論文の概要: A Transferable Multi-stage Model with Cycling Discrepancy Learning for
Lithium-ion Battery State of Health Estimation
- arxiv url: http://arxiv.org/abs/2209.00190v1
- Date: Thu, 1 Sep 2022 02:59:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-02 13:26:48.448103
- Title: A Transferable Multi-stage Model with Cycling Discrepancy Learning for
Lithium-ion Battery State of Health Estimation
- Title（参考訳）: リチウムイオン電池状態推定のためのサイクル離散学習を用いた移動可能多段階モデル
- Authors: Yan Qin and Chau Yuen and Xunyuan Yin and Biao Huang
- Abstract要約: 電池の完全ライフサイクルの多重劣化パターンは、伝達学習(TL)の追求を困難にしている
移動可能な多段SOH推定モデルを提案し,4段階からなる電池間TLを実現する。
提案手法は,3つのバッテリを用いたラン・ツー・フェイル・ベンチマークにおいて,様々な転送タスクにおける競合アルゴリズムよりも優れる。
- 参考スコア（独自算出の注目度）: 18.980782609740082
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a significant ingredient regarding health status, data-driven
state-of-health (SOH) estimation has become dominant for lithium-ion batteries
(LiBs). To handle data discrepancy across batteries, current SOH estimation
models engage in transfer learning (TL), which reserves apriori knowledge
gained through reusing partial structures of the offline trained model.
However, multiple degradation patterns of a complete life cycle of a battery
make it challenging to pursue TL. The concept of the stage is introduced to
describe the collection of continuous cycles that present a similar degradation
pattern. A transferable multi-stage SOH estimation model is proposed to perform
TL across batteries in the same stage, consisting of four steps. First, with
identified stage information, raw cycling data from the source battery are
reconstructed into the phase space with high dimensions, exploring hidden
dynamics with limited sensors. Next, domain invariant representation across
cycles in each stage is proposed through cycling discrepancy subspace with
reconstructed data. Third, considering the unbalanced discharge cycles among
different stages, a switching estimation strategy composed of a lightweight
model with the long short-term memory network and a powerful model with the
proposed temporal capsule network is proposed to boost estimation accuracy.
Lastly, an updating scheme compensates for estimation errors when the cycling
consistency of target batteries drifts. The proposed method outperforms its
competitive algorithms in various transfer tasks for a run-to-failure benchmark
with three batteries.
- Abstract（参考訳）: 健康状態に関する重要な要素として、リチウムイオン電池(LiB)では、データ駆動型健康状態推定(SOH)が主流となっている。
電池間のデータ不一致を処理するため、現在のSOH推定モデルは転送学習(TL)に携わり、オフライン訓練モデルの部分構造を再利用することで得られる知識を予備的に確保する。
しかし、電池の全ライフサイクルの複数の劣化パターンはTLを追求することが困難である。
ステージの概念は、同様の劣化パターンを示す連続サイクルの集合を記述するために導入された。
移動可能な多段soh推定モデルを提案し、4段階からなる同じ段階の電池間でtlを行う。
第一に、特定ステージ情報により、電源電池からの生サイクルデータを高次元の位相空間に再構成し、限られたセンサーで隠れたダイナミクスを探索する。
次に、再構成されたデータで離散部分空間をサイクリングすることで、各段階のサイクルにまたがるドメイン不変表現を提案する。
第3に、異なるステージ間の不均衡放電サイクルを考慮して、長い短期記憶ネットワークを持つ軽量モデルと、提案した時間カプセルネットワークを持つ強力なモデルからなる切換推定戦略を提案し、推定精度を高める。
最後に、更新方式は、目標電池のサイクリング一貫性がドリフトするときに推定誤差を補償する。
提案手法は,3つの電池を搭載したラン・トゥ・フェイルアベンチマークにおいて,様々な転送タスクにおいて,その競合アルゴリズムを上回っている。
関連論文リスト
- Deep Latent Variable Models for Semi-supervised Paraphrase Generation [58.062003028768636]
変分シーケンス自動エンコード再構成(VSAR)と呼ばれる新しい教師なしモデルを提案する。
テキストペアからの情報を活用するために、双方向学習(DDL)と呼ばれる教師付きモデルを導入する。
実験により, このモデルを組み合わせることで, 完全データに基づく最先端の教師付きベースラインに対して, 競争性能が向上することが示唆された。
論文 参考訳（メタデータ） (2023-01-05T19:35:30Z) - Digital Twin for Real-time Li-ion Battery State of Health Estimation
with Partially Discharged Cycling Data [16.637948430296227]
リチウムイオン電池(LIB)の健康状態(SOH)推定は劣化特性と密接な関係がある。
提案したディジタルツインソリューションは、リアルタイムなSOH推定を可能にする3つのコアコンポーネントから構成される。
本手法は, サイクル中のサンプリング時間の大半に対して, 誤差が1%未満のリアルタイムSOH推定を行う。
論文 参考訳（メタデータ） (2022-12-09T01:30:10Z) - Transfer Learning-based State of Health Estimation for Lithium-ion
Battery with Cycle Synchronization [16.637948430296227]
バッテリーの健康状態(SOH)を正確に推定することは、バッテリー駆動アプリケーションの予期せぬ失敗を防ぐのに役立ちます。
新たなバッテリのモデルトレーニングにおけるデータ要件の低減という優位性により,トランスファーラーニング(TL)が有望な機械学習アプローチとして出現する。
本稿では、時間的ダイナミクスを利用してTLに基づくSOH推定を解釈し、伝達学習を支援する手法を提案する。
論文 参考訳（メタデータ） (2022-08-23T21:40:40Z) - 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) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - Lithium-ion Battery State of Health Estimation based on Cycle
Synchronization using Dynamic Time Warping [13.19976118887128]
健康状態推定(SOH)は、電池容量の減少による予期せぬ故障を避けるために、電池駆動アプリケーションにおいて重要な役割を担っている。
本稿では、動的時間ワープを用いて、既存の座標系を変更するための革新的なサイクル同期手法を提案する。
提案手法は,時系列の時間情報を活用することで,時間指標と元の測定値を新しい指標に組み込んで,電池劣化状況を反映する。
論文 参考訳（メタデータ） (2021-09-28T02:53:54Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural
Networks [68.8204255655161]
リチウムイオン電池のためのDeep Forward Networkを構築し,その性能評価を行った。
本研究の貢献はリチウムイオン電池用ディープフォワードネットワークの構築手法とその性能評価である。
論文 参考訳（メタデータ） (2020-09-20T23:47:11Z) - 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) - 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) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。