論文の概要: Simple statistical models and sequential deep learning for Lithium-ion
batteries degradation under dynamic conditions: Fractional Polynomials vs
Neural Networks
- arxiv url: http://arxiv.org/abs/2102.08111v1
- Date: Tue, 16 Feb 2021 12:26:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-17 14:47:04.441344
- Title: Simple statistical models and sequential deep learning for Lithium-ion
batteries degradation under dynamic conditions: Fractional Polynomials vs
Neural Networks
- Title(参考訳): 動的条件下でのリチウムイオン電池劣化の簡易統計モデルと連続深層学習:フラクショナル多項式とニューラルネットワーク
- Authors: Clara B. Salucci, Azzeddine Bakdi, Ingrid K. Glad, Erik Vanem,
Riccardo De Bin
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.8899300124593648
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Longevity and safety of Lithium-ion batteries are facilitated by efficient
monitoring and adjustment of the battery operating conditions: hence, it is
crucial to implement fast and accurate algorithms for State of Health (SoH)
monitoring on the Battery Management System. The task is challenging due to the
complexity and multitude of the factors contributing to the battery capacity
degradation, especially because the different degradation processes occur at
various timescales and their interactions play an important role. This paper
proposes and compares two data-driven approaches: a Long Short-Term Memory
neural network, from the field of deep learning, and a Multivariable Fractional
Polynomial regression, from classical statistics. Models from both classes are
trained from historical data of one exhausted cell and used to predict the SoH
of other cells. This work uses data provided by the NASA Ames Prognostics
Center of Excellence, characterised by varying loads which simulate dynamic
operating conditions. Two hypothetical scenarios are considered: one assumes
that a recent true capacity measurement is known, the other relies solely on
the cell nominal capacity. Both methods are effective, with low prediction
errors, and the advantages of one over the other in terms of interpretability
and complexity are discussed in a critical way.
- Abstract(参考訳): リチウムイオン電池の寿命と安全性は、電池の運転状況の効率的な監視と調整によって促進されるため、バッテリー管理システム上の状態監視(SoH)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。
この課題は、バッテリー容量の低下に寄与する要因の複雑さと多さ、特に様々な時間スケールで異なる劣化過程が発生し、それらの相互作用が重要な役割を果たすため、困難である。
本稿では,ディープラーニング分野の長期短期記憶ニューラルネットワークと,古典統計学の多変量分数多項式回帰という2つのデータ駆動型アプローチを提案し,比較する。
両方のクラスからのモデルは、ある疲労したセルの履歴データから訓練され、他の細胞のSoHを予測するために使用されます。
この研究では、NASA Ames Prognostics Center of Excellenceが提供するデータを使用しており、動的動作条件をシミュレートするさまざまな負荷を特徴としています。
1つは、最近の真の容量測定が知られていると仮定し、もう1つは細胞の公称容量のみに依存します。
どちらの手法も効果的であり, 予測誤差が低く, 解釈可能性と複雑性の観点から, 両者の利点について批判的に論じる。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳(メタデータ) (2023-10-23T13:35:24Z) - Depth analysis of battery performance based on a data-driven approach [5.778648596769691]
容量の減少は、細胞の応用における最も難解な問題の1つである。
サイクルを通してのセルの容量変化を機械学習技術を用いて予測する。
論文 参考訳(メタデータ) (2023-08-30T08:15:27Z) - Controlling dynamical systems to complex target states using machine
learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。
まず, 従来の貯水池計算が優れていることを示す。
次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。
その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文 参考訳(メタデータ) (2023-07-14T07:05:17Z) - Learning battery model parameter dynamics from data with recursive
Gaussian process regression [0.0]
本稿では,データ駆動とモデル駆動を併用したハイブリッド手法を提案する。
具体的には、状態、動作条件、寿命の関数としてモデルパラメータを推定するベイズ的データ駆動手法であるガウス的プロセス回帰を実証する。
その結果, 実測データと実測データの両方において, 電池容量と内部抵抗の正確な推定値, 予測値などの有効性が示された。
論文 参考訳(メタデータ) (2023-04-26T16:40:34Z) - 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) - Training and Evaluation of Deep Policies using Reinforcement Learning
and Generative Models [67.78935378952146]
GenRLはシーケンシャルな意思決定問題を解決するためのフレームワークである。
強化学習と潜在変数生成モデルの組み合わせを利用する。
最終方針訓練の性能に最も影響を与える生成モデルの特徴を実験的に決定する。
論文 参考訳(メタデータ) (2022-04-18T22:02:32Z) - Regularization-based Continual Learning for Fault Prediction in
Lithium-Ion Batteries [0.0]
早期の予測とバッテリーの欠陥の堅牢な理解は、製品の品質を大幅に向上させる可能性がある。
データ駆動型障害予測の現在のアプローチは、トレーニングされたプロセスの正確な結果を提供する。
継続的な学習はそのような柔軟性を約束し、学習した知識を新しいタスクに自動的に適応させることができる。
論文 参考訳(メタデータ) (2021-07-07T16:24:18Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z) - Invariant learning based multi-stage identification for Lithium-ion
battery performance degradation [16.637948430296227]
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。
論文 参考訳(メタデータ) (2020-08-12T06:09:46Z)
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。