論文の概要: Data-driven Thermal Anomaly Detection for Batteries using Unsupervised
Shape Clustering
- arxiv url: http://arxiv.org/abs/2103.08796v1
- Date: Tue, 16 Mar 2021 01:29:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-17 22:01:03.649332
- Title: Data-driven Thermal Anomaly Detection for Batteries using Unsupervised
Shape Clustering
- Title(参考訳): 教師なし形状クラスタリングを用いたバッテリのデータ駆動熱異常検出
- Authors: Xiaojun Li, Jianwei Li, Ali Abdollahi, Trevor Jones and Asif
Habeebullah
- Abstract要約: 本研究では, 温度測定の形状相似性を比較することで, 電池の熱異常を検出するデータ駆動方式を提案する。
モデルベースや他のデータ駆動方式とは異なり、提案手法はデータ損失に対して堅牢であり、異なるパック構成に対して最小限の参照データを必要とする。
- 参考スコア(独自算出の注目度): 4.805591270997103
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For electric vehicles (EV) and energy storage (ES) batteries, thermal runaway
is a critical issue as it can lead to uncontrollable fires or even explosions.
Thermal anomaly detection can identify problematic battery packs that may
eventually undergo thermal runaway. However, there are common challenges like
data unavailability, environment variations, and battery aging. We propose a
data-driven method to detect battery thermal anomaly based on comparing
shape-similarity between thermal measurements. Based on their shapes, the
measurements are continuously being grouped into different clusters. Anomaly is
detected by monitoring deviations within the clusters. Unlike model-based or
other data-driven methods, the proposed method is robust to data loss and
requires minimal reference data for different pack configurations. As the
initial experimental results show, the method not only can be more accurate
than the onboard BMS, but also can detect unforeseen anomalies at the early
stage.
- Abstract(参考訳): 電気自動車(EV)とエネルギー貯蔵(ES)バッテリーでは、制御不能な火災や爆発につながる可能性があるため、熱流出は重大な問題である。
熱異常検出は、最終的に熱流出を起こす可能性のあるバッテリーパックを特定できる。
しかし、データの利用不可能、環境の変化、電池の老化など、一般的な課題がある。
本研究では, 温度測定の形状相似性を比較することで, 電池の熱異常を検出するデータ駆動方式を提案する。
その形状に基づいて、測定値は連続して異なるクラスターにグループ化されている。
異常はクラスタ内の偏差を監視して検出される。
モデルベースや他のデータ駆動方式とは異なり、提案手法はデータ損失に対して頑健であり、異なるパック構成に対して最小限の参照データを必要とする。
最初の実験結果が示すように、この手法は搭載されているBMSよりも正確であるだけでなく、早期に予期せぬ異常を検出することもできる。
関連論文リスト
- One-class anomaly detection through color-to-thermal AI for building
envelope inspection [0.0]
本研究では,建築封筒のサーモグラフィ検査における異常検出のためのラベルフリー手法を提案する。
これは、カラー画像からの熱分布を予測するAIによる予測に基づいている。
論文 参考訳(メタデータ) (2024-02-05T12:41:30Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - Probe thermometry with continuous measurements [0.0]
標準的なアプローチはプローブサーモメトリーによって提供され、プローブがサンプルと接触し、一定の時間経過後に検査される。
ここでは、プローブが熱貯水池に結合した2層システムによって提供される最小限のモデルを考える。
熱活性化遷移のモニタリングにより、時間とともに精度が向上する温度のリアルタイム推定が可能となる。
論文 参考訳(メタデータ) (2023-07-25T11:00:02Z) - DTW k-means clustering for fault detection in photovoltaic modules [0.07388859384645262]
本稿では、DTW K-meansと呼ばれる教師なしのアプローチを示す。
DWT(Dynamic Time Warping)メトリックとKmeansクラスタリングアルゴリズムの両方をデータ駆動アプローチとして活用する。
PV文字列におけるこの混合手法の結果は、パネルの視覚検査によって確立された診断ラベルと比較される。
論文 参考訳(メタデータ) (2023-06-13T07:42:35Z) - LiFe-net: Data-driven Modelling of Time-dependent Temperatures and
Charging Statistics Of Tesla's LiFePo4 EV Battery [0.0]
バッテリーパックの極端な温度は、寿命と出力に影響を与える可能性がある。
電池内部からデータ測定を得ることは困難である。
本稿では,データ駆動型サロゲートモデル(LiFe-net)を提案する。
論文 参考訳(メタデータ) (2022-12-16T10:59:03Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳(メタデータ) (2022-09-26T21:59:14Z) - Smart Meter Data Anomaly Detection using Variational Recurrent
Autoencoders with Attention [0.0]
本稿では,アテンション機構を備えた変分リカレントオートエンコーダに基づく教師なし異常検出手法を提案する。
スマートメーターの「汚れ」データを用いて、学習中の貢献度を減少させるために、欠落した値とグローバルな異常を事前に検出する。
論文 参考訳(メタデータ) (2022-06-08T19:39:51Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - Unsupervised machine learning of topological phase transitions from
experimental data [52.77024349608834]
超低温原子からの実験データに教師なし機械学習技術を適用する。
我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。
我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
論文 参考訳(メタデータ) (2021-01-14T16:38:21Z) - Adiabatic Sensing Technique for Optimal Temperature Estimation using
Trapped Ions [64.31011847952006]
捕捉イオンを用いた最適なフォノン温度推定のための断熱法を提案する。
フォノンの熱分布に関する関連する情報は、スピンの集合的な自由度に伝達することができる。
それぞれの熱状態確率は、各スピン励起構成に近似的にマッピングされることを示す。
論文 参考訳(メタデータ) (2020-12-16T12:58:08Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z)
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。