Fugu-MT 論文翻訳(概要): Detecting Electric Vehicle Battery Failure via Dynamic-VAE

論文の概要: Detecting Electric Vehicle Battery Failure via Dynamic-VAE

arxiv url: http://arxiv.org/abs/2201.12358v1
Date: Fri, 28 Jan 2022 10:06:39 GMT
ステータス: 処理完了
システム内更新日: 2022-02-01 20:02:37.278677
Title: Detecting Electric Vehicle Battery Failure via Dynamic-VAE
Title（参考訳）: Dynamic-VAEによる電気自動車バッテリーの故障検出
Authors: Haowei He, Jingzhao Zhang, Yanan Wang, Shaobo Huang, Chen Wang, Yang Zhang, Dongxu Guo, Guannan He, Minggao Ouyang
Abstract要約: まず、数百台の車両のバッテリー充電データを含む、大規模な電気自動車(EV)バッテリーデータセットを紹介します。次に,バッテリ故障検出を異常検出問題として定式化し,Dynamic-VAEという新しいアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 14.602586301881617
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this note, we describe a battery failure detection pipeline backed up by deep learning models. We first introduce a large-scale Electric vehicle (EV) battery dataset including cleaned battery-charging data from hundreds of vehicles. We then formulate battery failure detection as an outlier detection problem, and propose a new algorithm named Dynamic-VAE based on dynamic system and variational autoencoders. We validate the performance of our proposed algorithm against several baselines on our released dataset and demonstrated the effectiveness of Dynamic-VAE.
Abstract（参考訳）: 本稿では,ディープラーニングモデルによってバックアップされたバッテリ故障検出パイプラインについて述べる。まず、数百台の車両のバッテリー充電データを含む、大規模な電気自動車(EV)バッテリーデータセットを紹介します。次に,バッテリ故障検出を異常検出問題として定式化し,動的システムと変分オートエンコーダに基づく動的VAEという新しいアルゴリズムを提案する。提案アルゴリズムの性能を,提案したデータセットのベースラインに対して検証し,動的VAEの有効性を実証した。

関連論文リスト

Open-sourced Data Ecosystem in Autonomous Driving: the Present and Future [130.87142103774752]
このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。また、解決を保障する科学的、技術的課題も検討している。
論文参考訳（メタデータ） (2023-12-06T10:46:53Z)
On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
AI技術の信頼性に関する深刻な懸念があった。機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
論文参考訳（メタデータ） (2023-10-24T14:01:53Z)
A Deep Learning Approach Towards Generating High-fidelity Diverse Synthetic Battery Datasets [0.0]
高忠実度バッテリデータセットを合成するためのDeep Learningベースの手法をいくつか導入する。これらの強化された合成データセットは、バッテリー研究者がより良い推定モデルを構築するのに役立つ。
論文参考訳（メタデータ） (2023-04-09T05:41:21Z)
Berlin V2X: A Machine Learning Dataset from Multiple Vehicles and Radio Access Technologies [56.77079930521082]
我々は,MLに基づく多種多様な研究への道を開くための詳細な測定キャンペーンを実施してきた。得られたデータセットは、携帯電話(と2つの異なるオペレーター)とサイドリンク無線アクセス技術の両方のために、様々な都市環境にまたがるGPS位置の無線測定を提供する。私たちは、MLが克服しなければならない課題と、MLが活用できる機能について、データの初期分析を提供しています。
論文参考訳（メタデータ） (2022-12-20T15:26:39Z)
Battery Cloud with Advanced Algorithms [1.7205106391379026]
バッテリクラウドまたはクラウドバッテリ管理システムは、クラウド計算パワーとデータストレージを活用して、バッテリ安全性、パフォーマンス、経済性を改善する。この研究は、電気自動車やエネルギー貯蔵システムから計測されたバッテリーデータを収集するバッテリクラウドを提示する。
論文参考訳（メタデータ） (2022-03-07T21:56:17Z)
An Energy Consumption Model for Electrical Vehicle Networks via Extended Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文参考訳（メタデータ） (2021-11-13T15:03:44Z)
Data Driven Prediction of Battery Cycle Life Before Capacity Degradation [0.0]
本稿では,Kristen A. Seversonらが実施したデータと手法を用いて,研究チームが使用した方法論を探索する。基本的な取り組みは、機械学習技術が、バッテリー容量を正確に予測するために、早期ライフサイクルデータを使用するように訓練されているかどうかを確認することである。
論文参考訳（メタデータ） (2021-10-19T01:35:12Z)
Overcoming limited battery data challenges: A coupled neural network approach [0.0]
深層ニューラルネットワークを用いた時系列バッテリデータ拡張手法を提案する。あるモデルはバッテリ充電プロファイルを生成し、別のモデルはバッテリ放電プロファイルを生成する。その結果,バッテリーデータに制限がある場合の問題点を解消するために,本手法の有効性が示された。
論文参考訳（メタデータ） (2021-10-05T16:17:19Z)
Optimizing a domestic battery and solar photovoltaic system with deep reinforcement learning [69.68068088508505]
バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
論文参考訳（メタデータ） (2021-09-10T10:59:14Z)
A Dynamic Battery State-of-Health Forecasting Model for Electric Trucks: Li-Ion Batteries Case-Study [1.1470070927586016]
本稿では, 電動トラックにおけるLiイオン電池の機械学習による健康状態(SoH)の予後について検討する。バッテリーSoHを予測するための自動回帰型統合モデリング平均(ARIMA)と教師付き学習(決定木をベース見積もりとして袋詰め)を提案します。
論文参考訳（メタデータ） (2021-03-30T12:19:21Z)
Universal Battery Performance and Degradation Model for Electric Aircraft [52.77024349608834]
電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
論文参考訳（メタデータ） (2020-07-06T16:10:54Z)

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。