Lithium-ion battery capacity and remaining useful life prediction using board learning system and long short-term memory neural network
Shaishai Zhao、Chaolong Zhang、Yuanzhi Wang
3. Lithium-ion battery capacity and remaining useful life prediction using board learning system and long short-term memory neural network
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI/出版社摘要页；ScienceDirect文章页 |
| 发现来源 | Crossref/Venue；题录来源历史为 Crossref/Venue |
| 期刊/会议/平台 | Journal of Energy Storage，卷52，文章104901 |
| 发表日期 | 2022-08-15；出版社页明确列出；Crossref题录的2022-08-01为月级/不精确日期 |
| 作者/机构 | Shaishai Zhao、Chaolong Zhang、Yuanzhi Wang；ScienceDirect摘要页未显示完整单位，作者单位未能全部确认 |
| 通讯作者 | 未能确认；出版社摘要页未标通讯作者 |
| 脚本评分/证据等级 | 85；标题及出版社摘要直接命中容量与RUL预测；摘要级 |
| 核验路径 | payload无PDF链接；直达ScienceDirect文章摘要页成功，核对作者、正式日期、摘要及方法；全文需机构权限/购买，未能获取。 |
纳入理由与原文证据
- 主题/边界： 论文明确以锂离子电池容量与RUL为预测目标，符合范围。
- 证据： 出版社摘要称模型将BLS生成的特征节点及增强节点拼接为LSTM输入，并用NASA Ames PCoE与马里兰大学CALCE老化数据验证；摘要称训练可缩减至全部退化数据的25%。出版社摘要
数据集/电池体系
- 体系/数据： 使用NASA Ames Prognostics Center of Excellence与University of Maryland CALCE电池老化数据，研究对象为锂离子电池。可访问摘要没有列出具体电芯型号、化学体系、样本量或各数据集所占比例。
- 工况/跨域： 以历史容量衰减序列为核心输入；摘要确认在NASA与CALCE两个数据库上做实验，但未说明是否分别训练测试、跨数据集迁移，或包含哪些倍率/温度条件。
EOL/RUL/SOH 定义
- 目标/定义： 同时预测容量与RUL；ScienceDirect摘要未报告容量阈值、RUL标签单位与标签生成方式。不能把NASA数据集常见EOL设置当作本文定义。
- 未来信息风险： 出版社摘要提及不同训练集规模，RUL能力以四分之一测量老化数据进行测试；未显示时间外推边界、输入窗口终点、归一化拟合范围与超参数选择流程，需全文核实是否有未来信息渗入。
模型方法
- 流程： Broad Learning System先由历史容量构造特征节点和增强节点，将其拼接后送入LSTM神经网络，输出容量/RUL。设计动机是以较浅的宽学习特征表示减少对大量训练数据及深层网络的依赖；摘要未给足够信息复现网络配置。
- 部署： 仅涉及历史容量输入；在线采集、推理延迟、处理不完整测量及电池管理系统部署未说明。
验证设计
- 划分/泛化： 作者报告NASA与CALCE数据，并研究不同训练比例；容量预测使用25%和50%训练长度，RUL预测以约四分之一的测量老化数据测试。可访问摘要未明确是按电芯留出、按时间前推还是随机拆分，也未披露独立外部测试。
- 可信度： 信息不足；双数据库和训练比例对比有参考价值，但缺少划分定义及每个测试集的组成，不能判断跨电芯泛化。
指标与结果
- 摘要只称BLS-LSTM在训练数据降至25%时仍保持预测精度，没有给出RMSE、MAE、MAPE或逐数据集结果。不能把摘要中的定性表述转写为数值性能结论。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；重点核实特征节点构造、序列窗口重叠、归一化和LSTM选参是否严格限制在训练折，并检查是否把同一电芯的相邻片段分到不同集合。
- 复现性： 中低；NASA/CALCE数据源公开，但本次可访问内容未见代码、超参数、随机种子或完整切分方案。
- 局限性： ①全文未能取得，数值指标和模型细节缺失；②化学体系与电芯数量未从摘要确认；③“25%训练”究竟指时间比例还是样本比例，以及跨库泛化效果需核实。
是否值得跟进
- 结论： 观望。
- 理由与下一步： BLS-LSTM与少样本设置值得作历史基线，但目前不可按题录分数判断其结果强弱。下一步取得全文，提取精确RUL定义、分电芯/分时间切分及NASA、CALCE各自指标，再决定是否加入复现基准。
查看关键词分类依据
- RUL prediction · 标题包含「remaining useful life」
Lithium-ion battery capacity and remaining useful life prediction using board learning system and long short-term memory neural networ - LSTM · 标题包含「long short-term memory」
e prediction using board learning system and long short-term memory neural network - Generic neural network / deep learning · 标题包含「neural network」
d learning system and long short-term memory neural network - Li-ion / LIB · 标题包含「lithium-ion」
Lithium-ion battery capacity and remaining useful life prediction using board learning syst