跳到正文

#RUL

今日 0 条
10月29日周四
  1. 关键词流·SOX 与寿命预测60

    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。

  2. Computers & Chemical Engineering52

    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。

10月28日周三
  1. Journal of The Electrochemical Society40

    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。

10月27日周二
  1. Applied Energy52

    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。

10月24日周六
  1. 关键词流·SOX 与寿命预测58

    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。

10月23日周五
  1. Zenodo · battery 数据与软件40

    EIS 数据驱动锂离子电池 SoH 与 RUL 估计综述

    比利时布鲁塞尔自由大学 MOBI-Electromobility Research Centre 发布综述，系统梳理基于 EIS 的数据驱动 SoH 与 RUL 估计方法。文章先归类从 EIS 谱中提取性能指标的特征工程方法，再对数据驱动估计技术分类并比较不同算法表现，总结常用机器学习与深度学习算法、关键性能指标及与电池健康强相关的直接和间接特征。该综述旨在为后续研究选择建模策略提供参考。

  2. 关键词流·SOX 与寿命预测38

    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。

10月21日周三
  1. 关键词流·SOX 与寿命预测28

    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。

10月20日周二
  2. Zenodo · battery 数据与软件78

    巴西团队发布修正版锂电池 RUL 特征矩阵与跨域评测结果

    巴西坎皮纳大联邦大学等机构发布 v1.1.0 版建模就绪特征矩阵与可机读结果，对应论文《Protocol-Induced Optimism and Zero-Shot Cross-Domain Failure in Feature-Based Lithium-Ion Battery RUL Prediction》（已投 Energies）。

    推荐理由：该版本修正了 1.0.x 中全轨迹趋势描述符造成的时间泄漏，并给出跨七个公开数据集的零样本评测结果，可作为 RUL 特征工程的对照参考。

10月19日周一
10月17日周六
  1. 关键词流·SOX 与寿命预测52

    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。

10月16日周五
  2. Applied Energy50

    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。

10月14日周三
  1. 关键词流·SOX 与寿命预测24

    AI 驱动的锂离子电池健康预测：SOC、SOH 与 RUL 估计技术综述

    这篇综述梳理了基于 AI 与深度学习的锂离子电池 SOC、SOH 和 RUL 预测方法，重点覆盖 transformer 网络、自编码器潜变量建模、神经基展开、注意力机制及混合优化框架。文章指出传统电化学与经验方法难以刻画非线性衰减、工况不确定性和动态环境波动，并给出优化辅助框架、混合物理信息学习与可解释 AI（XAI）等未来方向，以支撑可靠的 BMS 方案。

10月12日周一
10月10日周六
  1. 关键词流·SOX 与寿命预测42

    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。

10月8日周四
10月7日周三
10月6日周二
9月30日周三
9月28日周一
  1. 关键词流·SOX 与寿命预测40

    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。