論文の概要: Invariant learning based multi-stage identification for Lithium-ion battery performance degradation

• arxiv url: http://arxiv.org/abs/2008.05123v1
• Date: Wed, 12 Aug 2020 06:09:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 06:08:07.949825
• Title: Invariant learning based multi-stage identification for Lithium-ion battery performance degradation
• Title（参考訳）: リチウムイオン電池劣化の多段階同定による不変学習
• Authors: Yan Qin, Chau Yuen, Stefan Adams
• Abstract要約: 本稿では,電池性能劣化が一定の動作に追従するかどうかを検討するために,不変学習に基づく手法を提案する。 複数の劣化挙動の存在を判断するために, 新たな多段階分割戦略が提案されている。 提案手法は,データの観点からの劣化メカニズムの洞察を可能にするだけでなく,健康状態などの関連トピックにも有効である。
• 参考スコア（独自算出の注目度）: 16.637948430296227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: By informing accurate performance (e.g., capacity), health state management plays a significant role in safeguarding battery and its powered system. While most current approaches are primarily based on data-driven methods, lacking in-depth analysis of battery performance degradation mechanism may discount their performances. To fill in the research gap about data-driven battery performance degradation analysis, an invariant learning based method is proposed to investigate whether the battery performance degradation follows a fixed behavior. First, to unfold the hidden dynamics of cycling battery data, measurements are reconstructed in phase subspace. Next, a novel multi-stage division strategy is put forward to judge the existent of multiple degradation behaviors. Then the whole aging procedure is sequentially divided into several segments, among which cycling data with consistent degradation speed are assigned in the same stage. Simulations on a well-know benchmark verify the efficacy of the proposed multi-stages identification strategy. The proposed method not only enables insights into degradation mechanism from data perspective, but also will be helpful to related topics, such as stage of health.
• Abstract（参考訳）: 正確な性能(キャパシティなど)を知らせることによって、健康状態管理は電池とその動力システムを保護する上で重要な役割を果たす。 現在のアプローチは、主にデータ駆動方式に基づいているが、バッテリー性能低下機構の詳細な分析が欠けていると性能が低下する可能性がある。 データ駆動型バッテリ性能劣化解析の研究ギャップを埋めるために,バッテリ性能劣化が一定の振舞いに追従するかどうかを,不変学習に基づく手法を提案する。 まず、サイクリングバッテリデータの隠れたダイナミクスを広げるために、位相部分空間で測定を再構成する。 次に、複数の劣化挙動の存在を判断するために、新しい多段階分割戦略を提唱する。 そして、全老化手順を複数のセグメントに順次分割し、その中の一貫した劣化速度のサイクリングデータを同じ段階で割り当てる。 well-knowベンチマークによるシミュレーションにより,提案手法の有効性が検証された。 提案手法は,データの観点からの劣化メカニズムの洞察を可能にするだけでなく,健康状態などの関連トピックにも有効である。

関連論文リスト

• Cell as Point: One-Stage Framework for Efficient Cell Tracking [54.19259129722988]
  本稿では,一段階の効率的なセルトラッキングを実現するために,新しいエンドツーエンドCAPフレームワークを提案する。 CAPは検出またはセグメンテーション段階を放棄し、細胞点の軌跡間の相関を利用して細胞を共同で追跡することでプロセスを単純化する。 Capは強力なセルトラッキング性能を示し、既存の方法の10倍から55倍の効率を示している。
  論文  参考訳（メタデータ） (2024-11-22T10:16:35Z)
• Battery GraphNets : Relational Learning for Lithium-ion Batteries(LiBs) Life Estimation [0.0]
  本稿では、バッテリパラメータ間で独立した依存性グラフ構造を組み込むことを共同で学習するバッテリグラフネットワークフレームワークを提案する。 提案手法は,市販のバッテリデータセットにおいて,いくつかの一般的な手法よりも優れた性能を示し,SOTA性能を実現する。
  論文  参考訳（メタデータ） (2024-08-14T15:44:56Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Lithium-ion Battery Online Knee Onset Detection by Matrix Profile [16.637948430296227]
  加速劣化速度の開始を示す膝のオンセットは、バッテリーの性能変化を早期に警告するために重要である。 退院データ内の時間情報を利用して、オンライン膝のオンセット識別方法を開発する。 提案したSOH推定モデルは,ルート平均2乗誤差を0.22%以下に抑えた推定結果を得る。
  論文  参考訳（メタデータ） (2023-04-03T02:51:47Z)
• A Transferable Multi-stage Model with Cycling Discrepancy Learning for Lithium-ion Battery State of Health Estimation [18.980782609740082]
  電池の完全ライフサイクルの多重劣化パターンは、伝達学習(TL)の追求を困難にしている 移動可能な多段SOH推定モデルを提案し,4段階からなる電池間TLを実現する。 提案手法は,3つのバッテリを用いたラン・ツー・フェイル・ベンチマークにおいて,様々な転送タスクにおける競合アルゴリズムよりも優れる。
  論文  参考訳（メタデータ） (2022-09-01T02:59:46Z)
• Dynaformer: A Deep Learning Model for Ageing-aware Battery Discharge Prediction [2.670887944566458]
  本稿では,少数の電圧/電流サンプルから同時に老化状態を推定できるトランスフォーマーに基づく新しいディープラーニングアーキテクチャを提案する。 実験の結果, 学習モデルは様々な複雑さの入力電流分布に有効であり, 広範囲の劣化レベルに対して堅牢であることがわかった。
  論文  参考訳（メタデータ） (2022-06-01T15:31:06Z)
• On Modality Bias Recognition and Reduction [70.69194431713825]
  マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。 本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。 本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-02-25T13:47:09Z)
• Adaptive Affinity Loss and Erroneous Pseudo-Label Refinement for Weakly Supervised Semantic Segmentation [48.294903659573585]
  本稿では,多段階アプローチの親和性学習を単一段階モデルに組み込むことを提案する。 深層ニューラルネットワークは、トレーニングフェーズで包括的なセマンティック情報を提供するために使用される。 提案手法の有効性を評価するため,PASCAL VOC 2012データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2021-08-03T07:48:33Z)
• Progressive residual learning for single image dehazing [57.651704852274825]
  物理モデルフリーなデハジングプロセスと, 再構成された散乱モデルに基づくデハジング操作を組み合わせるために, 漸進的残留学習戦略が提案されている。 提案手法は,公開デヘイジングベンチマークにおける最先端手法に対して,複雑なデータに対するモデル解釈性と適応性に優れる。
  論文  参考訳（メタデータ） (2021-03-14T16:54:44Z)
• Simple statistical models and sequential deep learning for Lithium-ion batteries degradation under dynamic conditions: Fractional Polynomials vs Neural Networks [1.8899300124593648]
  リチウム イオン電池の長寿そして安全は電池の作動条件の有効な監視そして調節によって促進されます。 バッテリー管理システム上の状態の健康(SoH)監視のための迅速かつ正確なアルゴリズムを実装することが重要です。 本稿では,長期記憶ニューラルネットワークと多変量多項回帰の2つのデータ駆動手法を提案し,比較する。
  論文  参考訳（メタデータ） (2021-02-16T12:26:23Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。