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

• Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。 大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Remaining useful life prediction of Lithium-ion batteries using spatio-temporal multimodal attention networks [4.249657064343807]
  リチウムイオン電池は、電気自動車や再生可能エネルギー貯蔵など様々な用途で広く使われている。 電池の残存寿命(RUL)の予測は信頼性と効率の確保に不可欠である。 本稿では, 時空間アテンションネットワーク(ST-MAN)を用いたリチウムイオン電池の2段階RUL予測手法を提案する。
  論文  参考訳（メタデータ） (2023-10-29T07:32:32Z)
• 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)
• 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)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)
• 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。