原文信息：
Predict the lifetime of lithium-ion batteries using early cycles: A review
原文链接：
https://www.sciencedirect.com/science/article/pii/S030626192401554X
Highlights
•讨弥补了通过早期循环预测电池寿命这一前沿领域缺乏系统综述的空白
•归纳了锂离子电池的主要老化机理及其对电池循环寿命的影响规律
•定义了早期循环的概念并分析了通过早期循环进行寿命预测的数据来源
• 总结了当前利用早期循环进行寿命预测的主要方法及其特点和预测能力
• 深入探讨了通过早期循环预测电池寿命所面临的主要挑战和发展前景
Abstract
With the rapid development of lithium-ion batteries in recent years, predicting their remaining useful life based on the early stages of cycling has become increasingly important. Accurate life prediction using early cycles (e.g., first several cycles) is crucial to rational design, optimal production, efficient management, and safe usage of advanced batteries in energy storage applications such as portable electronics, electric vehicles, and smart grids. In this review, the necessity and urgency of early-stage prediction of battery life are highlighted by systematically analyzing the primary aging mechanisms of lithium-ion batteries, and the latest fast progress on early-stage prediction is then comprehensively outlined into mechanism-guided, experience-based, data-driven, and fusion-combined approaches. The key models of each method and their typical research works are profoundly analyzed, and the pros and cons of each method are then evolved with an in-depth comparison of their prediction performances. The current challenges and future perspectives of early-stage prediction are finally addressed. This review is advantageous in fully and briefly understanding the principles, methods, development, and application of early-stage prediction of battery life and is directed to expedite research on novel, accurate, efficient, and simple theories and technologies for early-stage prediction..
Keywords
Battery life
Progress on life prediction
Mechanism-guided model
Data-driven model
Energy storage
Graphics
图1 图文摘要
图2 机理引导的预测方法示意图
图3 基于经验模型的预测方法示意图
图4 使用机器学习方法在早期阶段进行电池寿命预测的方法框图
图5使用深度学习方法在早期阶段进行电池寿命预测的方法框图
图6 机理与数据融合驱动的寿命预测方法
团队简介
本研究由西安交通大学精密微纳制造技术全国重点实验室、陕西省智能机器人重点实验室、机械工程学院的研究人员共同完成。
通讯作者简介：
孙孝飞，西安交通大学教授、博士生导师，IAAM Fellow，三秦青年科技创新之星，主要从事先进储能材料与器件及其智能制造研究。在Advanced Functional Materials、Journal of Energy Chemistry、Energy & Environmental Materials等期刊发表论文70余篇，编写教材和专著3部，申请国家发明专利40余项，获批计算机软件著作权6项，制定团体标准7项，受邀做学术报告逾30次，荣获陕西省科学技术二等奖、陕西省高等学校科学技术一等奖（2项）、谢友柏院士奖教金等奖励。
第一作者简介：
梅雪松，西安交通大学教授、博士生导师，国家级领军人才，教育部创新团队带头人，长期从事激光精密加工、数字控制技术、智能工厂和工业机器人等研究。在Advanced Materials、International Journal of Extreme Manufacturing、ACS Nano、IEEE Transactions on Industrial Informatics等期刊发表论文500余篇，主编教材和专著5部，获国内外发明专利200余项、计算机软件著作权50项，制定国际/国家/行业/团体标准近20项，受邀做学术报告100余次，荣获国家科技进步二等奖2项、国家级教学成果二等奖2项、省部级科技一等奖6项等奖励。
关于Applied Energy
本期小编：周佛金；审核人：武于丹
《Applied Energy》是世界能源领域著名学术期刊，在全球出版巨头爱思唯尔 (Elsevier) 旗下，1975年创刊，影响因子10.1，CiteScore 21.2，本刊旨在为清洁能源转换技术、能源过程和系统优化、能源效率、智慧能源、环境污染物及温室气体减排、能源与其他学科交叉融合、以及能源可持续发展等领域提供交流分享和合作的平台。开源（Open Access）姊妹新刊《Advances in Applied Energy》影响因子13.0，CiteScore 23.9。全部论文可以免费下载。在《Applied Energy》的成功经验基础上，致力于发表应用能源领域顶尖科研成果，并为广大科研人员提供一个快速权威的学术交流和发表平台，欢迎关注！
公众号团队小编招募长期开放，欢迎发送自我简介（含教育背景、研究方向等内容）至wechat@applied-energy.org
点击“阅读原文”
喜欢我们的内容？
点个“赞”或者“再看”支持下吧！
