Feature–target pairing in machine learning for battery health diagnosis and prognosis: A critical review
Source abstract
Abstract
Abstract Lithium‐ion batteries (LIBs) have been dominating the markets of electric vehicles and grid energy storage. Accurate monitoring of battery health status has been one of the most critical challenges of the battery industry. Machine learning (ML) has been widely applied to battery health estimation as well as prediction. Here, by investigating the specific features and targets, we comprehensively discuss task‐oriented ML implementation in various application scenarios in the field of battery health. This review explores the tasks assisted by ML based on multi‐level cell degradation. We highlight opportunities and significance of considering the potential feature–target pair during the ML model training to identify more health information about LIBs as well as shed light into designing tasks for new application scenarios. image
Source: crossref · Quality: baseline
Research context
OpenAlex topics: Advanced Battery Technologies Research · Advancements in Battery Materials · Extraction and Separation Processes
SciVX discovery tags are terminology-based. OpenAlex topics are source-provided classifications.
Affiliations
Electrochemical Energy and Interfaces Laboratory, Department of Mechanical and Automation Engineering The Chinese University of Hong Kong Hong Kong SAR China
Funding
Research Grants Council, University Grants Committee
References (100+)
Show source-provided references
1. 10.1038/3510464410.1038/35104644 ↗
2. 10.1016/j.mattod.2014.10.04010.1016/j.mattod.2014.10.040 ↗
3. 10.1038/s41467‐020‐16259‐910.1038/s41467‐020‐16259‐9 ↗
4. 10.1016/S0378‐7753(01)00783‐210.1016/S0378‐7753(01)00783‐2 ↗
5. 10.1016/j.jpowsour.2005.03.17210.1016/j.jpowsour.2005.03.172 ↗
6. 10.1016/j.xcrp.2021.10053710.1016/j.xcrp.2021.100537 ↗
7. 10.1016/j.rser.2020.11004810.1016/j.rser.2020.110048 ↗
8. 10.1016/j.jpowsour.2018.10.01910.1016/j.jpowsour.2018.10.019 ↗
9. 10.1016/S0378‐7753(00)00439‐010.1016/S0378‐7753(00)00439‐0 ↗
10. 10.1016/j.rser.2018.04.03510.1016/j.rser.2018.04.035 ↗
11. 10.1038/s41586‐019‐1682‐510.1038/s41586‐019‐1682‐5 ↗
12. 10.1016/j.measurement.2021.10905710.1016/j.measurement.2021.109057 ↗
13. 10.1038/s41524‐022‐00713‐x10.1038/s41524‐022‐00713‐x ↗
14. 10.1002/ange.20221403710.1002/ange.202214037 ↗
15. 10.1126/science.aap806210.1126/science.aap8062 ↗
16. 10.1021/acs.chemrev.1c0010810.1021/acs.chemrev.1c00108 ↗
17. 10.1016/j.rser.2021.11190310.1016/j.rser.2021.111903 ↗
18. 10.1016/j.ensm.2022.09.01310.1016/j.ensm.2022.09.013 ↗
19. 10.1016/j.joule.2019.11.01810.1016/j.joule.2019.11.018 ↗
20. 10.1016/j.jpowsour.2016.12.01110.1016/j.jpowsour.2016.12.011 ↗
