論文の概要: Bayesian hierarchical modelling for battery lifetime early prediction
- arxiv url: http://arxiv.org/abs/2211.05697v1
- Date: Thu, 10 Nov 2022 17:02:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 16:29:48.082955
- Title: Bayesian hierarchical modelling for battery lifetime early prediction
- Title（参考訳）: 電池寿命早期予測のためのベイズ階層モデル
- Authors: Zihao Zhou, David A. Howey
- Abstract要約: 電池寿命予測のための階層型ベイズ線形モデルを提案する。
個々の細胞の特徴(製造の多様性を反映する)と人口全体の特徴(循環条件が人口平均に与える影響を反映する)を兼ね備えている。
このモデルは、根平均2乗誤差3.2日、絶対パーセンテージ誤差8.6%で寿命を予測できる。
- 参考スコア（独自算出の注目度）: 1.84926694477846
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate prediction of battery health is essential for real-world system
management and lab-based experiment design. However, building a life-prediction
model from different cycling conditions is still a challenge. Large lifetime
variability results from both cycling conditions and initial manufacturing
variability, and this -- along with the limited experimental resources usually
available for each cycling condition -- makes data-driven lifetime prediction
challenging. Here, a hierarchical Bayesian linear model is proposed for battery
life prediction, combining both individual cell features (reflecting
manufacturing variability) with population-wide features (reflecting the impact
of cycling conditions on the population average). The individual features were
collected from the first 100 cycles of data, which is around 5-10% of lifetime.
The model is able to predict end of life with a root mean square error of 3.2
days and mean absolute percentage error of 8.6%, measured through 5-fold
cross-validation, overperforming the baseline (non-hierarchical) model by
around 12-13%.
- Abstract（参考訳）: 実世界のシステム管理と実験室による実験設計には,バッテリ健康の正確な予測が不可欠である。
しかし、異なるサイクリング条件から生命予測モデルを構築することは依然として課題である。
サイクル条件と初期製造条件の両方による大きな寿命変動の結果であり、サイクル条件ごとに利用可能な限られた実験資源とともに、データ駆動の寿命予測が困難である。
ここでは,電池寿命予測のための階層的ベイズ線形モデルを提案し,個々のセル特性(製造変動を反映する)と人口全体特性(循環条件が人口平均に与える影響を反映する)を組み合わせる。
個々の特徴は、最初の100サイクルのデータから収集され、寿命の約5～10%である。
このモデルは、根平均二乗誤差3.2日、絶対パーセンテージ誤差8.6%で寿命を予測でき、5倍のクロスバリデーションで測定し、ベースライン(非階層的)モデルを約12-13%上回った。
関連論文リスト
- Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Accurate battery lifetime prediction across diverse aging conditions
with deep learning [20.832988614576983]
初期のサイクルで電池の寿命を正確に予測することは、多くの下流アプリケーションと同様に、バッテリーの研究と開発に非常に価値がある。
本稿では, 多様な高齢化条件を緩和し, 低リソース環境下での効果的な学習を容易にする, 普遍的な深層学習手法を提案する。
評価のためのベンチマークが構築され、168回のサイクリング条件で5つの電極材料を利用する401個の電池セルを含んでいる。
論文 参考訳（メタデータ） (2023-10-08T07:25:27Z) - Improve in-situ life prediction and classification performance by
capturing both the present state and evolution rate of battery aging [0.0]
本研究は, 寿命予測性能を向上させるため, 電池寿命と劣化率の両方を計測し, 評価手法を開発した。
電圧緩和データから抽出した等価回路モデルの6つの物理的特徴により老化状態を示す。
また、移動窓内の電圧緩和曲線の違いから抽出した2つの特徴により劣化率を把握した。
論文 参考訳（メタデータ） (2023-08-27T03:24:37Z) - Predicting Battery Lifetime Under Varying Usage Conditions from Early
Aging Data [3.739266290083215]
キャパシティ電圧データを用いて、広範囲な充電速度、放電速度、放電深度で周期された細胞の寿命を予測する。
提案手法は,リチウムイオン電池劣化モードのドメイン知識を機能工学に活用することの重要性を強調した。
論文 参考訳（メタデータ） (2023-07-17T10:42:21Z) - Predicting Li-ion Battery Cycle Life with LSTM RNN [2.4738790490814213]
この研究は、長い短期記憶リカレントニューラルネットワークモデルをトレーニングし、様々なサイクルと電圧で放電容量のシーケンシャルデータから学習する。
最初の60～80サイクルの実験データを用いて,約80個のサンプルを用いて予測精度を予測した。
論文 参考訳（メタデータ） (2022-07-08T04:49:17Z) - Interpretable Battery Cycle Life Range Prediction Using Early
Degradation Data at Cell Level [0.8137198664755597]
量的回帰フォレスト(QRF)モデルを導入し、不確かさを定量化してサイクル寿命範囲を予測する。
データ駆動方式は, 電池劣化機構の最小限の知識で, 電池サイクル寿命のポイント予測を行う手法として提案されている。
最終QRFモデルの解釈可能性については,2つの大域的モデルに依存しない手法を用いて検討した。
論文 参考訳（メタデータ） (2022-04-26T16:26:27Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - Two-step penalised logistic regression for multi-omic data with an
application to cardiometabolic syndrome [62.997667081978825]
我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。
私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。
提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
論文 参考訳（メタデータ） (2020-08-01T10:36:27Z) - Individual Calibration with Randomized Forecasting [116.2086707626651]
予測値がランダムに設定された場合,各サンプルのキャリブレーションは回帰設定で可能であることを示す。
我々は、個別の校正を強制する訓練目標を設計し、それをランダム化された回帰関数の訓練に使用する。
論文 参考訳（メタデータ） (2020-06-18T05:53:10Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z) - Survival Cluster Analysis [93.50540270973927]
異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。
このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
論文 参考訳（メタデータ） (2020-02-29T22:41:21Z)
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。