NBD-Net 用非平稳桥接退化网络预测锂电 RUL，留一电芯测试误差最低
作者提出 NBD-Net，通过 RevIN 逐窗口归一化、局部稳定分支与循环趋势编码器并行，并用注意力记忆 SDMC 和双向交叉注意力桥 LGBI 耦合两路，实现下一循环容量预测。
推荐理由：在 CALCE、NASA、TJU 共 11 个电芯的留一电芯协议下，该文逐项拆解了归一化与局部稳定分支各自带来的增益。
#RUL
#RUL
今日 0 条关键词流·SOX 与寿命预测精选AI 评分6060 Computers & Chemical Engineering精选AI 评分5252 数据驱动多任务学习框架同时预测锂离子电池RUL与拐点
Haoyu Sun 等人提出一种数据驱动的多任务学习框架，用于同时预测锂离子电池的剩余使用寿命（RUL）与容量衰减拐点。该工作发表于 Computers & Chemical Engineering 第 217 卷，摘要未给出数据集、电芯体系与误差指标等细节。
推荐理由：该框架把RUL与拐点预测放在同一多任务模型中，为关注寿命末期非线性衰减的读者提供了一种联合建模思路。
Journal of The Electrochemical Society精选AI 评分4040 CAMamba2 双轴增强状态空间模型用于锂离子电池 RUL 预测
上海理工大学团队提出 CAMamba2 双轴增强架构，特征轴做跨通道交互门控，时间轴用上下文感知模块结合局部平滑时序上下文，并以 Mamba2 状态空间骨干建模长程依赖。在 MIT 数据集上 MAE 为 0.0082、MSE 为 0.0001，优于代表性基线；在 HUST 数据集上独立训练后，在不同工况下也表现良好。作者认为双轴增强是锂离子电池 RUL 预测的有效策略。
推荐理由：该工作把跨通道门控与局部时序平滑结合到 Mamba2 状态空间骨干上，为抑制容量再生和局部噪声提供了一种可迁移的建模思路。
Applied Energy精选AI 评分5252 基于容量曲线建模与注意力融合学习框架的锂电池RUL预测
Xinyu Li 等提出一种结合容量曲线建模与注意力融合学习的框架，用于锂离子电池剩余使用寿命（RUL）预测，论文发表于 Applied Energy 第 427 卷 Part F，作者包括 Jiawei Li、Jinze Li、Fang Wang、Yongming Han、Min Liu 和 Yi Zhao。目前仅有题录与作者信息，摘要未给出具体数据集、误差指标或对比基线。
关键词流·SOX 与寿命预测精选AI 评分5858 ECLIPSE-Net 用事件条件对数状态估计器预测锂电池 RUL
ECLIPSE-Net 是一种事件条件对数状态估计器，结合退化事件分词器、对数时间记忆格、选择性二阶 MIMO 状态模块、能量证据混合器与鲁棒输出头，用于锂电池 RUL 预测。
推荐理由：论文在三个公开数据集上报告 RUL 误差与消融结果，并说明迁移失效的触发条件，可供做寿命预测基线比较时参考。
关键词流·SOX 与寿命预测AI 评分3838 广西大学团队提出融合电化学物理信息的双分支 CNN 用于锂电池 RUL 预测
广西大学团队提出一种基于电化学物理信息的双分支卷积神经网络用于锂电池 RUL 预测，主分支为多尺度时间卷积、辅助分支为残差网络，并设计以退化特征为引导信号的信息引导通道注意力 IGCA。模型还引入融合电化学退化规律与库仑效率的物理约束损失函数，使预测与电池退化的物理演化更一致。实验显示该方法在 CALCE 数据集上 RMSE 为 1.57%–2.12%，在 XJTU 数据集上表现出较好适用性。
关键词流·SOX 与寿命预测AI 评分2828 基于特征驱动的机器学习框架：实现锂离子电池 RUL 的高精度与低算力预测
一项基于 NASA 电池老化数据集的特征驱动机器学习框架，仅用最大放电电压和最小充电电压两个特征训练 kNN、SVR 和 RF 三种回归模型，其中 RF 表现最佳，R² 达 0.9421、RMSE 为 77.47。kNN 在保持相近精度的同时训练时间更短，SVR 精度较低且计算成本更高。该框架在独立电池数据集上验证，预测 RUL 与观测老化趋势吻合，适用于电动汽车实时电池健康监测。