21. 10.1016/j.ensm.2022.05.04710.1016/j.ensm.2022.05.047 ↗
22. 10.1016/j.etran.2019.10003410.1016/j.etran.2019.100034 ↗
23. 10.1021/acs.chemrev.8b0072810.1021/acs.chemrev.8b00728 ↗
24. 10.1016/j.jpowsour.2020.22886310.1016/j.jpowsour.2020.228863 ↗
25. 10.1016/j.joule.2021.05.01210.1016/j.joule.2021.05.012 ↗
26. 10.1016/j.ensm.2021.05.04710.1016/j.ensm.2021.05.047 ↗
27. 10.1016/j.joule.2021.06.00510.1016/j.joule.2021.06.005 ↗
28. 10.1016/j.jpowsour.2020.22880610.1016/j.jpowsour.2020.228806 ↗
29. 10.1149/1945‐7111/abec5510.1149/1945‐7111/abec55 ↗
30. 10.1038/s41467‐020‐15235‐710.1038/s41467‐020‐15235‐7 ↗
31. 10.1002/batt.20210016610.1002/batt.202100166 ↗
32. 10.1016/j.joule.2022.10.01610.1016/j.joule.2022.10.016 ↗
33. 10.1038/s41586‐020‐1994‐510.1038/s41586‐020‐1994‐5 ↗
34. 10.1016/j.jpowsour.2011.03.10110.1016/j.jpowsour.2011.03.101 ↗
35. 10.1038/s41578‐020‐0216‐y10.1038/s41578‐020‐0216‐y ↗
36. 10.1038/s42256‐020‐0156‐710.1038/s42256‐020‐0156‐7 ↗
37. 10.1109/TIM.2008.200596510.1109/TIM.2008.2005965 ↗
38. KozlowskiJD.Electrochemical cell prognostics using online impedance measurements and model‐based data fusion techniques. In: 2003 IEEE Aerospace Conference Proceedings (Cat. No.03TH8652). Vol 7; 2003:3257‐3270. doi:10.1109/AERO.2003.123416910.1109/AERO.2003.1234169 ↗
39. 10.1016/j.apenergy.2022.11951610.1016/j.apenergy.2022.119516 ↗
40. 10.1016/j.apenergy.2014.04.07710.1016/j.apenergy.2014.04.077 ↗
41. 10.1016/j.jpowsour.2018.03.01510.1016/j.jpowsour.2018.03.015 ↗
42. 10.1016/j.jpowsour.2018.11.07210.1016/j.jpowsour.2018.11.072 ↗
43. 10.1016/j.apenergy.2020.11550410.1016/j.apenergy.2020.115504 ↗
44. 10.1016/j.energy.2016.02.16310.1016/j.energy.2016.02.163 ↗
45. 10.1016/j.jpowsour.2016.04.10910.1016/j.jpowsour.2016.04.109 ↗
46. 10.1016/j.apenergy.2016.07.12610.1016/j.apenergy.2016.07.126 ↗
47. 10.1016/j.jpowsour.2013.02.01210.1016/j.jpowsour.2013.02.012 ↗
48. 10.1109/ACCESS.2017.275909410.1109/ACCESS.2017.2759094 ↗
49. 10.1016/j.jpowsour.2017.10.09210.1016/j.jpowsour.2017.10.092 ↗
50. 10.1016/j.jpowsour.2018.06.03610.1016/j.jpowsour.2018.06.036 ↗
51. 10.1016/j.jpowsour.2018.10.06910.1016/j.jpowsour.2018.10.069 ↗
52. 10.1016/j.energy.2020.11777810.1016/j.energy.2020.117778 ↗
53. 10.1016/j.est.2019.10081710.1016/j.est.2019.100817 ↗
54. 10.1016/j.apenergy.2016.05.05110.1016/j.apenergy.2016.05.051 ↗
55. 10.1016/j.apenergy.2018.09.18210.1016/j.apenergy.2018.09.182 ↗
56. 10.1016/j.jpowsour.2020.22847810.1016/j.jpowsour.2020.228478 ↗
57. 10.1109/TII.2018.279499710.1109/TII.2018.2794997 ↗
58. 10.1016/j.ymssp.2022.10900210.1016/j.ymssp.2022.109002 ↗
59. 10.1016/j.isci.2022.10426010.1016/j.isci.2022.104260 ↗
60. 10.1016/j.jpowsour.2016.07.06510.1016/j.jpowsour.2016.07.065 ↗
61. 10.1016/j.energy.2022.12550310.1016/j.energy.2022.125503 ↗
