degradation/SOH、直接 SOH 目标、Energy AI 期刊层级和 RSS 来源；无权威作者加分；元数据级 |
| 核验路径 | pdf_url 为空，无可尝试链接 → ScienceDirect URL：web_extract 失败、直接 PDF 端点 HTTP 403 → DOI URL：web_extract 失败；Crossref 精确 DOI 查询成功，仅得到题录/许可等元数据 |
纳入理由与原文证据
- 主题/边界： 标题同时明确 lithium-ion batteries、state of health estimation 与 label sparsity，属于直接 SOH 预测任务，不是普通材料合成或储能调度。RSS 页面明确把链接列为 Energy and AI 论文，Crossref 进一步确认其为期刊文章。
- 证据： ① RSS 原文列出题名、 “Source: Energy and AI” 和两位作者：RSS。② Crossref 精确记录题名、DOI
10.1016/j.egyai.2026.100884、container-title=Energy and AI与type=journal-article：Crossref。
数据集/电池体系
- 体系/数据： 锂离子电池已由题名确认；公开/自建、真实 BMS 或实验室数据、样本量、输入信号和标签比例均未说明。不能把 Crossref 参考文献中的 CALCE 或其他数据集误认为本文使用的数据。
- 工况/跨域： 温度、倍率、SOC 窗口、按电芯或工况的划分，以及是否跨化学体系泛化，均未能确认。
EOL/RUL/SOH 定义
- 目标/定义： 目标是 SOH 估计；SOH 的物理定义、容量基准、阈值、单位、标签生成方式和是否同步预测 RUL/EOL 未说明，不能假定使用常见 80% 阈值。
- 未来信息风险： 标签稀疏场景尤其需要检查是否用完整寿命曲线、后验平滑或未来循环构造自监督信号；训练/验证/test 的时间边界和归一化方式目前未能确认。
模型方法
- 流程： 题名只支持“退化对齐的自监督学习”这一方法层结论；输入、预训练/代理任务、网络架构、SOH 输出头、物理约束和 baseline/消融均未能确认。
- 部署： 传感器、在线更新、计算量、推理延迟和端侧部署均未说明。
验证设计
- 划分/泛化： 随机窗口、按电芯 LOCO、时间外推、跨工况或外部数据验证均未知；独立测试集未能确认。
- 可信度： 信息不足。题名与期刊元数据足以确认主题，但不足以评价泛化和工程可信度。
指标与结果
- 未能从可访问页面或摘要确认 MAE、RMSE、MAPE、相关系数、不确定性覆盖率或相对 baseline 的任何原始实验数字。脚本评分 62 不是实验结果，也不应替代论文指标。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；重点检查跨循环切窗、同一电芯同时出现在训练和测试、用未来退化轨迹构造自监督标签，以及标签稀疏比例是否在测试阶段被调参。
- 复现性： 信息不足。Crossref 记录了 CC BY 4.0 许可，但这不等于代码、数据、超参数和随机种子已公开；代码/数据链接未能确认。
- 局限性： ① 当前没有全文和摘要，无法确认方法与结果；② 仅凭题名无法判断对真实 BMS 信号和跨电芯泛化的适用性；③ 标签稀疏下的自监督收益需要与简单退化先验、弱标签和强监督 baseline 对照。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： 这是今日最直接命中“SOH + 标注稀缺”的论文，但证据尚不足以采纳其结论。优先通过 DOI/ScienceDirect 或机构订阅获取 PDF，补齐数据集、标签比例、时间/电芯划分、消融、指标与代码信息，再纳入哥哥的 SSL/SOH benchmark。
查看关键词分类依据
- SOH estimation · 标题包含「state of health」
adation-Aligned Self-Supervised Learning for State of Health Estimation of Lithium-Ion Batteries under Label Sparsity - GRU · 摘要包含「gru」
nal neural network-gated recurrent unit (CNN-GRU) model, which learns aging-consistent representations from unlabeled data throu - CNN · 摘要包含「cnn」
utional neural network-gated recurrent unit (CNN-GRU) model, which learns aging-consistent representations from unlabeled data t - Generic neural network / deep learning · 摘要包含「neural network」
ing (SSL) framework based on a convolutional neural network-gated recurrent unit (CNN-GRU) model, which learns aging-consistent representat - Li-ion / LIB · 标题包含「lithium-ion」
d Learning for State of Health Estimation of Lithium-Ion Batteries under Label Sparsity