关键词流·SOX 与寿命预测AI 评分5252 基于深度证据回归的锂离子电池 RUL 预测不确定性量化
中国矿业大学团队在 XJTU Batch-1 2C 电芯上评估选特征深度证据回归（DER），采用留一电芯验证并保留一个未参与训练的留出电芯，LOBO 缩放后的 DER 在留出电芯上取得 PICP = 0.989、MPIW = 59.17，优于 conformal 与 deep-ensemble 基线，并保留原始 aleatoric 与 epistemic 诊断量。
Journal of Energy StorageAI 评分4242 基于趋势-残差分解与大核注意力 Mamba 模型的锂离子电池剩余使用寿命预测
研究提出一种结合趋势-残差分解与大核注意力 Mamba 模型的锂离子电池 RUL 预测方法，论文发表于 Journal of Energy Storage 第 182 卷 Part F。作者为 Hai-Kun Wang、Xin Liu、Yu-Kai Guo、Zhichao Xu、Qian Huang、Huamei Cao。
Applied Energy精选AI 评分5050 TinyBatteryNet：面向嵌入式跨电池域RUL预测的紧凑神经网络架构
Minhhuy Le 等人提出 TinyBatteryNet，一种用于嵌入式电池剩余使用寿命（RUL）预测的紧凑神经网络架构，可在不同电池域之间迁移。该工作发表于 Applied Energy 第 427 卷 Part D，材料仅提供摘要，未给出具体数据集、误差指标与模型参数量。
推荐理由：面向嵌入式部署的轻量网络跨电池域预测RUL，为资源受限BMS场景提供可参考的架构取舍。
关键词流·SOX 与寿命预测AI 评分6666 面向换电轻型电动车电池包的代理包基准生成与RUL评估
研究提出代理电池包数据生成与学习框架，将独立测试的单体老化记录组织为固定成员轨迹，代表48 V级16串配置，每个轨迹在共同循环序列中保留16个物理电芯身份，并将循环级成员状态聚合为电池包特征以预测保守的最小成员代理RUL。
关键词流·SOX 与寿命预测AI 评分4242 BiGRU-TACL：面向鲁棒电池 RUL 预测的多尺度时序学习框架
江南大学等团队提出 BiGRU-TACL 深度多任务学习框架，用于电池剩余使用寿命（RUL）预测。该框架用时序感知对比学习（TACL）按循环数与 RUL 差异构造正负样本，结合在线难例挖掘（OHEM）、区域加权回归损失与边界惩罚，并以同方差不确定性自适应平衡回归、健康阶段分类和对比学习三项任务。在 NASA 与 CALCE 数据集上，R² 至少达 0.96，阶段分类准确率超过 0.93。
Journal of Energy StorageAI 评分4747 锂离子电池健康状态与剩余使用寿命联合估计的循环内与循环间联合建模
一项发表于 Journal of Energy Storage 的研究提出循环内与循环间联合建模方法，用于锂离子电池健康状态（SOH）与剩余使用寿命（RUL）的协同估计。作者为 Qiang Zheng、Yuting Zhang、Chao Li、Yang Lu、Boyuan Yang。
关键词流·SOX 与寿命预测AI 评分6262 物理信息可解释机器学习用于锂电池SOH与RUL混合估计
该研究提出一种物理信息可解释机器学习方法，用于锂离子电池健康状态（SOH）与剩余使用寿命（RUL）的混合估计。原文仅提供标题，未给出具体数据、模型细节与结果。
关键词流·SOX 与寿命预测AI 评分4040 面向牵引机车与牵引变电所的电池数字孪生：基于双 Kalman 滤波的 RUL 估计
面向牵引机车与牵引变电所，研究者开发了基于双 Kalman 滤波的电池数字孪生，通过联合滤波 Thevenin 等效电路模型参数与 SOC，从电流、电压、温度测量值估计剩余容量与 RUL。验证采用 15 个电芯串联的锂离子电池实验数据，SOC 与电压估计的 MAPE 分别低于 1.5% 和 0.5%。该方法建议用于"数字机车"与"数字变电所"项目中的技术状态监测与诊断系统。