62. 10.1038/s41467‐022‐29837‐w10.1038/s41467‐022‐29837‐w ↗
63. 10.1016/j.ensm.2022.05.02610.1016/j.ensm.2022.05.026 ↗
64. 10.1016/j.energy.2017.12.14410.1016/j.energy.2017.12.144 ↗
65. 10.1016/j.eswa.2011.03.06310.1016/j.eswa.2011.03.063 ↗
66. 10.1016/j.energy.2013.11.06110.1016/j.energy.2013.11.061 ↗
67. 10.1109/TPEL.2020.297849310.1109/TPEL.2020.2978493 ↗
68. 10.1016/j.electacta.2018.04.20310.1016/j.electacta.2018.04.203 ↗
69. 10.1016/j.jpowsour.2021.23089210.1016/j.jpowsour.2021.230892 ↗
70. 10.1016/j.energy.2021.12011410.1016/j.energy.2021.120114 ↗
71. 10.1016/j.microrel.2018.04.00710.1016/j.microrel.2018.04.007 ↗
72. 10.1016/j.jpowsour.2014.07.00310.1016/j.jpowsour.2014.07.003 ↗
73. 10.1149/2.0511608jes10.1149/2.0511608jes ↗
74. 10.1016/j.jpowsour.2018.02.05610.1016/j.jpowsour.2018.02.056 ↗
75. 10.1038/s42256‐021‐00312‐310.1038/s42256‐021‐00312‐3 ↗
76. 10.1016/j.est.2020.10212210.1016/j.est.2020.102122 ↗
77. 10.1016/j.ensm.2021.02.01810.1016/j.ensm.2021.02.018 ↗
78. 10.1016/j.electacta.2007.08.04910.1016/j.electacta.2007.08.049 ↗
79. 10.1016/j.ijepes.2012.04.05010.1016/j.ijepes.2012.04.050 ↗
80. 10.1016/j.jpowsour.2012.11.14610.1016/j.jpowsour.2012.11.146 ↗
81. 10.1016/j.jpowsour.2013.03.12910.1016/j.jpowsour.2013.03.129 ↗
82. 10.1016/j.microrel.2013.03.01010.1016/j.microrel.2013.03.010 ↗
83. 10.1016/j.microrel.2013.01.00610.1016/j.microrel.2013.01.006 ↗
84. 10.1016/j.jpowsour.2017.05.00410.1016/j.jpowsour.2017.05.004 ↗
85. 10.1109/TTE.2019.294480210.1109/TTE.2019.2944802 ↗
86. 10.1016/j.apenergy.2013.12.02010.1016/j.apenergy.2013.12.020 ↗
87. 10.1016/j.measurement.2014.11.03110.1016/j.measurement.2014.11.031 ↗
88. 10.1109/TVT.2018.280518910.1109/TVT.2018.2805189 ↗
89. ZhaoG ZhangG LiuY ZhangB HuC.Lithium‐ion battery remaining useful life prediction with deep belief network and relevance vector machine. In: 2017 IEEE International Conference on Prognostics and Health Management (ICPHM); 2017:7‐13. doi:10.1109/ICPHM.2017.799829810.1109/ICPHM.2017.7998298 ↗
90. 10.1016/j.est.2019.03.02210.1016/j.est.2019.03.022 ↗
91. 10.1016/j.apenergy.2015.08.11910.1016/j.apenergy.2015.08.119 ↗
92. 10.1016/j.apenergy.2016.04.05710.1016/j.apenergy.2016.04.057 ↗
93. LiuJ SaxenaA GoebelK SahaB WangW.An adaptive recurrent neural network for remaining useful life prediction of lithium‐ion batteries; 2010:9.10.36001/phmconf.2010.v2i1.1896 ↗
94. 10.1109/MIM.2008.457926910.1109/MIM.2008.4579269 ↗
95. 10.1038/s41560‐019‐0356‐810.1038/s41560‐019‐0356‐8 ↗
96. 10.1109/TTE.2022.321202410.1109/TTE.2022.3212024 ↗
97. 10.1002/batt.20210007910.1002/batt.202100079 ↗
98. 10.1109/TII.2022.320677610.1109/TII.2022.3206776 ↗
99. 10.1016/j.egyai.2021.10009710.1016/j.egyai.2021.100097 ↗
100. 10.1016/j.energy.2021.12020510.1016/j.energy.2021.120205 ↗