論文の概要: Dynaformer: A Deep Learning Model for Ageing-aware Battery Discharge Prediction

• arxiv url: http://arxiv.org/abs/2206.02555v1
• Date: Wed, 1 Jun 2022 15:31:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-12 08:45:29.219311
• Title: Dynaformer: A Deep Learning Model for Ageing-aware Battery Discharge Prediction
• Title（参考訳）: dynaformer: 老化認識型電池放電予測のためのディープラーニングモデル
• Authors: Luca Biggio, Tommaso Bendinelli, Chetan Kulkarni, Olga Fink
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.670887944566458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrochemical batteries are ubiquitous devices in our society. When they are employed in mission-critical applications, the ability to precisely predict the end of discharge under highly variable environmental and operating conditions is of paramount importance in order to support operational decision-making. While there are accurate predictive models of the processes underlying the charge and discharge phases of batteries, the modelling of ageing and its effect on performance remains poorly understood. Such a lack of understanding often leads to inaccurate models or the need for time-consuming calibration procedures whenever the battery ages or its conditions change significantly. This represents a major obstacle to the real-world deployment of efficient and robust battery management systems. In this paper, we propose for the first time an approach that can predict the voltage discharge curve for batteries of any degradation level without the need for calibration. In particular, we introduce Dynaformer, a novel Transformer-based deep learning architecture which is able to simultaneously infer the ageing state from a limited number of voltage/current samples and predict the full voltage discharge curve for real batteries with high precision. Our experiments show that the trained model is effective for input current profiles of different complexities and is robust to a wide range of degradation levels. In addition to evaluating the performance of the proposed framework on simulated data, we demonstrate that a minimal amount of fine-tuning allows the model to bridge the simulation-to-real gap between simulations and real data collected from a set of batteries. The proposed methodology enables the utilization of battery-powered systems until the end of discharge in a controlled and predictable way, thereby significantly prolonging the operating cycles and reducing costs.
• Abstract（参考訳）: 電気化学電池は私たちの社会のユビキタスな装置です。 ミッションクリティカルな用途に採用する場合、運用上の意思決定を支援するために、高度に可変な環境および運用条件下での排出終了を正確に予測する能力が重要となる。 電池の電荷と放電の位相の正確な予測モデルが存在するが、老化のモデル化とその性能への影響は未だよく分かっていない。 このような理解の欠如は、しばしば不正確なモデルや、バッテリーの老朽化や状態が著しく変化するたびに時間を要するキャリブレーション手順を引き起こす。 これは、効率的で堅牢なバッテリ管理システムを現実に展開する上で、大きな障害となる。 本稿では,キャリブレーションを必要とせずに,劣化レベルの電池の電圧放電曲線を予測できる手法を提案する。 特に,限られた数の電圧・電流サンプルから老化状態を同時推定し,実電池のフル電圧放電曲線を高精度に予測可能な,新しいトランスフォーマベースのディープラーニングアーキテクチャであるdynaformerを提案する。 実験の結果, 訓練されたモデルは, 様々な複雑度の入力電流プロファイルに有効であり, 幅広い劣化レベルに対して頑健であることがわかった。 シミュレーションデータ上でのフレームワークの性能を評価することに加えて、最小限の微調整により、シミュレーションと電池の集合から収集した実データの間のシミュレーションと実際のギャップを埋めることができることを示す。 提案手法では,制御可能かつ予測可能な方法での放電終了までバッテリ駆動システムの利用が可能となり,運用サイクルを著しく延長し,コストを削減できる。

関連論文リスト

• Generating Comprehensive Lithium Battery Charging Data with Generative AI [24.469319419012745]
  本研究では、生成AIモデルの条件として、EOL(End of Life)とECL(Equivalent Cycle Life)を紹介する。 CVAEモデルに埋め込み層を組み込むことにより, RCVAE(Refined Conditional Variational Autoencoder)を開発した。 準ビデオ形式にプリプロセッシングすることで、電圧、電流、温度、充電容量を含む電気化学データの総合的な合成を実現する。 この方法は、リチウム電池データの人工合成のための新しい研究領域を開拓する、包括的な電気化学データセットを提供する。
  論文  参考訳（メタデータ） (2024-04-11T09:08:45Z)
• Cycle Life Prediction for Lithium-ion Batteries: Machine Learning and More [0.0]
  電池は複雑な非線形時効を持つ動的システムである。 このチュートリアルは、第一原理、機械学習、ハイブリッドバッテリーモデルの概要から始まる。 機械学習モデルの課題を強調し、ハイブリッドモデリングアプローチにおける物理の組み入れを動機づける。
  論文  参考訳（メタデータ） (2024-04-05T12:05:20Z)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• 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)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Visual-tactile sensing for Real-time liquid Volume Estimation in Grasping [58.50342759993186]
  変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。 我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。 ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
  論文  参考訳（メタデータ） (2022-02-23T13:38:31Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Battery Model Calibration with Deep Reinforcement Learning [5.004835203025507]
  バッテリーモデルのキャリブレーションパラメータを確実かつ効率的に推測するための強化学習ベースのフレームワークを実装します。 このフレームワークは、観測から現実ギャップを補うために、計算モデルパラメータのリアルタイム推論を可能にする。
  論文  参考訳（メタデータ） (2020-12-07T19:26:08Z)
• 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。

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。